常用多项式算法

牛顿迭代公式

多项式的牛顿迭代公式用来解决以下问题：

给出 $G(x)$ 求解 $f(x)$ 满足方程 $G(f(x))\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$

先给出公式：

设 $G(A_0)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^m),G(A)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$ ，则：

$$A(x)\equiv A_0(x)-\frac{G(A_0)}{G^{\prime }(A_0)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$$

推导过程如下：

显然， $G(A)-G(A_0)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^m)$ ，而 $A(x)-A_0(x)$ 必为 $G(A)-G(A_0)$ 的因式之一，因此我们取 $A(x)-A_0(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^m)$ 的一解即可。

将 $G(A)$ 在 $A_0(x)$ 处泰勒展开：

$$G(A)=G(A_0)+\sum _{i=1}^{\infty }\frac{(A(x)-A_0(x){)}^i{G}^{(i)}(x)}{i!}$$

由于对 $i\ge 2$ 有 $(A(x)-A_0(x){)}^i\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$

因此就有：

$$G(A)\equiv G(A_0)+(A(x)-A_0(x))G^{\prime }(A_0)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$$

$$A(x)\equiv A_0(x)-\frac{G(A_0)}{G^{\prime }(A_0)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$$

注意 $G^{\prime }(A_0)$ 指 $G$ 对 $A_0$ 的导数。

还有一点就是，由于 $A(x)-A_0(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^m)$ ，因此只要知道 $\frac{1}{G^{\prime }(A_0)}\mathrm{m}\mathrm{o}\mathrm{d}{x}^m$ 即可。

多项式常用函数的求法

元的线性变换

就是给定 $F(x)$ 求 $F(px+q)$ 。

先给出 $F(x+q)$ 的求法：

设
$$F(x)=\sum _{i=0}^m{a}_i{x}^i$$

我们有

$$\begin{gathered} F(x+q)=\sum _{i=0}^m{a}_i(x+q{)}^i=\sum _{i=0}^m{a}_i(x+q{)}^i=\sum _{i=0}^m{a}_i\sum _{j=0}^i{x}^j{q}^{i-j}{C}_i^j \\ =\sum _{j=0}^m\frac{x^j}{j!}\sum _{i=j}^m\frac{a_i{q}^{i-j}i!}{(i-j)!}=\sum _{j=0}^m\frac{x^j}{j!}\sum _{k=0}^{m-j}\frac{a_{j+k}{q}^k(j+k)!}{k!} \\ =\sum _{j=0}^m\frac{x^j}{j!}\sum _{-k=0}^{m-j}{a}_{j-k}(j-k)!\frac{q^{(-k)}}{(-k)!} \end{gathered}$$

后面的求和号里是一个卷积的形式。

由于 $F(px+q)=F(p(x+\frac{q}{p}))$ ，接下来就很简单了。

多项式求逆

给定 $B(x)$ 求 $\frac{1}{B(x)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$ 。

这相当于求解方程 $f(x)B(x)-1\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$ 。

根据牛顿迭代公式有：

$$A(x)\equiv A_0(x)-\frac{A_0(x)B(x)-1}{B(x)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$$

好像陷入了瓶颈？

事实上，由于 $\frac{1}{G^{\prime }(A_0)}$ 只取前 $m$ 项即可，因此：

$$A(x)\equiv A_0(x)-\frac{A_0(x)B(x)-1}{B(x)}\equiv A_0(x)-A_0(x)(A_0(x)B(x)-1)\equiv 2A_0(x)-A_0^2(x)B(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$$

多项式除法

给定 $A(x),B(x)$ 求 $P(x),Q(x)$ 满足 $B(x)P(x)+Q(x)=A(x)$ 且 $\mathrm{deg}Q<\mathrm{deg}B$ 。

设 $f^R(x)$ 为将 $f(x)$ 的系数从低到高反转以后的结果。
$Q(x)$ 按 $A(x)$ 长度反转，其余多项式按原长度反转，就会有：

$$B^R(x)P^R(x)+Q^R(x)\equiv A(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\mathrm{deg}A-\mathrm{deg}B+1})$$
$$Q^R(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\mathrm{deg}A-\mathrm{deg}B+1})$$

因此多项式求逆即可。

多项式开根

相当于求解方程 $f^2(x)-B(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$ 。

于是

$$A(x)\equiv A_0(x)-\frac{A_0^2(x)-B(x)}{2A_0(x)}\equiv \frac{A_0(x)}{2}+\frac{B(x)}{2A_0(x)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$$

多项式的整数次方根与二次根一样都可以用类似的方式计算。

多项式的对数运算

对数运算的求解有一个简便的方法：

$$(\ln f(x){)}^{\prime }=\frac{f^{\prime }(x)}{f(x)}$$

于是我们只要多项式求逆并乘法一次再求导积分各一次即可。

当然也可以尝试使用牛顿迭代法，但效率嘛233。

多项式的指数函数

相当于求解方程 $lnf(x)-B(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$ 。

$$A(x)\equiv A_0(x)-\frac{\ln A_0(x)-B(x)}{\frac{1}{A_0(x)}}\equiv A_0(x)(B(x)+1-\ln A_0(x))(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{2m})$$

