多项式全家桶——炫酷多项式变换

最新推荐文章于 2023-12-27 02:13:51 发布

dilei7762

最新推荐文章于 2023-12-27 02:13:51 发布

阅读量259

点赞数

原文链接：http://www.cnblogs.com/Canopus-wym/p/10376339.html

版权

文章目录

FFT
- 常数优化1——IDFT
- 常数优化2
MTT
- 常数优化
多项式求逆
- 常数优化
多项式取对数
牛顿迭代
多项式求指数
多项式开方
拉格朗日反演

FFT

~~相信大家FFT已经掌握的很熟练了。~~

参考这一篇博客：浅谈算法——从多项式乘法到FFT

常数优化1——IDFT

若已知多项式 $A (x)$ 的点值表示
$<(\omega_n^0,A(\omega_n^0)),(\omega_n^1,A(\omega_n^1)),\cdots,(\omega_n^{n-1},A(\omega_n^{n-1}))>$
则多项式 $A (x)$ 满足
$[x^{rev(k)}]A(x)=\frac{1}{n}\sum_{i=0}^{n-1}\omega_n^{ki}A(\omega_n^i)$
其中
$rev(k)=\begin{cases} 0 & k=0\\ n-k-1 & k\not= 0 \end{cases}$
就是说：IDFT只需要调用DFT函数然后std::reverse(a+1,a+n+1)，最后同时除以 $n$ 即可。

证明：假设
$A(x)=\sum_{i=0}^{n-1}a_ix^i$
那么
$[x^{rev(k)}]A(x)=\frac{1}{n}\sum_{i=0}^{n-1}\omega_n^{ki}\sum_{j=0}^{n-1}a_j\omega_n^{ij}$
交换两个求和符号
$[x^{rev(k)}]A(x)=\frac{1}{n}\sum_{i=0}^{n-1}a_i\sum_{j=0}^{n-1}\omega_n^{ij}\omega_n^{kj}$
显然
$[x^{rev(k)}]A(x)=\frac{1}{n}\sum_{i=0}^{n-1}a_i\sum_{j=0}^{n-1}\omega_n^{(i+k)j}$
此时，若 $i = r e v (k)$ ，则 $i+k=0(&VeryThinSpace;mod&VeryThinSpace;n)i+k=0(\bmod n)$ ，此时
$\omega_n^{(i+k)j}=1$
即
$\sum_{j=0}^{n-1}\omega_n^{(i+k)j}=n$
否则由等比数列求和公式
$\sum_{j=0}^{n-1}\omega_n^{(i+k)j}=\frac{1-\omega_n^{(i+k)n}}{1-\omega_n^{i+k}}=0$
因此
$[x^{rev(k)}]A(x)=\frac{1}{n}a_{rev(k)}n=a_{rev(k)}$

常数优化2

假设有两个实多项式 $A (x), B (x)$ ，现在要求出他们两个的FFT后的结果。若
$P (x) = A (x) + i B (x)$
则
$A(\omega_n^k)=\frac{P(\omega_n^k)+\mathrm{conj}(P(\omega_n^{rev(k)}))}{2}\\ B(\omega_n^k)=i\frac{P(\omega_n^k)-\mathrm{conj}(P(\omega_n^{rev(k)}))}{2}$
其中 $i=−1i=\sqrt{-1}$ ， $conj(x)\mathrm{conj}(x)$ 为 $x$ 的共轭虚数。

证明：容易发现，我们只需要证明
$\mathrm{conj}(P(\omega_n^{rev(k)}))=A(\omega_n^k)-iB(\omega_n^k)$
即可得证。

假设
$A(x)=\sum_{i=0}^{n-1}a_ix^i\\ B(x)=\sum_{i=0}^{n-1}b_ix^i$
那么
$A(\omega_n^k)-iB(\omega_n^k)=\sum_{j=0}^{n-1}a_j\omega_n^{kj}-i\sum_{j=0}^{n-1}b_j\omega_n^{kj}$
由于
$\omega_n^k=\cos\frac{2\pi k}{n}+i\sin\frac{2\pi k}{n}$
带入得
$A(\omega_n^k)-iB(\omega_n^k)=\sum_{j=0}^{n-1}a_j(\cos \frac{2\pi kj}{n}+i\sin\frac{2\pi kj}{n})+\sum_{j=0}^{n-1}b_i(-i\cos \frac{2\pi kj}{n}+\sin \frac{2\pi kj}{n})$
而由于 $ωnrev(k)=ωn−k\omega_n^{rev(k)}=\omega_n^{-k}$
$\mathrm{conj}(P(\omega_n^{rev(k)}))=\mathrm{conj}(A(\omega_n^{-k})+iB(\omega_n^{-k}))$
即
$\mathrm{conj}(P(\omega_n^{rev(k)}))=\mathrm{conj}(\sum_{j=0}^{n-1}a_j(\cos(-\frac{2\pi kj}{n})+i\sin(-\frac{2\pi kj}{n}))+\sum_{j=0}^{n-1}b_j(i\cos(-\frac{2\pi kj}{n})-\sin(-\frac{2\pi kj}{n})))$
由于 $sin⁡(−x)=−sin⁡x,cos⁡(−x)=cos⁡x\sin (-x)=-\sin x,\cos(-x)=\cos x$
$\mathrm{conj}(P(\omega_n^{rev(k)}))=\mathrm{conj}(\sum_{j=0}^{n-1}a_j(\cos \frac{2\pi kj}{n}-i\sin \frac{2\pi kj}{n})+\sum_{j=0}^{n-1}b_j(i\cos\frac{2\pi kj}{n}+\sin \frac{2\pi kj}{n}))$
由于 $a_j,b_j$ 是实数，因此
$\mathrm{conj}(P(\omega_n^{rev(k)}))=A(\omega_n^k)-iB(\omega_n^k)$
因此，我们将两个多项式的FFT变成了一个多项式的FFT。

