多项式全家桶

下面的所有知识均属多项式范畴。

---

前言

本文略去多项式的定义，毕竟初中数学都讲过。

本文会出现一些可能没有见过的表达：

• 对于一个关于 $x$ 的多项式 $f(x)$，有时也称其最高次项次数为 $f(x)$ 的度数。
• 多项式同样定义了四则运算，包括常数与多项式的四则运算和多项式之间的四则运算，同时也衍生出了同余符号 $\equiv$、对数函数 $\ln (f(x))$，指数函数 $\exp (f(x))$ 等等。
• 下文一般采用 $f(x)\mathrm{m}\mathrm{o}\mathrm{d}{x}^n$ 来表示多项式 $f(x)$ 的所有次数小于 $n$ 的项之和。
• 下文有时会采用 $[x^k]f(x)$ 表示多项式次数为 $k$ 的项。

注意：本文的知识环环相扣，请勿乱序阅读。

---

拉格朗日插值

插值，通俗地讲，就是指通过多项式在某些点的值求出整个多项式的表达式。

而拉格朗日插值就是计算插值的一种方法，它支持通过 $n+1$ 个点插出一个度数为 $n$ 的多项式。

按惯例，献上模板题。

首先对于多项式 $f(x)$，必然满足 $f(x)\equiv f(a)(\mathrm{m}\mathrm{o}\mathrm{d}(x-a))$。

证明：

转化为 $f(x)-f(a)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}(x-a))$。

设左侧的多项式为 $g(x)$，显然其常数项为 $0$。

又因为其第 $i$ 项为 $p_i(x^i-a^i)$（$p_i$ 为系数），并且 $x^i-a^i$ 必定可以分解为 $(x-a)\cdot q(x)$ 的形式（$q(x)$ 为另一个多项式），所以得证。

所以我们可以得到一个关于 $f(x)$ 线性同余方程组：
$$\{\begin{array}{c}f(x)\equiv y_1(\mathrm{m}\mathrm{o}\mathrm{d}(x-x_1))\\ f(x)\equiv y_2(\mathrm{m}\mathrm{o}\mathrm{d}(x-x_2))\\ f(x)\equiv y_3(\mathrm{m}\mathrm{o}\mathrm{d}(x-x_3))\\ ⋮\\ f(x)\equiv y_n(\mathrm{m}\mathrm{o}\mathrm{d}(x-x_n))\end{array}$$
这里可以使用中国剩余定理解方程组（这里就没有必要关注它们是否互质了）。

我们可以设 $M={\prod }_{i=1}^n(x-x_i)$，$M_i=\frac{M}{(x-x_i)}={\prod }_{j\ne i}(x-x_j)$。

则 $M_i$ 在模 $x-x_i$ 意义下的逆元为 ${\prod }_{j\ne i}\frac{1}{x_i-x_j}$。

（因为 $M_i{M}_i^{-1}={\prod }_{j\ne i}\frac{x-x_j}{x_i-x_j}\equiv 1(\mathrm{m}\mathrm{o}\mathrm{d}(x-x_i))$，则对于每一个 $j\ne i$ 都存在 $ x - x_j \equiv x_i - x_j~(\bmod (x - x_i))$，移项可得 $x-x_i\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}(x-x_i))$，这显然是成立的。）

所以有 $f(x)={\sum }_{i=1}^n{y}_i{\prod }_{j\ne i}\frac{x-x_j}{x_i-x_j}(\mathrm{m}\mathrm{o}\mathrm{d}M)$，它在模意义下是唯一的。

（实际上有另外的证明方式证明了其在通常意义下也是唯一的，这里略去。）

本题中，我们只需要代入 $k$ 求解即可，时间复杂度为 $\mathcal{O}(n^2)$。不过更多时候，我们需要求出其所有系数，也可以做到 $\mathcal{O}(n^2)$，甚至还存在更低的复杂度，这里就不展开介绍了。

代码就不贴了。

---

多项式乘法

多项式乘法的定义，这里就不必多言了，初中数学都讲过。

代数形式：

设有多项式 $f(x)=a_0+a_{1}x+a_2{x}^2+\cdots +a_n{x}_n$，$g(x)=b_0+b_{1}x+b_2{x}^2+\cdots +b_m{x}_m$。

