数论大杂烩

数论大杂烩

Latex渲染方式使用SVG可避免出现迷之竖线（如果SVG无法显示，还是换回去吧

---

定义:

元函数：$e(n)=[n=1]$
恒等函数：$I(n)=1$（为什么叫恒等函数呢…明明是恒1函数）
单位函数：$id(n)=n$
欧拉函数：$\varphi(n)=\sum_{i=1}^n[gcd(n,i)=1]$，比$n$小且与$n$互质的数的个数
约数个数函数：$\tau(n)$ 或 $d(n)$，$\tau(n)=\sum_{d\mid n}1$
约数和函数：$\sigma(n)=\sum_{d\mid n}d$
莫比乌斯函数：$\mu(n)=百度百科$ 传送门

证明:$m\%n = d\cdot (a\%b)\qquad a\cdot d=m\ \ ,\ \ b\cdot d=n$

其实很简单：$m\%n = m-\left\lfloor\frac{m}{n}\right\rfloor n = ad-\left\lfloor\frac{ad}{bd}\right\rfloor bd=d\left(a-\left\lfloor\frac{a}{b}\right\rfloor b \right)=d\cdot (a\%b)$

证明:$\sum_{i=1}^{n}{[(n,i)=1]\cdot i}=\frac{n\cdot\varphi(n)+[n=1]}{2}$

感知正确性：因为$i$ 和 $n$ 互质，所以$n-i$ 和 $n$ 也互质（反证法即可，假设$gcd(n-i,n)=d$，则$d\mid i$且$d\mid n$，矛盾）。所以$\sum_{i=1}^{n}{[(n,i)=1]} =2\cdot \sum_{i=1}^{n}{[(n,i)=1]}\cdot \frac{i}{n}$（两两配对即可）。把$\frac{2}{n}$移动到等式左边即可。
从左到右的过程如下：
$$\sum_{i=1}^{n}[gcd(n,i)=1] \cdot i \implies \sum_{i=1}^{n}\sum_{d\mid{gcd(i,n)}}\mu(d) \cdot i \implies \sum_{d\mid n} \mu(d)\sum_{d\mid{i}} i \implies \\ \sum_{d\mid n} \mu(d) \sum_{i=1}^{\frac{n}{d}}i \cdot d \implies \sum_{d\mid n} \mu(d) \cdot \frac{(d+n)\cdot \frac{n}{d}}{2} \implies \sum_{d\mid n} \mu(d) \cdot (\frac{n+n \cdot \frac{n}{d}}{2}) \implies \\ \frac{n\cdot \sum_{d\mid n} \mu(d) \cdot \frac{n}{d} + n\cdot \sum_{d\mid n} \mu(d)}{2}\implies \frac{n\cdot \varphi(n) + n\cdot [n==1]}{2} \\ Q.E.D$$

证明:$\tau(mn)=\sum\limits_{i\mid n}\sum\limits_{j\mid m}[gcd(i,j)=1]$

证法1：
对于任意一对$i,j(i|n且j|m)$，$i\cdot \frac{m}{j}$是$mn$的约数，设$d=gcd(i,j)$，$i=d\cdot a$，$j=d\cdot b$

• 如果$d\neq 1$，那么$i\cdot \frac{m}{j}=da\cdot \frac{m}{db}=a\cdot \frac{m}{b}$，其中$a$与$b$互质。因此任意一对$i,j\mid gcd(i,j)\neq1$，都可以被另一对$i'j'\mid gcd(i',j')=1$唯一代替
• 如果$d=1$，对答案贡献1*/

证法2：
先考虑一个质数的情况，假设$m=p^{k_1}$，$n=p^{k_2}$，那么显然因数应该有$p^0,p,p^2,\cdots ,p^{k_1+k_2}$ 共 $k_1+k_2+1$个。
对指数$k$在$[0,k_1+k_2+1]$的取值，建立一个二元组映射：$\begin{cases} (p^k,1) & {k\in [0,k_1] } \\ (1,p^{k-k_1}) & {k\in (k1, k_1+k_2]}\end{cases}$，可以发现，每一个这样的二元组表示法，都能与一个$\sum_{i|p^{k_1}} \sum_{j|p^{k_2}}$相对应，因此对于一个质数的情况成立

