多项式算法6：分治 FFT

最新推荐文章于 2023-03-01 19:52:15 发布
最新推荐文章于 2023-03-01 19:52:15 发布
阅读量719 收藏 2
点赞数 1
分类专栏： 多项式 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ha_ing/article/details/125621949
版权

多项式算法6：分治 FFT

前置知识：
FFT
NTT
多项式求逆

分治FFT

分治FFT主要是求解以下问题：

给定序列 g 1 ⋯ g n − 1 g_{1} \cdots g_{n-1} g1​⋯gn−1​，求序列 f 0 ⋯ f n − 1 。 f_{0} \cdots f_{n-1}。 f0​⋯fn−1​。
其中 f i = ∑ j = 1 i f i − j g j f_{i}= \sum_{j=1}^{i}f_{i-j}g_{j} fi​=∑j=1i​fi−j​gj​，边界为 f 0 = 1 f_{0} = 1 f0​=1（边界不一定为1，看题目要求）。

模板题在此。
我们主要有两种求解方法，一种是用生成函数构造然后用多项式求逆的方法求解，另一种是CDQ分治法。

第一种解法（多项式求逆）

我们先设 g 0 = 0 g_0=0 g0​=0，然后构造生成函数得： F ( x ) = ∑ i = 0 ∞ f i x i F(x)=\sum^{\infin}_{i=0}f_i x^i F(x)=i=0∑∞​fi​xi G ( x ) = ∑ i = 0 ∞ g i x i G(x)=\sum^{\infin}_{i=0}g_i x^i G(x)=i=0∑∞​gi​xi相乘得： F ( x ) × G ( x ) = ∑ i = 0 ∞ ∑ j = 0 ∞ f i × g j × x i + j F(x) \times G(x) = \sum^{\infin}_{i=0} \sum^{\infin}_{j=0} f_i \times g_j \times x^{i+j} F(x)×G(x)=i=0∑∞​j=0∑∞​fi​×gj​×xi+j令 k = i + j k=i+j k=i+j，可得： F ( x ) × G ( x ) = ∑ k = 0 ∞ ( ∑ j = 0 k f k − j × g j ) x k F(x) \times G(x) = \sum^{\infin}_{k=0}( \sum^{k}_{j=0} f_{k-j} \times g_{j}) x^k F(x)×G(x)=k=0∑∞​(j=0∑k​fk−j​×gj​)xk由于最高次项为 x n − 1 x^{n-1} xn−1，我们可以在模 x n x^n xn的意义下运算，即 F ( x ) × G ( x ) = ∑ k = 0 n − 1 ( ∑ j = 0 k f k − j × g j ) x k F(x) \times G(x) = \sum^{n-1}_{k=0}( \sum^{k}_{j=0} f_{k-j} \times g_{j}) x^k F(x)×G(x)=k=0∑n−1​(j=0∑k​fk−j​×gj​)xk
k > 0 k \gt 0 k>0时 ∑ j = 0 k f k − j × g j = f k \sum^{k}_{j=0} f_{k-j} \times g_{j} = f_k ∑j=0k​fk−j​×gj​=fk​；
k = 0 k = 0 k=0时 ∑ j = 0 k f k − j × g j = 0 \sum^{k}_{j=0} f_{k-j} \times g_{j} = 0 ∑j=0k​fk−j​×gj​=0。
所以 F ( x ) × G ( x ) = ∑ k = 1 n − 1 f k x k F(x) \times G(x) = \sum^{n-1}_{k=1} f_k x^k F(x)×G(x)=∑k=1n−1​fk​xk，刚好和 F ( x ) F(x) F(x)差了一个 f 0 f_0 f0​，即 F ( x ) × G ( x ) + f 0 = F ( x ) F(x) \times G(x) + f_0 = F(x) F(x)×G(x)+f0​=F(x)。
不难得出： F ( x ) = f 0 1 − G ( x ) F(x)=\frac{f_0}{1-G(x)} F(x)=1−G(x)f0​​这样整个过程就完成了，时间复杂度 Θ ( n log ⁡ 2 n ) \varTheta(n \log^2n) Θ(nlog2n)。

