【总结】多项式相关的各种算法

---

基本概念

定义形如这样的函数为多项式：

$f(x)={\sum }_{i=0}^{n-1}{a}_i{x}^i$

其中$n$为多项式的项数(系数为0的项也是项)，$n-1$为多项式的最高次幂，$a_i$为多项式中$i$次项的系数。

---

符号约定&说明

• 一般情况下，函数自变量均用$x$表示。
• $f(x)$表示$f$这个多项式
• $f(a)$表示自变量$x=a(a为给定的数)$时$f$的函数值
• $f[n]$表示多项式$f$中$x^n$一项的系数
• $deg(f)$表示多项式$f$的项数，也即最高次幂$-1$
• 求积分时，常数项默认为$0$

---

求导&积分

求导：

对于某一项$x^n$，求导为$n{x}^{n-1}$。

设$h(x)=f^{\prime }(x)$，则$h[n]=(n+1)f[n+1](0\le n<deg(h))$)

inline void getderivative(int n,int *f,int *h)
{
   
    for(int i=0;i<n;++i) h[i]=mul(f[i+1],i+1);
    h[n]=0;
}

积分：

设$h(x)=\int f(x)dx$，则$h[n]=\frac{f[n-1]}{n}(0<n<deg(h),h[0]=0)$

inline void getintegration(int n,int *f,int *h)
{
   
    for(int i=1;i<n;++i) h[i]=mul(f[i-1],inv[i]);//inv[i] i的逆元
    h[0]=0;
}

点值表示&拉格朗日插值

拉格朗日插值讲解

多项式$f(x)$不仅可以用每一项系数表示，由拉格朗日插值法，得到也可以用$deg(f)$个二元组$(x_i,f(x_i))(x_i̸=x_j,i̸=j)$来表示，也就是用$n$个点来描述一个$n$项多项式(即为点值表达式)：

f ( x ) ∈ { d e g ( f ) &lt; n 且 ∀ 0 ≤ i &lt; n , f ( x i ) = y i , x i ≠ x j , i ≠ j } f(x)\in \{ deg(f)&lt;n 且 \forall 0\leq i&lt; n,f(x_i)=y_i,x_i\neq x_j,i\neq j\} f(x)∈{ deg(f)<n且∀0≤i<n,f(xi​)=yi​,xi​̸​=xj​,i̸​=j}

这种用点描述多项式的形式称为多项式的点值表示，由点值转化为系数式的过程称为插值。

---

卷积(Karatsuba算法&FTT&NTT)

多项式之间的乘积称为卷积。

设$h(x)=f(x)\ast g(x)(\ast 即为卷积符号)$，则$h[n]={\sum }_{i=0}^{n}f[i]g[n-i](0\le n<deg(h))$。

设$deg(h)=N$。直接求多项式卷积，复杂度是$N^2$的，使用分治的$Karatsuba$算法可复杂度为$O(n^{lo{g}_{2}3})=O(n^{1.585})$，使用$FFT/NTT$可以将复杂度降到$NlogN$。

$Karatsuba$算法原理是利用

$$\begin{gathered} (A{x}^{\frac{2}{n}}+B)(C{x}^{\frac{2}{n}}+D) \\ =AC{x}^n+((A+B)(C+D)-AC-BD)x^{\frac{2}{n}}+BD \end{gathered}$$

不断递归减少乘法次数。

而$FFT/NTT$的基本思想都是利用单位复根/单位原根并采用分治策略先将$f(x),g(x)$转化为点值表示，在点值上处理为$h(x)$的点值表示(显然$f(a)g(a)=h(a)$)，再转化为$h(x)$，因为$FFT$中涉及大量虚数实数运算，精度和常数都很感人，所以常用单模数$NTT$，但限制模数为质数。

这里假设大家都已经会$FFT,NTT$，就不详细展开了。

这里先给出$NTT$代码(下文省略)，以及习惯性模运算优化：

inline void NTT(int *e,int ptr,int len)//ptr=1 正变换 ptr=0 逆变换
{
   
    int i,j,k,ori,G,pd,ix,iy;G= ptr? g:inv[g];//g:原根 inv[g]:g的逆元 
    for(i=1;i<len;++i) if(i<rv[i]) swap(e[i],e[rv[i]]);
    for(i=1;i<len;i<<=1){
   
        ori=fp(G,(mod-1)/(i<<1));
        for(j=0;j<len;j+=(i<<1)){
   
            pd=1;
            for(k=0;k<i;++k,pd=mul(pd,ori)){
   
                ix=e[j+k];iy=mul(e[i+j+k],pd);
                e[j+k]=ad(ix,iy);e[i+j+k]=dc(ix,iy);
            }
        }
    }
    if(ptr) return;
    for(i=0;i<len;++i) e[i]=mul(e[i],inv[len]);
}

inline int ad(int x,int y) {
   x+=y;if(x>=mod) x-=mod;return x;}
inline int dc(int x,int y) {
   x-=y;if(x<0) x+=mod;return x;}
inline int mul(int x,int y) {
   return 1ll*x*y%mod;}

---

牛顿迭代

解近似方程根$h(x)=0$的一种方法。

设$h(x)$当前近似解为$x_n$，进一步迭代：

$x_{n+1}=x_n-\frac{h(x_n)}{\frac{h^{\prime }(x_n)}{x_n}}$

引申：当$h(x)$中嵌套一个$f(x)$构成复合函数$h(f(x))=0$，同样可以牛顿迭代倍增求解近似的$f(x)$，满足$g(x)\equiv h(f_n(x))\equiv 0(mod{x}^{2^n})$。

$f_{n+1}(x)\equiv f_n(x)-\frac{g(x)}{g^{\prime }(x)}(mod{x}^{2^{n+1}})$

注：$g^{\prime }(x)$是$g$对$h$的偏导，$g^{\prime }(x)=h^{\prime }(f_n(x))$。

上式可以用泰勒展开证明当$f_{}$