考虑合数的情况，其实就是将很多质数相乘。对于每一个质数，都写成一个二元组表示形式，再在每个质数的二元组中选出某一项相乘，那么最后得到的二元组$(x,y)$中，$x$和$y$也是互质的，因此也能和$\sum_{i|n} \sum_{j|m}$相对应。并且这个选择过程，实际上就是给每个质因子钦定了指数，因此每一种选择方案都是一个因数。因此上式相等

那么上式成立，证毕。例题：BZOJ3994

证明:$\sigma(mn)=\sum\limits_{i\mid n}\sum\limits_{j\mid m}i\cdot \frac{m}{j}[gcd(i,j)=1]$

证明同上

补充:$\sum_{i=1}^a\sum_{j=1}^b\sum_{k=1}^c \tau(ijk)=\sum\limits_{gcd(i,j)=gcd(i,k)=gcd(j,k)=1}\lfloor\frac{a}{i}\rfloor\lfloor\frac{b}{j}\rfloor\lfloor\frac{c}{k}\rfloor$

据说这个等式的名字叫：「陈老师r老师恒等式」。
可以用上面的证法2进行推广得到

证明:$\left\lfloor \frac{\left\lfloor \frac{n}{i}\right\rfloor}{j}\right\rfloor=\left\lfloor \frac{n}{ij}\right\rfloor$

并不知道为什么大家都说这很显然…
证法1：右式$=\sum\limits_{ij\mid k}^{n}=\sum\limits_{j\mid k}^{\left\lfloor \frac{n}{i}\right\rfloor}=$左式，证毕。
证法2：
设左式值为$k$，则$\left\lfloor \frac{n}{i}\right\rfloor=k*j+r_1$，其中$r_1<j$，继续替换得到$n=i*(k*j+r_1)+r2=ijk+r_1i+r_2$，其中$r_2< i$。设右式值为$k'$，类似替换可以得到$n=ijk'+r'$，其中$r'<i*j$。因为$r_1i+r_2<r_1i+i\leq j*i$，因此对左式和右式的分解可看作是将两边同时除以$ij$，$k$和$k'$为商，$r_1i+r_2$和$r'$为余数。由以上已知，商和余数唯一确定，因此$k=k'$，两式值相等，证毕。该证明方式来源于ADP+Pi==ATP

理解:$(x+y)^n=\sum\limits_{i=0}^n\ C_n^i\ x^i\ y^{n-i}$

（貌似是二项式定理…？）
把$(x+y)^n$拆开写成$(x+y)(x+y)\cdots(x+y)$，从每个括号里选一项出来的乘积之和，就是这个式子的值（平时手算多项式乘法的时候，就是每个括号里取一项相承）。假设选了$i$个$x$，那么就会选$n-i$个$y$，选择方案一共有$C_n^i$种。把选了$i\in [0,n]$个x，对所有方案数求和，与左式等价，用式子表达出来就是$\sum\limits_{i=0}^n\ C_n^i\ x^i\ y^{n-i}$

证明:$\sum\limits_{d\mid n}\mu(d)=[n=1]$

（这个式子的卷积形式是：$\mu \times I = e$）
根据定义，只有不包含平方因子的数$\mu$才不为0，因此只考虑这些数
那么考虑只有互异因子的数的贡献（假设质因子个数为$k$）：
只有0个互异因子的数（其实就只有1）：$(+1)*C_k^0$
有1个互异因子的数：$(-1)*C_k^1$
$\cdots$
求和得到$sum=C_k^0-C_k^1+C_k^2\cdots+(-1)^kC_k^k$
由二项式定理易知，当$k$不为$0$时：$sum=(1+(-1))^k=0$。特殊的，$k$为$0$时，$sum=1$

理解:$\sum\limits_{d\mid n}\varphi(d)=n$

（这个式子的卷积形式是：$\varphi \times I = id$）
方法$1$:对于数字$i(i\in [1,n])$，写成$\frac{i}{n}$的形式并化为最简分数$\frac{k}{d}$，发现所有以d为分母的分数个数就是$\varphi(d)$，所以$\sum\limits_{d\mid n}\varphi(d)=n$
方法$2$:利用$\varphi(n)=\sum\limits_{d|n}\mu(d)\frac{n}{d}$，那么有$\sum\limits_{d\mid n}\varphi(d)=\sum\limits_{d\mid n}d\sum\limits_{g\mid \frac{n}{d}}\mu(g)=n$（只有当$\frac{n}{d}$为1的时候，$\sum\limits_{g\mid \frac{n}{d}}\mu(g)$才为1，此时$d$为$n$）