#include <iostream>
#include <cstdio>
#include <algorithm>
#include <cmath>
#include <cstring>
#define ll long long
using namespace std;
const int N = 1 << 22;
const int g = 3 , gi = 332748118 , mod = 998244353;
ll qw( ll a , ll b ) {
	ll ans = 1;
	while ( b ) {
		if( b & 1 ) {
			ans = ans * a % mod;
		}
		a = a * a % mod;
		b >>= 1;
	}
	return ans;
}
int rev[N];
int n;
void pre( int bit ) {
	for ( int i = 0 ; i < ( 1 << bit ) ; ++i ) {
		rev[i] = (rev[i>>1]>>1)|((i&1)<<(bit - 1));
	}
}
void NTT( ll *F , int len , int on ) {
	for ( int i = 0 ; i < len ; ++i ) {
		if ( i < rev[i] ) {
			swap( F[i] , F[rev[i]] );
		}
	}
	for ( int i = 2 ; i <= len ; i <<= 1 ) {
		ll gn = qw( on ? g : gi , ( mod - 1 ) / ( i ) );
		for ( int j = 0 ; j <= len - 1 ; j += i ) {
			ll gg = 1;
			for ( int k = j ; k < j + i / 2 ; ++k ) {
				ll u = F[k];
				ll v = gg * F[k + i / 2] % mod;
				F[k] = (u + v) % mod;
				F[k + i / 2] = ( u - v  + mod ) % mod;
				gg = gg * gn % mod;
			}
		}
	}
	return;
}
ll ta[N] , tb[N];
void solve( int len , ll *a , ll *b ) {
	if( len == 1 ) {
		b[0] = qw( a[0] , mod - 2 );
		return;
	}
	solve( ( len + 1 ) >> 1 , a , b );
	int l = 1;
	int bit = 0;
	while ( l <= len + n ) {
		l <<= 1;
		++bit;
	}
	pre( bit );
	for ( int i = 0 ; i < l ; ++i ) {
		ta[i] = a[i];
		tb[i] = ( i < ( ( len + 1 ) >> 1 ) ? b[i] : 0 );
	}
	NTT( ta , l , 1 );
	NTT( tb , l , 1 );
	for ( int i = 0 ; i < l ; ++i ) {
		ta[i] = tb[i] * ( ( ( 2 - ta[i] * tb[i] ) % mod + mod ) % mod ) % mod;
	}
	NTT( ta , l , 0 );
	ll inv = qw( l , mod - 2 );
	for ( int i = 0 ; i < len ; ++i ) {
		b[i] = ta[i] * inv % mod;
	}
}
ll a[N] , b[N];
int main(){
    scanf("%d",&n);
    for ( int i = 1 ; i < n ; ++i ) {
    	scanf("%lld",&a[i]);
    	a[i] = -a[i];
	}
	a[0] = 1;
	solve( n , a , b );
	for ( int i = 0 ; i < n ; ++i ) {
		printf("%lld ",b[i] * 1ll);
	}
    return 0;
}

第二种解法（CDQ分治）

对于式子 f i = ∑ j = 1 i f i − j g j f_{i}= \sum_{j=1}^{i}f_{i-j}g_{j} fi​=∑j=1i​fi−j​gj​，我们已知 f 0 f_0 f0​，那么可以进一步求出 f 1 f_1 f1​，然后求出 f 2 f_2 f2​， ⋯ \cdots ⋯，一直到 f n − 1 f_{n-1} fn−1​，这样时间复杂度 Θ ( n 2 ) \varTheta(n^2) Θ(n2)。
我们考虑CDQ分治，目前要求解 i ∈ [ l , r ] i \in [l,r] i∈[l,r]所有 f i f_i fi​的解。
假设我们已经解得了 f l ⋯ f m i d f_l \cdots f_{mid} fl​⋯fmid​，下一步考虑如何快速解得 f m i d + 1 ⋯ f r f_{mid + 1} \cdots f_r fmid+1​⋯fr​。
我们可以考虑 f l ⋯ f m i d f_l \cdots f_{mid} fl​⋯fmid​对 f m i d + 1 ⋯ f r f_{mid + 1} \cdots f_r fmid+1​⋯fr​的贡献。
设 T i = ∑ j = l m i d f i − j g j T_i = \sum^{mid}_{j=l}f_{i-j}g_{j} Ti​=∑j=lmid​fi−j​gj​。
我们用 f l ⋯ f m i d f_l \cdots f_{mid} fl​⋯fmid​和 g 0 ⋯ g r − l g_0 \cdots g_{r-l} g0​⋯gr−l​去卷积，就可以得到 T i T_i Ti​序列，累加到 f m i d + 1 ⋯ f r f_{mid + 1} \cdots f_r fmid+1​⋯fr​上面。
f m i d + 1 = ∑ j = 1 m i d + 1 f i − j g j = ∑ j = 1 l − 1 f i − j g j + ∑ j = l m i d f i − j g j f_{mid + 1} = \sum_{j=1}^{mid + 1} f_{i-j}g_{j} = \sum_{j=1}^{l - 1} f_{i-j}g_{j} + \sum_{j=l}^{mid} f_{i-j}g_{j} fmid+1​=j=1∑mid+1​fi−j​gj​=j=1∑l−1​fi−j​gj​+j=l∑mid​fi−j​gj​
前面的和式在前面的分治已经累加了贡献，后半部分就是 T i T_i Ti​，加上即可。
我们就这样一直分治下去，时间复杂度 Θ ( n log ⁡ 2 n ) \varTheta(n \log^2n) Θ(nlog2n)。

