【学习笔记】多项式全家桶

前置知识：生成函数入门

$1.1$ 多项式乘法逆元：给定多项式$f(x)$，求$f^{-1}(x)(\mathrm{mod}{x}^n)$。保证$f_0\ne 0$。

首先，当$n=1$时，$[x^0]f^{-1}(x)=([x^0]f(x){)}^{-1}$。

设我们已经求出了模$x^{\frac{n}{2}}$意义下的解$f_0(x)$，有：

$$f^{-1}(x)-f_0(x)\equiv 0(\mathrm{mod}{x}^{\frac{n}{2}})$$

两边平方可得：

$$f^{-2}(x)-2f^{-1}(x)f_0(x)+f_0^2(x)\equiv 0(\mathrm{mod}{x}^n)$$

两边同乘$f(x)$，解得：

$$f^{-1}(x)\equiv f_0(x)(2-f_0(x)f(x))(\mathrm{mod}{x}^n)$$

复杂度$O(n\log n)$。

$1.2$ 泰勒级数和麦克劳林级数：

泰勒级数用无限项连加式来表示函数。一般的，对于一个光滑函数$f(x)$，有

$$f(x)=\sum _{n=0}\frac{f^{(n)}(a)}{n!}(x-a{)}^n$$

这个式子被称为$f(x)$在$a$处的泰勒展开式；在$0$处的展开式也被称为麦克劳林展开式或麦克劳林级数。

$1.3$ 一般的 Newton’s Method：

一般用于求解非线性方程$f(x)=0$的根。算法如下：

• 选取一个合适的数作为$x_0$
• 将$f(x)$在$x_0$处展开，即$f(x)={\sum }_{n=0}\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n$
• 取其常数项和线性项的系数，令其等于$0$，即$f(x_0)+f^{\prime }(x_0)(x-x_0)=0$
• 解得这个近似线性方程的根$x_1$，可以证明证明每个新解都更接近$f(x)=0$的根

$1.4$ Newton’s Method 在多项式中的 Methodology：

已知函数$g$且$g(f(x))=0$，求$f(x)(\mathrm{mod}{x}^n)$。

首先当$n=1$时，可以解得$f_0=-\frac{g_0}{g_1}$。

设我们已经求出了模$x^{\frac{n}{2}}$意义下的解$f_0(x)$，将$g(f(x))$在$f_0(x)$处泰勒展开：

$$g(f(x))=\sum _{i\ge 0}\frac{g^{(i)}(f_0(x))}{i!}(f(x)-f_0(x){)}^i\equiv 0(\mathrm{mod}{x}^n)$$

因为$f(x)-f_0(x)$的最低非零项为$x^{\frac{n}{2}}$，因此：

$$g(f(x))=g(f_0(x))+g^{\prime }(f_0(x))(f(x)-f_0(x))\equiv 0(\mathrm{mod}{x}^n)$$

则：

$$f(x)\equiv f_0(x)-\frac{g(f_0(x))}{g^{\prime }(f_0(x))}(\mathrm{mod}{x}^n)$$

$1.5$ 多项式开根：

定义方程$g(f(x))=f^2(x)-F(x)$

应用 Newton’s Method 可得：

$$f(x)\equiv \frac{f_0^2(x)+F(x)}{2f_0(x)}(\mathrm{mod}{x}^n)$$
复杂度$O(n\log n)$。

$1.6$ 多项式带余除法：

我们定义$n$次多项式的反转操作$F^T(x)=x^{n}F(x^{-1})$

那么$F(x)=Q(x)G(x)+R(x)$，其中$F(x)$和$G(x)$已知

换元得到$F(x^{-1})=Q(x^{-1})G(x^{-1})+R(x^{-1})$

两边同乘$x^n$：$x^{n}F(x^{-1})=x^{n}Q(x^{-1})G(x^{-1})+x^{n}R(x^{-1})$

写成反转的形式，$F^T(x)=Q^T(x)G^T(x)+x^{n-m+1}{R}^T(x)$

两边同时模$x^{n-m+1}$，得到$F^T(x)=Q^T(x)G^T(x)(\mathrm{mod}{x}^{n-m+1})$

变形得$Q^T(x)=F^T(x)G^T(x{)}^{-1}(\mathrm{mod}{x}^{n-m+1})$

求出$Q^T(x)$后翻转即可得到$Q(x)$。

$R(x)=F(x)-Q(x)G(x)$，容易算出余数。

复杂度$O(n\log n)$。

$1.7$ 多项式$\ln ,\exp$

两者均由麦克劳林级数定义：

$$\begin{gathered} \ln (F(x))=-\sum _{i\ge 1}\frac{(1-F(x){)}^i}{i} \\ \exp (F(x))=\sum _{i\ge 0}\frac{F(x{)}^i}{i!} \end{gathered}$$

在这个定义下，$\ln$和$\exp$仍为互逆运算。

$\mathrm{1.7.1}$ 给定$n$次多项式$F(x)$，求$\ln (F(x))(\mathrm{mod}{x}^n)$，保证$f_0=1$

相当于$G(x)\equiv \ln (F(x))(\mathrm{mod}{x}^n)$

两边同时求导（链式法则），$G^{\prime }(x)\equiv \frac{F(x{)}^{\prime }}{F(x)}(\mathrm{mod}{x}^n)$

两边同时积分，$G(x)\equiv \int \frac{F(x{)}^{\prime }}{F(x)}(\mathrm{mod}{x}^n)$

需要一次多项式求导，一次多项式求逆，一次多项式积分。复杂度$O(n\log n)$。

$\mathrm{1.7.2}$ 给定$n-1$次多项式$F(x)$，求$\exp (F(x))(\mathrm{mod}{x}^n)$，保证$f_0=0$

相当于$G(x)\equiv \exp (F(x))(\mathrm{mod}{x}^n)$

即$F(x)-\ln (G(x))\equiv 0$，定义$g(f(x))=F(x)-\ln (f(x))$，带入 Newton’s Method 得

$$\begin{array}{rl}f(x)& \equiv f_0(x)-\frac{g(f_0(x))}{g^{\prime }(f_0(x))}\\ & \equiv f_0(x)-(\ln f_0(x)-F(x))\ast f_0(x)\\ & \equiv f_0(x)(1-\ln f_0(x)+F(x))(\mathrm{mod}{x}^n)\end{array}$$

需要多项式$\ln$。套娃了是吧 复杂度$O(n\log n)$。

PS：似乎分治 NTT 更好写。

$1.8$ 多项式快速幂
给定$n$次多项式$F(x)$，求$F(x{)}^k(\mathrm{mod}{x}^n)$，保证$f_0=1$。

公式非常简单：$F(x{)}^k=\exp (k\ln F(x))$。

复杂度$O(n\log n)$。

也可以暴力 NTT。显然后者更好写。

$1.9$ 任意多项式快速幂
给定$n$次多项式$F(x)$，求$F(x{)}^k(\mathrm{mod}{x}^n)$，不保证$f_0=1$

记$F(x)=c{x}^{m}G(x)$，其中$g_0=1$

那么$F(x{)}^k=c^k{x}^{mk}G(x{)}^k$，可以计算。

复杂度$O(n\log n)$。

upd on 2023/12/27：修改了部分公式。

PS：知道你们想要模板（这玩意谁会每次都打一遍啊），但是由于笔者的多项式板子常数太大了，笔者感觉到多项式exp的部分有较大的常数优化空间（例如，递推求解$f_0(x)$的逆），但是网上关于这方面的资料似乎很少，所以咕掉了。