FFT(快速傅里叶变化)学习

快速傅里叶变化

忽然发现自己FFT的博客都已经鸽了一年了，恰好又讲FFT就补了一篇。

关于多项式

多项式是什么垃圾玩意就不用我多说了吧
在平常解决各类数学问题中，我们都很容易发现多项式乘法的影子。
我们现在有两个多项式，$f(x)={\sum }_{i=0}^n{a}_i{x}^i,g(x)={\sum }_{i=0}^m{b}_i{x}^i$。
有$h=f\ast g$，我们如何才能得到$h$这个多项式的表达式呢？

很明显，设$h(x)={\sum }_{i=0}^{n+m}{c}_i{x}^i$，不会有人认为一个最高次项为$n$的与一个最高次项为$m$的相乘最高次项不为$n+m$吧,容易发现，$c_i={\sum }_{j=1}^{min(n,i)}{a}_j{b}_{i-j}$。
但如果这样一个一个求过来的话时间复杂度就达到$O(nm)$了，明显还会有更佳的做法。

点值表示法

相信大家在初中阶段都接触过通过几个点还原原函数表达式的$n$次函数题。
很明显，我们拥有$n+1$个点时就可以还原一个$n$次多项式的表达式。
于是，我们可以先将$f$与$g$分别表示成
$(a_0,f(a_0)),...,(a_n,f(a_n))$与$(b_0,g(b_0)),...,(b_n,g(b_n))$。
我们先使$a$数组与$b$数组相同，发现$h$也可以表示成这样的形式。
$(a_0,f(a_0)g(a_0)),...,(a_n,f(a_n)g(a_n))$。
我们发现，如果我们用这种方法来求多项式的话就只需要$O(n)$的时间复杂度了。

但悲剧的是，无论是题目还是答案一般需要的都是系数表示法，所以我们还需要将两者之间互相转化。
高斯消元？$O(n^3)$超级逆优化。
拉格朗日插值？$O(n^2)$