#include <iostream>
#include <cstdio>
#include <algorithm>
#include <cmath>
#include <cstring>
#define ll long long
using namespace std;
const int N = 1 << 22;
const int g = 3 , gi = 332748118 , mod = 998244353;
ll qw( ll a , ll b ) {
	ll ans = 1;
	while ( b ) {
		if( b & 1 ) {
			ans = ans * a % mod;
		}
		a = a * a % mod;
		b >>= 1;
	}
	return ans;
}
int rev[N];
int n;
void pre( int bit ) {
	for ( int i = 0 ; i < ( 1 << bit ) ; ++i ) {
		rev[i] = (rev[i>>1]>>1)|((i&1)<<(bit - 1));
	}
}
void NTT( ll *F , int len , int on ) {
	for ( int i = 0 ; i < len ; ++i ) {
		if ( i < rev[i] ) {
			swap( F[i] , F[rev[i]] );
		}
	}
	for ( int i = 2 ; i <= len ; i <<= 1 ) {
		ll gn = qw( on ? g : gi , ( mod - 1 ) / ( i ) );
		for ( int j = 0 ; j <= len - 1 ; j += i ) {
			ll gg = 1;
			for ( int k = j ; k < j + i / 2 ; ++k ) {
				ll u = F[k];
				ll v = gg * F[k + i / 2] % mod;
				F[k] = (u + v) % mod;
				F[k + i / 2] = ( u - v  + mod ) % mod;
				gg = gg * gn % mod;
			}
		}
	}
	return;
}
ll f[N] , gg[N];
void mul( ll *a , ll *b , int bit ) {
	pre( bit );
	int len = ( 1 << bit );
	NTT( a , len , 1 );
	NTT( b , len , 1 );
	for ( int i = 0 ; i < len ; ++i ) {
		a[i] = a[i] * b[i] % mod;
	}
	NTT( a , len , 0 );
	ll inv = qw( (ll)len , mod - 2 );
	for ( int i = 0 ; i < len ; ++i ) {
		a[i] = a[i] * inv % mod;
	}
}
ll a[N] , b[N];
void solve( int l , int r ) {
	if( l == r ) {
		return;
	}
	int mid = ( l + r ) >> 1;
	solve( l , mid );
	int bit = 0;
	int len = 1;
	while ( len <= ( mid - l ) + ( r - l ) ) {
		len <<= 1;
		++bit;
	}
	for ( int i = 0 ; i < len ; ++i ) {
		a[i] = b[i] = 0;
	}
	for ( int i = l ; i <= mid ; ++i ) {
		a[i - l] = f[i];
	}
	for ( int i = 0 ; i <= r - l ; ++i ) {
		b[i] = gg[i];
	}
	mul( a , b , bit );
	for( int i = mid + 1 ; i <= r ; ++i ) {
		f[i] = ( f[i] + a[i - l] ) % mod;
	}
	solve( mid + 1 , r );
	return;
}
int main(){
    scanf("%d",&n);
    for ( int i = 1 ; i < n ; ++i ) {
    	scanf("%lld",&gg[i]);
	}
	gg[0] = 0;
	f[0] = 1;
	solve( 0 , n - 1 );
	for ( int i = 0 ; i < n ; ++i ) {
		printf("%lld ",f[i]);
	}
    return 0;
}