Tricks:$\sum\limits_{i=1}^n\left\lfloor\frac{n}{i}\right\rfloor\varphi(i)=\sum\limits_{i=1}^ni$

这个式子，咱们倒着推…
$\sum\limits_{i=1}^ni \implies \sum\limits_{i=1}^n\sum\limits_{k\mid i}\varphi(k) \implies \sum\limits_{k=1}^n\sum\limits_{k\mid i}^n\varphi(k) \implies \sum\limits_{k=1}^n\left\lfloor\frac{n}{k}\right\rfloor\varphi(k)$
简直有毒这个！上面这个推导过程 还是很眼熟的，然而倒着来me就shabi了，例题BZOJ4173

理解:$\varphi(n)=\sum\limits_{d|n}\mu(d)\frac{n}{d}=\prod\limits_{i}\sum\limits_{j=0}^{k_i}\mu\left(p_i^j\right)p^{k_i -j}=\prod\limits_{i}p_i^{k_i -1}(p_i -1)=n\cdot \prod\limits_i(1-\frac{1}{p_i})$

(第一个式子到第二个式子，感知正确性：由$id(n)=\varphi\times I$，由题$\varphi\left( n\right)=\mu\times id = \mu \times \varphi \times I = e\times\varphi = \varphi$ )

由定义，$\varphi(n)$ 表示$[1,n]$中与n互质的数的个数。如果$p_1$是$n$的质因数，那么$p_1,2p_1,3p_1...kp_1(kp_1\leq n)$与 $n$都不互质，因此减去这些数字的个数，共计$\frac{n}{p_1}$个。但是像$p_1p_2$这样的数字会被减去两遍，因此需要加上 $p_1p_2\ ,2p_1p_2\ ,3p_1p_2...$这些数字的个数，共计$\frac{n}{p_1p_2}$个。根据 $\mu$的定义，上面的每项恰好对应了相应的系数，所以$\varphi(n)=\sum\limits_{d|n}\mu(d)\frac{n}{d}$成立。$\prod\limits_{i}\sum\limits_{j=0}^{k_i}\mu\left(p_i^j\right)p^{k_i -j}$是把n分解了之后的式子，因为$\varphi$有积性，所以提取出每个因数幂单独求$\varphi$再乘起来就好了。注意到只有在$j$为$0$或者$1$的时候$\mu(p_i^j)$才不为$0$，因此可以继续化简到后面的式子。然后，把每个括号里都提一个$p_i$出来，于是式子变成了$\prod\limits_{i}p_i^{k_i }(1 -\frac{1}{p_i})$，拆开写就可以得到最后的式子。（最后的式子貌似手推常用）

理解:$\sum\limits_{i=1}^n\sum\limits_{d|i} \Longleftrightarrow \sum\limits_{k=1}^n\sum\limits_{d=1}^{\left\lfloor\frac{n}{k}\right\rfloor}$

左半边的含义是：枚举每个$i(i\in [1,n])$，然后去枚举它的约数
右半边的含义是：对于每一对$(i,d)$满足$i\in [1,n]$ 且 $d\mid i$，设$k=\frac{i}{d}$ 。枚举倍数$k$，然后枚举当前倍数下的$d$有哪些
两边换了枚举顺序，但是枚举的东西是一样的，两式等价
这种思想在推导过程中十分常见

理解:$S(n,m)=\frac{1}{m!}\sum\limits_{k=0}^m(-1)^k\binom{m}{k}(m-k)^n$

这是斯特林数的单个求法，求解一个斯特林数$\Theta(n)$（貌似这个是卷积形式，于是求一行可以优化到$\Theta(nlog_2n)$，不过me不会）
考虑斯特林数的含义，把n个数拆成m个集合的方案数，也可以是「把n个不同的小球放进m个相同的盒子（盒子非空）的方案数」。另外，显然的「把n个不同小球放进m个不同的盒子」的方案数是$m^n$
考虑容斥，先把盒子看作是不同的。枚举有$k$个盒子为空，容斥系数为$(-1)^k$，这$k$个空盒子是从$m$个盒子中选出来的，即$\binom{m}{k}$，然后把$n$个球放进$m-k$个非空盒子中，方案数是$(m-k)^n$。容斥之后可以得到「n个小球放进m个不同盒子（盒子非空）」的方案数（至少0个为空-至少一个为空+至少两个为空…这样）。最后我们使盒子变得相同，于是乘上一个$\frac{1}{m!}$来消序

