快速傅里叶变换FFT学习笔记

问题背景

多项式无论在信息学还是在数学上都有重要应用。在信息学竞赛中，经常需要借助多项式解决问题，涉及到关于多项式的各种运算。对于两个次数为 $n$ 的多项式其中加减法均可以在 $O(n)$ 内算完，而一般来说乘法需要 $O(n^2)$ 来解决。但多项式乘法作为各种运算的基础，需要用更快的速度求出。

前置知识

1.多项式函数的表示法

如果多项式 $F$ 可表示为 ${\sum }_{i=0}^n{a}_i{x}^i$，则称其中的 $a_i$ 为这个多项式函数的 $i$ 次项系数，简称系数。像这样的表示法被称为系数表示法。
如果将某特定值 $x_i$ 代入多项式，则可得到 $y_i=F(x_i)$，这样就确定了平面直角坐标系中的一个点 $(x_i,y_i)$。将互不相同 $(x_0,y_0),(x_1,y_1),\dots ,(x_m,y_m)$ 这 $m+1$ 个点代入多项式，则可以得到 $m+1$ 个方程。当 $m=n$ 时，这个多项式的 $n+1$ 个系数都能被唯一确立，也就是说，互不相同的$n+1$ 个点可以确定一个 $n$ 次多项式函数。
从上述讨论中可以看出，点值表示法和系数表示法可以相互转换。

2.多项式的乘法

若 $F(x)={\sum }_{i=0}^n{a}_i{x}^i$，$G(x)={\sum }_{i=0}^m{b}_i{x}^i$，那么$$H(x)=F(x)G(x)=\sum _{i=0}^{n+m}\prod _{j+k=i}{a}_j{b}_k{x}^i$$这是一个 $n+m$ 次多项式。
如果选取一个点 $x_i$，则 $$H(x_i)=H(x){|}_{x=x_i}=[F(x)G(x)]{|}_{x=x_i}=F(x_i)G(x_i)$$也就是说把两个多项式在 $x_i$ 处的取值相乘就可以得到乘出来的多项式在 $x_i$ 处的取值。这样选取互不相同的 $n+m+1$ 个点就能确定新的多项式了。

不难发现，用点值表示法处理问题往往更方便，傅里叶变换（Discrete Fourier Transformation，简称 DFT）就是把系数表示法转换为点值表示法的算法。
对于一个 $n$ 次多项式 $F(x)$ ，需要选取 $m$ 个点，每个点计算要 $O(n)$ ，总耗时为 $O(nm)$。这个复杂度和直接用系数表示法相乘一样，常数还比较大。快速傅里叶变换（Fast Fourier Transformation）就是对这种算法的改进。FFT 通过选取某些特定的点来提高计算效率，在此之前，先讲一下复数和单位根的概念

3.复数

在日常生活中，我们主要用到的是实数，而除了实数之外还有另一类数叫做虚数。实数好虚数统称为复数。
复数一般有两种表示方法。若用 $c$ 表示一个复数，那么$$c=a+bi=r{e}^{i\theta }$$
事实上，我们可以把一个负数和平面中一个点一一对应，那么两种表示法分别对应这平面直角坐标系和极坐标系的情况。我们称 $r=\sqrt{a^2+b^2}$ 为模长，是一个非负数，称 $\theta =\arctan \frac{b}{a}$ 为辐角，他是一个介于 $0$ 到 $2\pi$ 的数值。
加减法
假设 $n=a+bi,m=c+di$ 为两个任意复数，则 $n\pm m=(a+c)\pm (b+d)i$
乘法
假设 $n=a+bi,m=c+di$ 为两个任意复数，则 $nm=$