其实多项式求逆法时间效率上强于CDQ分治法。

ha_ing
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
算法导论 多项式FFT Matlab实现
04-14
总结来说，"算法导论 多项式FFT Matlab实现"这个主题涉及到的是使用快速傅里叶变换来高效地计算多项式乘法，MATLAB的fft函数为我们提供了方便的工具。理解FFT的原理和应用，不仅可以提升编程技能，也是深入理解数字...
分治FFT（NTT）
最新发布
tanjunming2020的博客
04-29 3334
### 前言 分治$FFT$是基于分治的算法，通过每次计算左区间对右区间的贡献，来降低$FFT$的时间复杂度。
【学习笔记】分治FFT
繁凡さん的博客
07-06 1348
分治FFT 1. Luogu P4721 【模板】分治 FFT Problem 给定序列 g1…n−1g_{1\dots n - 1}g1…n−1​ ，求序列 f0…n−1f_{0\dots n - 1}f0…n−1​ 。 其中 fi=∑j=1ifi−jgjf_i=\sum_{j=1}^if_{i-j}g_jfi​=∑j=1i​fi−j​gj​ ，边界为 f0=1f_0=1f0​=1。 答案对 998244353998244353998244353 取模。 Solution 显然直接暴力FFT是 O(n2l
分治FFT小结
weixin_45539557的博客
08-25 611
分治FFT小结 分治FFT本质上是分治+FFT 暂时两种套路 1.fi=∑j=1ifi−jgjf_i=\sum\limits_{j=1}^{i}f_{i-j}g_jfi​=j=1∑i​fi−j​gj​ ororor fi=∑j=0i−1fjgi−jf_i=\sum\limits_{j=0}^{i-1}f_jg_{i-j}fi​=j=0∑i−1​fj​gi−j​ 即前面对自己转移 直接卷积枚举每个点卷积的复杂度是O(n2logn)O(n^2logn)O(n2logn) 考虑CDQCDQCDQ分治，先处理
分治思想-快速傅立叶变换(FFT)
Chary的Blog
08-02 1717
引言 DFT：离散傅立叶变换，求一个多项式在n个特殊点的值； FFT：DFT的改进的快速实现 常见应用：两个多项式相乘（和两个n位整数相乘）；时频变换；求解偏微分方程； FFT中运用了分治的思想 问题描述 给定一个多项式A(x)=a0+a1x+...+an−1xn−1A(x) = a_0+a_1x+...+a_{n-1}x^{n-1}A(x)=a0​+a1​x+...+an−1​xn−1,求其在给定的点:1,ω,ω2,...,ωn−11,\omega,\omega^2,...,\omega^{n-1}1,ω
分治FFT
weixin_30955341的博客
08-01 126
分治FFT 概述 严格的分治FFT为“一般形式”，而我们把所有带有FFT的分治都称为分治FFT，所以这个名称并没有什么意义。 分治FFT代码比较复杂，低阶的比赛里应该不会出现。 一般形式 严格的分治FFT负责解决类似\(\displaystyle b_k=\sum^{k-1}_{i=1}{b_ia_{k-i}}\)的数列，其中整个式子的形状符合卷积，且所求数列的每一项都依赖于前面的项。 ...
fft算法压缩包
04-21
本压缩包包含的是用C语言实现的FFT算法，以及使用该算法进行两个多项式乘积的示例。 FFT算法的核心思想是将一个较大的DFT分解为较小的DFT，并通过复数乘法和加法来组合这些小的DFT结果。这一过程利用了DFT的对称性...
分治法：快速傅里叶变换算法.pdf
09-30
1. Cooley-Tukey 算法是最常见的 FFT 算法，这一方法以分治法为策略递归地将长度为 N 的 DFT 分解为长度为 N/2 的个较短序列的 DFT，以及与个旋转因子的复数乘法。 2. Rader-Brenner 算法是类似于 Cooley-Tukey 算法...
一元多项式乘法算法
03-18
总结来说，一元多项式乘法算法是计算机科学中的基础运算，可以采用多种方法实现，包括传统的直接乘法和更高效的算法如Karatsuba和FFT。`Poly.java` 文件很可能是用于表示和操作一元多项式的Java类，它包含了一元...
ACM退役贴汇集.docx
02-10