理解:$\sum_{i=1}^{m} S(n,i)P(m,i)=m^n$

这个式子的意思是：现在有n个小球，m个盒子，盒子互不相同，且球也互不相同，允许盒子为空的情况下，把小球装进盒子的方案数 等于$n^m$。

首先，把n个不同的小球装进m个无区别的盒子，且盒子不允许留空的方案数，也就是斯特林数$S(n,m)$，这个可以递推求得（$S(n,m)=S(n-1,m-1)+m*S(n-1,m)$，新的球自成一组，或者是放进原来的某一组）

在这个基础上，我们允许盒子留空，那么只需要枚举有多少个盒子不为空即可。方案数为$\sum_{i=1}^{m}S(n,i)$

然后，我们再给盒子编号，此时，留空的盒子有编号，并且没有留空的盒子还是有编号。对于留空的盒子，相当于是从m个盒子中选出m-i个留空，方案数是$C(m,m-i)=C(m,i)$，而对于没有留空的盒子，因为有了编号，所以需要乘上一个阶乘，方案数是$i!$（举个栗子：盒子没有编号的时候{{1},{2},{3}}和{{2},{1},{3}}是一样的，而盒子有了编号{{1},{2},{3}}和{{2},{1},{3}}就不一样了）。于是方案数就是$\sum_{i=1}^{m} S(n,i)C(m,i)*i!$，即$\sum_{i=1}^{m} S(n,i)P(m,i)$。

我们把$m^n$拆开成：$(1+1+...+1)^n$，显然这就是把n个球放入m个有区别的盒子的方案数（回忆一下手算多项式乘法，每个括号里取一项相乘，在这里每个括号里都选择了一个1，也就是选择把球放入一个盒子）

推导:$\sum\limits_{i=1}^n\sum\limits_{j=1}^m(i,j)=\sum\limits_{i=1}^{\min(n,m)}\varphi(i)\left\lfloor\frac{n}{i}\right\rfloor\left\lfloor\frac{m}{i}\right\rfloor$（gcd( i , j )简写为( i , j )）

下面假设有 $m\leq n$ $$\sum\limits_{i=1}^n\sum\limits_{j=1}^m(i,j) \implies \sum\limits_{d=1}^md\sum\limits_{i=1}^n\sum\limits_{j=1}^m[(i,j)==d] \implies \sum\limits_{d=1}^md\sum\limits_{i=1}^{\lfloor\frac{n}{d}\rfloor}\sum\limits_{j=1}^{\lfloor\frac{m}{d}\rfloor}[(i,j)==1] \implies \\ \sum\limits_{d=1}^md\sum\limits_{i=1}^{\lfloor\frac{n}{d}\rfloor}\sum\limits_{j=1}^{\lfloor\frac{m}{d}\rfloor}\sum\limits_{k\mid i,j}\mu(k) \implies \sum\limits_{d=1}^md\sum\limits_{k=1}^{\lfloor\frac{m}{d}\rfloor}\mu(k) \sum\limits_{k\mid i}^{\lfloor\frac{n}{d}\rfloor}\sum\limits_{k\mid j}^{\lfloor\frac{m}{d}\rfloor}1 \implies \sum\limits_{d=1}^md\sum\limits_{k=1}^{\lfloor\frac{m}{d}\rfloor}\mu(k) \left \lfloor\frac{n}{dk}\right \rfloor \left \lfloor\frac{m}{dk}\right \rfloor$$ 令 $T=dk$，上式确定了 $d$和$k$，从而确定 $T$。下面我们先确定$T$和 $d$ $$\sum\limits_{T=1}^m \left \lfloor\frac{n}{T}\right \rfloor \left \lfloor\frac{m}{T}\right \rfloor \sum\limits_{d\mid T}d\cdot \mu\left(\frac{T}{d}\right)\implies \sum\limits_{T=1}^m \left \lfloor\frac{n}{T}\right \rfloor \left \lfloor\frac{m}{T}\right\rfloor\varphi(T)$$