MTT

对于两个多项式
$A (x), B (x)$
求多项式乘法， $&VeryThinSpace;mod&VeryThinSpace;109+7\bmod 10^9+7$ 之类的质数。

不能NTT，FFT的精度误差太大，怎么办？

假设这个质数为 $p$ ，令 $p′=⌊p⌋p'=\lfloor\sqrt{p}\rfloor$
$A(x)=p'Q_A(x)+R_A(x)\\ B(x)=p'Q_B(x)+R_B(x)$
其中 $R_A(x)$ 和 $R_B(x)$ 的每一项的系数都 $< p^{'}$ ，那么
$A(x)B(x)=p'^2Q_A(x)Q_B(x)+p'(Q_A(x)R_B(x)+Q_B(x)R_A(x))+R_A(x)R_B(x)$
这样能大大减小精度误差。

常数优化

使用上面FFT部分中提到的常数优化2即可。

多项式求逆

$A(x)F(x)=1\mod{x^n}$

其中 $n$ 是多项式 $A (x)$ 的度数。

假设我们已经求出了
$A(x)F_0(x)=1\mod x^{\lceil n/2\rceil}$
上面两式相减
$F(x)-F_0(x)=0\mod x^{\lceil n/2\rceil}$
两边平方
$F^2(x)-2F(x)F_0(x)+F_0^2(x)=0\mod x^n$
左右同时乘以 $A (x)$
$F(x)-2F_0(x)+A(x)F_0^2(x)=0\mod x^n$
即
$F(x)=2F_0(x)-A(x)F_0^2(x)\mod x^n$

常数优化

对于MTT在多项式求逆上的常数优化，参见这篇文章：一个多项式求逆的卡常技巧

多项式取对数

$F(x)=\ln A(x)\mod x^{n}$

考虑对两边同时求导
$F'(x)=A^{-1}(x)A'(x)\mod x^n$
因此
$F(x)=\int A^{-1}(x)A'(x)\mathrm dx$

牛顿迭代

对于一个多项式 $F (x)$ ，满足
$G(F(x))=0\mod x^n$
$G (x)$ 已知，现在要求 $F (x)$ 。

假设已经求出了
$G(F_0(x))=0\mod x^{\lceil n/2\rceil}$
考虑对 $G (F (x))$ 在 $F_0(x)$ 处展开
$G(F(x))=G(F_0(x))+\frac{G'(F_0(x))}{1!}(F(x)-F_0(x))+\frac{G''(F_0(x))}{2!}(F(x)-F_0(x))^2+\cdots$
注意这里的 $G^{'} (F (x))$ 是 $G (F (x))$ 对 $F (x)$ 取导数的结果。

由于 $F (x)$ 和 $F_0(x)$ 的最后 $⌈n2⌉\lceil \frac{n}{2}\rceil$ 项相同，因此
$(F(x)-F_0(x))^k=0\mod x^n$
在 $k≥2k\geq 2$ 时都成立。

因此
$G(F(x))=G(F_0(x))+G'(F_0(x))(F(x)-F_0(x))\mod x^n$
由于
$G(F_0(x))=0\mod x^n$
因此
$F(x)=F_0(x)-\frac{G(F_0(x))}{G'(F_0(x))}\mod x^n$

多项式求指数

$F(x)=e^{A(x)}\mod x^n$

两边同时取对数得到
$\ln F(x)=A(x)\mod x^n$
令
$G(F(x))=\ln F(x)-A(x)=0\mod x^n$
容易发现
$G'(F(x))=F^{-1}(x)\mod x^n$
套牛顿迭代公式，假设我们已经求出了
$\ln F_0(x)-A(x)=0\mod x^{\lceil n/2\rceil}$
则
$F(x)=F_0(x)-F_0(x)(\ln F_0(x)-A(x))\mod x^n$
更优雅的式子是
$F(x)=F_0(x)(1-\ln F_0(x)+A(x))\mod x^n$

多项式开方

$F^2(x)=A(x)\mod x^n$

考虑
$G(F(x))=F^2(x)-A(x)=0\mod x^n$
容易发现
$G'(F(x))=2F(x)\mod x^n$
套牛顿迭代公式，假设我们已经求出了
$F_0^2(x)-A(x)=0\mod x^{\lceil n/2\rceil}$
即有
$F(x)=F_0(x)-2^{-1}F_0^{-1}(x)(F_0^2(x)-A(x))\mod x^n$
更优雅的式子是
$F(x)=2^{-1}(F_0(x)+A(x)F_0^{-1}(x))\mod x^n$

拉格朗日反演

令
$G (F (x)) = x$
已知 $G (x)$ 要求 $F (x)$ 。其中， $G (x)$ 无常数项。

经过一些奥妙重重的变换可以得到
$[x^n]F(x)=\frac{1}{n}[x^{n-1}]\frac{1}{G'^n(x)}$
其中
$G'(x)=\frac{G(x)}{x}$
为啥？我也不知道……

UPD：证明

转载于:https://www.cnblogs.com/Canopus-wym/p/10376339.html

dilei7762

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
多项式全家桶——炫酷多项式变换

文章目录FFT常数优化1——IDFT常数优化2MTT常数优化多项式求逆常数优化多项式取对数牛顿迭代多项式求指数多项式开方拉格朗日反演FFT相信大家FFT已经掌握的很熟练了。参考这一篇博客：浅谈算法——从多项式乘法到FFT常数优化1——IDFT若已知多项式A(x)A(x)A(x)的点值表示&lt;(ωn0,A(ωn0)),...
复制链接

扫一扫