则它们的乘法积为 $t(x)=c_0+c_{1}x+c_2{x}^2+\cdots +c_{n+m}{x}^{n+m}$。

其中，对于 $t(x)$ 的系数 $c_k$ 有公式：$c_k={\sum }_{i=0}^k{a}_i{b}_{k-i}$。

可以发现这个公式的形式十分类似卷积。但请注意：它们不是同一个东西，不要弄混淆了。

事实上，多项式乘法就是用于求卷积的。如果您对卷积感兴趣，建议百度。

---

现在，给出两个多项式 $f(x)$ 和 $g(x)$ 的系数，求出它们的乘法积 $t(x)$。$f(x)$ 和 $g(x)$ 的次数小于 $10^5$。

根据上面的公式，我们可以得到一个 $\mathcal{O}(n^2)$ 的优秀算法。

我们考虑换一种思想计算这个乘法积。

众所周知，有这样一条著名的定理：任意 $k$ 个点可以唯一确定一个至多为 $k-1$ 次的多项式。

所以我们得到了一个新的思路：先求出足够多的 $f(x)$ 和 $g(x)$ 的点值，将它们用 $\mathcal{O}(n)$ 的复杂度乘起来（横坐标不变，纵坐标相乘），再将这些点转化为一个多项式（上面提到了这样的过程叫做插值）。

这种方法叫做离散傅里叶变换（即著名的 $\mathrm{DFT}$）。

问题是，如果钦定一些 $x$ 去求对应的 $f(x)$ 的值，时间复杂度还是 $\mathcal{O}(n^2)$ 的。

所以，下面介绍快速傅里叶变换，同时会介绍快速数论变换（即著名的 $\mathrm{FFT}$ 和 $\mathrm{NTT}$）。

---

前置知识：单位根，原根。

还记得二次函数 $y=x^2$ 的性质吗？

它关于 $y$ 轴对称，所以我们如果代入 $x=k$，同样可以得到 $x=-k$ 时 $y$ 的值。

这启发我们，可以选取一些特殊的 $x$，使得我们可以在求出一些点值的同时，快速地求出另外的一些点值。

这个时候，单位根就派上用场了。

先讲一些使得单位根能够应用于此的性质：

1. 记 ${\omega }_n$ 为 $n$ 次单位根，即满足 ${\omega }_n^k=e^{\frac{2k\pi i}{n}}$，而 $e^{\frac{2k\pi i}{n}}=\cos \frac{2k\pi }{n}+i\sin \frac{2k\pi }{n}$，$i$ 为虚数单位。

（注意 $n$ 次单位根的 $n$ 一般取 $2$ 的正整数次幂，而下文皆如此。）

这个计算公式不仅可以让我们计算出单位根的具体数值，并且可以得出以下性质：

• ${\omega }_n^n=\cos 2\pi +i\sin 2\pi =1={\omega }_n^0$。

这条性质说明 $n$ 次单位根存在长度为 $n$ 的指数循环节；

• ${\omega }_n^{\frac{n}{2}}=\cos \pi +i\sin \pi =-1$。

这条性质间接地证明了 $n$ 次单位根的最小指数循环节长度为 $n$，同时为下文折半引理的证明做了铺垫。

2. 单位根消去引理：${\omega }_{2n}^{2k}={\omega }_n^k$。

根据公式有 ${\omega }_{2n}^{2k}=e^{\frac{4k\pi i}{2n}}=e^{\frac{2k\pi i}{n}}={\omega }_n^k$，得证。

这条性质可以做为沟通不同次单位根的桥梁，同时也证明了 $n$ 次单位根的值域是 $2n$ 次单位根值域的真子集。

3. 单位根折半引理：${\omega }_n^{k+\frac{n}{2}}=-{\omega }_n^k$。

根据上面的性质有 ${\omega }_n^{k+\frac{n}{2}}={\omega }_n^k\cdot {\omega }_n^{\frac{n}{2}}=-{\omega }_n^k$，得证。

这条性质可以做为沟通同次不同指数的单位根的桥梁，为 $\mathrm{DFT}$ 的分治优化创造了可能。

而我们该如何运用单位根的这些性质呢？

我们将 $f(x)=a_0+a_{1}x+a_2{x}^2+a_3{x}^3$ 做一个小小的改动：
$$\begin{array}{rl}f(x)& =a_0+a_{1}x+a_2{x}^2+a_3{x}^3\\ & =a_0+a_2{x}^2+a_{1}x+a_3{x}^3\\ & =(a_0+a_2{x}^2)+x(a_1+a_3{x}^2)\\ & =f_1(x^2)+x{f}_2(x^2)\end{array}$$
可以发现，这样的变换，会使得原多项式被拆分为两个规模缩小了一半多项式。

所以，我们又有了一个新的算法模型：

我们考虑将 $f(x)$ 拆分为两个规模缩小了一半的多项式 $f_1(x),f_2(x)$，然后对它们进行分治，接着，我们可以用 $f_1(x),f_2(x)$ 在 $x=k^2$ 处的点值计算出 $f(x)$ 在 $x=k$ 处的点值。如果分治时每一层的复杂度都能够做到 $\mathcal{O}(n)$，那么总的时间复杂度就是 $\mathcal{O}(n{\log }_{2}n)$。

接下来，我们考虑利用单位根的性质，将每一层转化点值的操作复杂度变为 $\mathcal{O}(n)$。

如果我们将单位根 ω n k \omega_{n}^k