---

二次剩余

ZJQQQAQ
MISKCOO
me的理解：$x^2\equiv n \pmod p$，这其实就是模意义下，给$n$开根
其实这个方法比较有意思，me只知道正确性，而不知道如何得出的这个方法…
me目前只会$p$是奇质数时的求解方法，不过还是mark一下吧
（如果没有声明，下文全在模p意义下）

首先要知道欧拉准则（专门用于判断给定整数是否是某一质数的二次剩余）

• 由费马小定理：$x^{p-1}\equiv 1 \pmod p$，所以$(x^2)^{\frac{p-1}{2}}\equiv 1 \pmod p$，即$n^{\frac{p-1}{2}} \equiv 1\pmod p$。这个逆过来就是欧拉准则：如果$n^{\frac{p-1}{2}} \not \equiv 1\pmod p$，那么就无解。

我们需要找到一个$a$，满足$a^2-n$没有解（随机找，找到就break）。我们记$w=a^2-n$，那么一个合法的$x$就是$(a+\sqrt{w})^{\frac{p+1}{2}}$，证明如下：

• 随机的期望次数是2，因为「在$[0,p-1]$范围内，有解的$n$有$\frac{p-1}{2}$个（$n\neq 0$） 」

  • 这里从$x$入手，如果有两个数$u,v\in [1,p-1]$，满足$u^2\equiv v^2 \pmod p$，那么显然有$p\mid (u^2-v^2)$，又因为$(u^2-v^2)=(u+v)(u-v)$，而$(u-v)$一定小于p，无法成为p的倍数，因此一定有$p\mid (u+v)$。这个定理逆过来也是成立的，也就是说，如果两个数它们的和为$p$，当且仅当这两个数满足$u^2\equiv v^2 \pmod p$。于是不同的平方数有$\frac{p-1}{2}$个，这些平方数也就是「有解的$n$」

• 还有这个式子：${\sqrt{w}}^p\equiv -\sqrt{w} \pmod p$

  • $\sqrt{w}^p\implies \sqrt{w}*\sqrt{w}^{(p-1)} \implies \sqrt{w}*\sqrt{w^2}^{\frac{p-1}{2}} \implies \sqrt{w} * (a^2-n)^{\frac{p-1}{2}} \implies \sqrt{w}*(-1)=-\sqrt{w}$

• $(a+b)^p=a^p+b^p \pmod p$

  • 用二项式定理把左边拆开，发现组合数阶乘里都有$p$，就被模掉了，最后只剩下$a^p+b^p$

那么有下面的推导：
$\left((a+\sqrt{w})^{\frac{p+1}{2}}\right)^2 \equiv \left(a+\sqrt{w}\right)^{p+1}$
$\equiv (a+\sqrt{w})\cdot {(a+\sqrt{w})}^p$
$\equiv (a+\sqrt{w})\cdot (a^p+\sqrt{w}^p)$
$\equiv (a+\sqrt{w})\cdot (a-\sqrt{w})$（由费马小定理和上面的第二个式子）
$\equiv a^2 - w$
$\equiv n$
然后发现它确实就是一个解=w=
至于这个$w$呢，因为$\sqrt{w}$在实数域上其实不存在，那么我们可以类比$\sqrt{-1}$去定义一个虚数域，可以证明这是一个合法的数域（czy的博客里有写到）。于是实际操作的时候定义一个struct，然后像虚数一样的运算。

cpx operator * ( const cpx &A , const cpx &B ){
    cpx rt ;
    rt.R = ( A.R * B.R %mmod + A.I * B.I %mmod * w %mmod ) %mmod ;
    rt.I = ( A.I * B.R %mmod + A.R * B.I %mmod ) %mmod ;
    return rt ;
}

找到一个合法的$a$之后，就定义(cpx){a,1} 然后快速幂即可，最后的虚部一定为0（虽然不知道为什么，但是模拟的数据确实是这样），实部就是解。
UPD：为什么虚部一定为0呢？由拉格朗日定理，一个$n$次的多项式在模$p$的数域下最多有$n$个根（让$f(x)\equiv 0$的解称为根）。而我们现在的虚数域，是在原来的模$p$域上扩展的，所以如果模域有解，那么这个解在扩展域中同样生效。并且我们已知的是，每一个二次剩余都有两个解，并且二次剩余是个二次多项式。所以扩展域上的解也一定是原来模域的解，所以虚部为0。czy的博客里有更详细的说明，可以去看看