有了对数运算和指数运算的快速算法就可以在 $O(n\log n)$ 时间内求多项式任意指数幂了。

当然如果是 $FNT$ 的话且项数不多只需要直接对点值进行快速幂，但如果是 $FFT$ 的话则会因为精度问题而不能这样求。

多点求值与快速插值

多点求值

对给定的 $f(x)$ 及 $x_1,x_2,\cdots x_n$ ，求 $f(x_1),f(x_2),\cdots ,f(x_n)$ 。

尝试使用分治算法。

我们知道 $f(a)=f(x)\mathrm{m}\mathrm{o}\mathrm{d}(x-a)$ ，于是问题转化为如何求 $f(x)\mathrm{m}\mathrm{o}\mathrm{d}(x-x_i)$ 。

设
$$P(x)=\prod _{i=1}^{\frac{n}{2}}(x-x_i)$$

对于 $i\le \frac{n}{2}$ ，我们若求出 $Q(x)=f(x)\mathrm{m}\mathrm{o}\mathrm{d}P(x)$ ，那么问题转化为求 $Q(x)\mathrm{m}\mathrm{o}\mathrm{d}(x-x_i)$ ，对另一边也一样。

往下分治即可。

$T(n)=2T(\frac{n}{2})+O(n\log n)=O(n{\log }^{2}n)$ 。

若多项式长度 $m<n$ ，则复杂度 $O(n{\log }^{2}m)$ 。

若 $m>n$ ，则复杂度为 $O(n\log n+m{\log }^{2}m)$ 。

快速插值

求满足 $f(x_1)=y_1,f(x_2)=y_2,\cdots f(x_n)=y_n$ 的多项式 $f(x)$ 。

使用拉格朗日公式：

设

$$M(x)=\prod _{i=1}^n(x-x_i),P_i(x)=\frac{M(x)}{x-x_i}$$

则

$$f(x)=M(x)\sum _{i=1}^n\frac{y_i}{P_i(x_i)(x-x_i)}$$

瓶颈在于 $P_i(x_i)$ ，求出 $P_i(x_i)$ 后我们只需要使用分治 $FFT$ 求出 $f(x)$ 即可。

显然我们不能把 $P_i(x)$ 单独考虑，因此尝试将其合并。

事实上

$$M^{\prime }(x)=\sum _{i=1}^n{P}_i(x),M^{\prime }(x_i)=P_i(x_i)$$

多点求值即可。

依然是 $O(n{\log }^{2}n)$ 。

多项式的上升/下降阶乘幂的求法

由于上升幂与下降幂的求法是一样的，这里以上升幂为例进行说明。

对于已知的 $F(x)$ ，设 $F(x)=\sum _{i=0}^n{a}_i(x{)}^{(i)}$ 。

由于对于任意 $i<j$ 有 $(x{)}^{(i)}$ 是 $(x{)}^{(j)}$ 的因式，因此若求出 $F(x)$ 对 $x^{(i)}$ 的商，我们就会有：

$$\sum _{j\ge i}{a}_j(x{)}^{(j)}=(x{)}^{(i)}\lfloor \frac{F(x)}{(x{)}^{(i)}}\rfloor$$
这样就可以分治了。

求出 $\lfloor \frac{F(x)}{(x{)}^{(\lfloor \frac{n}{2}\rfloor )}}\rfloor$ 之后向两边分治即可，复杂度 $O(n{\log }^{2}n)$ 。

实际上这个问题是多点求值的一个拓展。

多项式的生成函数

会求上升幂以后实际上也自然而然的会求多项式的生成函数了。

根据生成函数的结论 $\frac{1}{(x-1{)}^n}=\sum _{i=0}^{\infty }{C}_{i+n-1}^{n-1}{x}^i$ 我们就可以很容易的还原多项式的生成函数。

但实际上这么做并不够优秀233。

根据生成函数的理论，我们不妨设：

$$\frac{G(x)}{(1-x{)}^{n+1}}=\sum _{i=0}^{\infty }F(i)x^i$$

那么

$$G(x)=(1-x{)}^{n+1}\sum _{i=0}^{\infty }F(i)x^i$$

实际上只需要多点求值之后做一次卷积即可，除去多点求值复杂度 $O(n\log n)$ 。

点值、生成函数与上升/下降阶乘幂的相互转化

点值和生成函数可以 $O(n\log n)$ 时间内相互转化，那上升/下降阶乘幂呢？。

我们实际上可以用生成函数法 $O(n\log n)$ 求出多项式的上升阶乘幂形式。

得到生成函数分子 $G(x)$ 后直接令 $H(1-x)=G(x)$ 也即 $H(x)=G(1-x)$ 将生成函数函数还原为 $\sum _{i=1}^{n+1}\frac{a_i}{(1-x{)}^i}$ 的形式即可求出上升幂。

不过注意这时得到的上升幂并不是真正意义上的上升幂，而是 $\sum _{i=0}^n{a}_i\prod _{j=1}^i(x+j)$ 。

要改成真正意义上的上升幂需要从后往前扫一遍修正系数。

下降阶乘幂和生成函数之间的转化也是类似的。

将生成函数改写为 $\sum _{i=1}^{n+1}\frac{a_{i-1}{x}^{i-1}}{(1-x{)}^i}=\frac{{\sum }_{i=0}^n{a}_i{x}^i(1-x{)}^{n-i}}{(1-x{)}^{n+1}}$ 即可。

二项式反演即可（太懒推不动式子了，剩下的自己推吧）。