FFT算法的优化——提高FFT算法一倍的时空效率

前言

由于本人学习FFT时第一份代码并不是从普通的FFT学起的，而是直接从一个经过优化的版本开始学。

这是一个利用到共轭复数性质的优化，出自myy的论文，但在网上缺乏关于这个优化的文章，有写的都是大神，没有很细致的讲解。因此我决定自己总结一下。

本文是在默认读者了解并掌握了FFT算法的情况下写的。没有学过FFT的同学可以先去学一下。

FFT的基本运算

记 ${\omega }_N$ 表示 $e^{\frac{2\pi i}{N}}$ 。
对于给定的多项式函数

$$f(x)=\sum _{i=0}^n{a}_i{x}^i$$

记 $X$ 为 $f$ 的 $DFT$ ，则有

$$X_i=\sum _{j=0}^{N-1}{a}_j{\omega }_N^{ij},a_i=\frac{1}{N}\sum _{j=0}^{N-1}{X}_j{\omega }_N^{-ij}$$

以及我们知道的卷积定理

$$DFT(f\cdot g)=DFT(f)\cdot DFT(g)$$$$DFT(f+g)=DFT(f)+DFT(g)$$

还有各种各样的复数运算法则，都是本文的前置技能。
其中复数运算法则中有一条性质：
$$\overline{z_1{z}_2}={\bar{z}}_1\cdot {\bar{z}}_2$$
其中 $\bar{a}$ 表示 $a$ 的共轭复数。
这是我们优化FFT算法需要用到的重要性质。

如何优化？

考虑到 $DFT$ 的对称性，我们来比较一下 $X_i$ 以及 $X_{N-i}$ ：

$$X_i=\sum _{j=0}^{N-1}{a}_j{\omega }_N^{ij}$$$$X_{N-i}=\sum _{j=0}^{N-1}{a}_j{\omega }_N^{(N-i)j}=\sum _{j=0}^{N-1}{a}_j{\omega }_N^{-ij}=\overline{X_i}$$

咦？？求出 $X_i$ 就知道 $X_{N-i}$ 了？那用 $N$ 的长度做岂不是很浪费？？
为什么 $X_{n-i}=X_i$ 呢？实际上这是由于我们的多项式函数的系数并没有虚部造成的。我们换一个系数有虚部的函数看看。
设

$$f(x)=\sum _{i=0}^n(a_i+i{b}_i)x^i$$

这里可能变量名重了= =，考虑到惯用的表达方式，我们约定此文以下部分中上下标的 $i$ 表示变量，其余位置表示虚数单位。

X i = ∑ j = 0 N − 1 ( a j + i b j ) ω N i j X_i=\sum_{j=0}^{N-1}(a_j+ib_j)\omega_{N}^{ij}