一个小性质

如果$n$是模$p$的二次剩余，即$\exists x,x^2\equiv n\pmod p$，那么对于p的任意元根$g$，有$g^b\equiv n,b为偶数$
证明如下：
对于某一元根$g_1$，假设${g_1}^a\equiv x\pmod p$，那么${g_1}^{2a}\equiv n\pmod p$
假设有另一元根$g_2$，使得${g_2}^b\equiv n\pmod p$且b为奇数，假设${g_2}^c\equiv g_1\pmod p$
那么$\left({g_2}^c\right)^{2a}\equiv n \pmod p$，易知$2ac\equiv b \pmod{p-1}$，与假设矛盾（左边是偶数右边是奇数）
证毕。

---

拉格朗日乘子法

知乎 - 如何理解拉格朗日乘子法
求解多元方程$f(x,y)$在限定条件$g(x,y)-a=0$下的极值
可令新函数$L(x,y,\lambda )=f(x,y)+\lambda(g(x,y)-a)=0$，然后对$x,y$分别求偏导数，要求所有偏导数为0，解出来的位置就是一个极值

这是为什么呢…me觉得这简直太神了
首先，一个多元函数要有极值，必要条件是，偏导数都是0。（大概脑补一下，把偏导数看作斜率的话，偏导数都是0就是说不论向着哪个方向走都是一样的平（各个偏导数合起来貌似就是多维梯度？）。如果有一维不是0，那肯定可以朝着斜率为正的方向走，可以得到更大的值）

然而这里有了$g(x,y)-a=0$这个限制，就相当于是在高维的空间里强行划定一根线当作界限（图片摘自上面那个问题[戏言玩家]的回答，图片不是me的，侵删），可以直观的感觉到，是在相切的时候取到极值
!这里写图片描述

那么两条曲线相切，意味着在切点位置的法向量平行，也就是向量的比值为常数，设这个常数为$- \lambda$，于是$\nabla f(x,y)=-\lambda \nabla g(x,y)$，移项，然后把常数放进去，得到$\nabla ( f(x,y)+\lambda g(x,y))=0$，这实际上就是对新函数$L(x,y,\lambda)=f(x,y)+\lambda g(x,y)$取各维偏导数，并且值为0，那么就变成了$L(x,y,\lambda)$的极值

再反过来看，$L(x,y,\lambda)$取极值的时候，要求各个偏导为0，当对$\lambda$取偏导的时候，实际上就要求$g(x,y)-a=0$，然后关于$g$的一项就没有了，所以极值的时候$L$也恰好等于$f$

补充：曲线的法向量

在曲线的某一点求法向量，就是先求出对于那个点的切线，然后法向量垂直于切线
圆的法向量比较显然，就是该点与圆心连线上的向量，方向随意
那么对于曲线呢，可以取出很小很小的一段，然后把那一段近似成圆

补充：偏导数

对某一个维度单独求导，只保留关于这个变量的导数，而把其它变量看作常数。比如$f(x)=x^2+y^2$，关于$x$的偏导就是$\frac{\partial f}{\partial x}=2x+0$。这相当于只看一个维度的变化情况

---

FWT·FMT

关于这些$Fast\ xxx\ Transform$啊，其实不要把它看得太复杂了，它就是一个分治算法而已，用来优化卷积的

朴素的卷积运算是$O(n^2)$的，复杂度太高，需要被调教

所以寻思着，构造一个变换$T$，并且这个变换还要有三个性质：

• 正变换算的快
• 存在逆变换，并且逆变换也要算的快
• 能够从$T(A)$和$T(B)$快速得到$T(C)$

于是可以先快速的算出两个数组的正变换。然后快速的得出「目标数组」的正变换。最后再快速的把「目标数组」还原，然后这个问题就被解决了
这个「快速的」，要求不高，只要最后比$O(n^2)$好，那么优化的目的就达到了

用FWT「与」运算来举个栗子

符号$\oplus$表示与，其余符号为数字运算符号，$A,B,C$分别是三个数组（或者向量）：

要计算$C_k=\sum_{i=0}^{n}\sum_{j=0}^{n}\ [i\oplus j=k]\ a_i*b_j$

首先呢，注意到 $(i\oplus k=k)\ and\ (j\oplus k=k)\Longleftrightarrow (i\oplus j)\oplus k=k$