这次WF之战不太顺利，早期的C题大概花了1秒钟构思，然而由于输出格式多了一个空格直到两个半小时才逃脱Wrong Answer的纠缠。还好lynncui在期间独挡一面过掉D。最终成绩不好，然而没有遗憾，从不遗憾。 相比之下，来自全球的队伍让我看到了很强大的实力，每一道题都有人过，包括SJTU欺骗性提交的H都被人干掉了。身为地球人我感到自豪。 WF之旅很奢华（Sample: 1300一晚的酒店，99一顿的早餐），活动很多，服务很好。但最终念念不舍的是各位一见如故的朋友们，至于为什么一见如故我也不得而知。按HH师傅说，That's what ACM brings to us。也感激于HH师傅作为浙大教练，却为我们摄下了更多的赛场瞬间。 早早就打算把今年作为退役战，因为我相信，大学生涯完全耗散在一门竞赛上是不太妥当的事情。然这次的经历让我特别舍不得各路朋友们，如果有机会还是很想拉大伙喝一些酒，谈一下天。虽说退役，此后我仍然会找有趣的题目做做，仍然会投入很多时间在算法之中，但不再关心比赛的事情。
FFT 多项式乘法 C代码
02-04
在这个主题中，我们将深入探讨如何使用C语言实现FFT来优化多项式乘法的算法。 首先，我们要理解多项式乘法的传统方法，如卡尔丹诺公式或链接表法，这些方法的时间复杂度通常是O(n^2)，其中n是多项式的度。而FFT可以...
简明的FFT分治法学习记录
m0_61516444的博客
03-01 103
简明的FFT分治法学习记录
分治FFT浅析
jziwjxjd的博客
12-21 1000
给定序列g1......n−1g_{1......n-1}g1......n−1​,求序列f0......n−1f_{0......n-1}f0......n−1​ 已知f[i]=∑j=1if[j]∗g[i−j]f[i]=\sum\limits_{j=1}^if[j]*g[i-j]f[i]=j=1∑i​f[j]∗g[i−j] 其中f[0]=1,g[0]=0f[0]=1,g[0]=0f[0]=1,g[0]=0 暴力 观察这个式子,有一个很暴力的想法 f[i]=∑j=1if[j]∗g[i−j]f[i]=\s.
FFT（最详细最通俗的入门手册）
热门推荐
逐梦者
07-24 6万+
声明首先，我需要声明，本文是在转载的基础上稍微修饰的，经过原创作者 ZLH_HHHH（佐理慧学姐） 的许可方才转载并修饰的，由于我就是初学者，并且是数学渣滓，所以我学姐建议我写一下残疾人手册，我当然是欣然接受！！！正文：文章写的有点急。有错误的地方望指出 我学习 FFT 是一个比较慢的过程。 期间反反复复。 我写这篇博文只是一个非常浅显的理解。同时也可以帮助初学者在学习FFT的时候。有所偏重。避免
分治法求多项式的值
dianshu1593的博客
09-23 568
问题：设多项式 $A(x) = a_0 + a_1x + ...+a_{n-1}x^{n-1}$，求多项式在某点的值。 分析： 将多项式按奇偶分类： 设 $A_{even}(x)$ 为偶数项系数构造的多项式，$A_{odd}(x)$ 为奇数项系数的多项式 $\begin{aligned}A(x) &= a_0 + a_1x + ...+a_{n-1}x^{n-1} \\&...
分治FFT学习笔记
weixin_30911809的博客
10-04 245
分治FFT\rm FFTFFT与其优化 前置知识 ： 快速傅里叶变换，快速数论变换，多项式求逆，CDQ分治，生成函数。 【（蒟蒻的学习笔记）FFT\rm FFTFFT NTT\rm NTTNTT】【或者可以自行去看其他更好的博客讲解】 进入正题 引入问题 已知函数g(x)g(x)g(x)在x∈[1,n−1]x\in [1,n-1]x∈[1,n...
数学专题小结：FFT算法
Skyline
09-02 1万+
快速傅里叶变换（FFT，Fast Fourier Transform）是信号处理的常用手段，可以把时域信号变成频域信号，时域的卷积运算对应于频域就成了简单的乘法运算。由于两个多项式的乘积，其系数的运算实际上也是一种卷积运算，因此可以用FFT来计算多项式的乘法。网上关于FFT算法的讲解大多都是工程领域的，这里从算法竞赛的角度来剖析一下怎么简洁而高效的实现FFT。 一，为什么要用FFT来计算
[FFT]快速傅里叶变换（分治版）
qq_15647239的博客
05-29 1020
FFT真好恰！ #include<iostream> #include<cstdio> #include<cstring> #include<cmath> #include<algorithm> #include<complex> using namespace std; #define cp complex<doubl...
一元多项式的加法减法乘法的实现.pdf
10-30
- **多项式乘法**：通常采用Karatsuba算法或FFT（快速傅里叶变换）等高效算法，但对于小型多项式，简单的项与项之间的乘法和合并可能更为实用。 5. **设计要求**： - **多项式判断**：首先判断输入的多项式是否...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值