所以利用这个性质，尝试构造一个变换$T$，并且这个变换还要有三个性质：

• 正变换算的快
• 存在逆变换，并且逆变换也要算的快
• 能够从$T(A)$和$T(B)$快速得到$T(C)$

  然后就想出来了一个这样的变换：设A变换得到的数组是$a$，那么$a_i=\sum_{j=0}^{n}[j\oplus i=i]A_j$

  这个变换它有什么用呢？
  首先呢，这个正变换可以「按位分治」计算，复杂度是$O(nlog)$的
  然后呢，这个变换的逆变换，也可以「按位分治」计算，复杂度还是$O(nlog)$的
  最后呢，发现$c_i=a_i*b_i$，也就是「可以从$T(A)$和$T(B)$快速得到$T(C)$」，复杂度是$O(n)$的
  显然总复杂度比$O(n^2)$优秀，好，优化的目的就达到了！

  关于FWT「异或」变换

  用于处理异或的变换是这么定义的：
  定义运算$a\times b$为，$a$按位与上$b$之后，$1$的个数的奇偶性
  变换：$a_i=\sum_{j=0}^n[i\times j=0]A_j-[i\times j=1]A_j$
  为什么要这么构造呢？me也不知道。不过JCY说，这是由于$+1,-1$的加减与异或类似，$-(-1)$和$+(+1)$都是$1$，而$+(-1)$和$-(+1)$都是$-1$

  然后这个变换的 正变换（$0'=0+1,1'=0-1$）和逆变换（$0=\frac{0'+1'}{2}$,$1=\frac{0'-1'}{2}$） 都是可以快速求得的
  然后由于$(i\times k)\oplus (j\times k)=(i\oplus j)\times k$，所以可以由$T(A)$和$T(B)$算出$T(C)$
  感觉很神奇

  对FWT的一些补充

  关于实现：
  首先把数组长度补到2的次幂，这样的话在写的时候就会方便很多，不需要特判边界
  然后正变换还是很简单的，递归和非递归的写法都比较清晰
  但是逆变换就不清真了，看了网上一些大佬的实现，发现写出来的和推出来的式子不太一样……不过大同小异

  因为位运算是独立的，所以无论是正变换还是逆变换，都只需要按位考虑贡献，而考虑贡献的顺序是不影响的。
  比如「与」卷积的逆变换：
  假如说现在有一个变换之后的$00000$，那么这里面包含了从$00000$~$11111$所有的东西。
  那么一位一位的减，$00000$ - $1xxxx$ - $01xxx$ - $001xx$ - $0001x$ - $00001$，得到的就是$00000$本身的值了
  然而也可以换个顺序减：$00000$ - $xxxx1$ - $xxx10$ - $xx100$ - $x1000$ - $10000$，效果与上面是一样的
  正变换的顺序其实也可以类似的改变
  所以一般实现的时候，为了能把代码写短一点，正变换和逆变换采用同种顺序
  如果正变换从低到高，那么逆变换也是从低到高，这样就可以把两个变换压到一个函数里面……

  FWT的变换是一个线性变换
  什么是线性变换，me也说不清楚。JCY：就是可以把正变换和逆变换看成右乘了一个矩阵
  然而me还是不懂这有什么用……不过me觉得me还是get到了一点东西

  因为FWT整个正变换的过程，只用到了加减运算，而加减运算是可以随便叠加的，所以有一些很优美的性质
  比如说，和的变换 等于 变换的和：$T(A+B)=T(A)+T(B)$
  再比如说，可以边运算边取模（但是异或FWT有个除2，不知道可不可以用乘逆元的方法解决）
  有了这个性质，就可以去做一些题，比如：[UOJ#310]黎明前的巧克力

  关于FMT的一道论文题

  [HAOI2015]按位或 传送门
  me的天哪…me看这道题看了一晚上？？？
  这道题主要还是用到了一个性质：变换的和等于和的变换
  这样的话，一个很难求和的东西，如果它的变换很好求和（有性质的支撑），那么我们就可以先变换，求和，然后再变换回去
  卧槽这么简单的道理，me特喵的为什么看了一晚上？？？

  ACyume-集合卷积学习
  neither_nor-FWT
  tmkkkkk-快速沃尔什变换(FWT) 学习笔记

  ---

  FFT·NTT

  这里主要是《再探快速傅立叶变换-毛啸》的笔记，此处整理了自己的理解

  Part-1 原理解释

  $$式1.1:~~~~c_r=\sum_{p,q}[(p+q)\bmod n=r]a_pb_q$$
  与原式等价，这里的n是一个大于c的长度的2的整数次幂的数字。这样的话，取模下来就不会发生混叠（就是说不会真的被模掉，所有的$p+q$本来就小于n）。

  $$式1.2:~~~~\frac{1}{n}\sum_{k=0}^{n-1}\omega^{vk}=[v\bmod n=0]$$
  （$\omega$是一个复数，这个复数满足$\omega^n=1$，并且$n$是最小的能让$\omega$变成1的幂指数）
  这个式子呢，首先n是个偶数，所以可以把它拆开写，然后两两配对，像这样：$\frac{1}{n}(\omega^0+\omega^v+\omega^{2v}+\cdots+\omega^{(n-1)v})$，其中$\omega^v$和$\omega^{(n-1)v}$是相反数（因为$\omega^n$是1，所以$\omega^{(n-1)v}$相当于是$\omega^{-v}$，按照虚数的运算，这两个确实是相反数）。然后$\omega^0$和$\omega^{\frac{n}{2}v}$是相反数，所以上式得证

  
  然后接下来，论文里就把 式1.1 里面的判断句换成了 式1.2，然后有了这个：
  $$c_r=\sum_{p,q}[(p+q)\bmod n=r]a_pb_q\implies {c_r=\frac{1}{n}\sum_{k=0}^{n-1}\omega^{-rk}\sum_{p}\omega^{pk}a_p\sum_{q}\omega^{qk}b_q}$$ 我们把这个式子右边换一换，定义一个多项式$A(x)=\sum_{k=0}^{n-1}a_kx^k$，那么于是我们就可以用多项式的形式来改写这个式子：$c_r=\frac{1}{n}C'(\omega^{-r})$。其中$C'(x)=\sum_{k=0}^{n-1}c_kx^k$，里面那个$c_k$，就是$A(\omega^k)*B(\omega^k)$

  由上，我们得到了一个新的求数列$C$的方法：

  • 对于所有的 $\omega^k~~(k\in[0,n-1])$，求得多项式$A(x)=\sum_{k=0}^{A_n-1}a_kx^k$和$B(x)=\sum_{k=0}^{B_n-1}b_kx^k$在带入各个$\omega$时的值，我们把这一堆数字叫做点值表达式
    • 把点值表达式对应相乘，得到多项式$C'(x)$各项的系数
    • 对$C'(x)$求点值，求出来的点值就对应着待求的$C(x)$的系数，也就是最开始那个卷积的结果

    • 这个过程基本符合me上面概括的那种$Fast\ xxx\ Transform$的思路，接下来要干的事情，就是寻找一种快速的方式，来带入未知数运算点值

      Part-2 寻找快速算法

      定义一种写法$\omega_n^{k}$，表示：这是一个「最小的能让$\omega^x=1$的数字是$n$」这样的$\omega$，这个$\omega$的$k$次方写作$\omega_n^{k}$
      我们发现$\omega$其实是有很多性质的，比如说$\omega_n^{\frac{n}{2}}=-1$，再比如说$\omega_{2n}^{2m}=\omega_{n}^m$

      尝试着利用这些性质去加速运算：
      我们直接批量的带入未知数，一次性算完所有的点值
      设$A_0(x)$是$A(x)$的偶次项之和，$A_1(x)$是$A(x)$的奇次项之和（注意，这里的$A,A_0,A_1$都是多项式），再令$m\leq \frac{n}{2}$，那么有：
      $$~~~~~{A(\omega_n^m)=A_0\big((\omega_n^m)^2\big)+\omega_n^mA_1\big((\omega_n^m)^2\big) \implies A_0(\omega_{\left.n \middle/2\right.}^{m})+\omega_n^mA_1(\omega_{\left.n \middle/2\right.}^{m})}\\ A(\omega_n^{m+\frac{n}{2}})=A_0\left((\omega_n^m)^2\right)-\omega_n^mA_1\left((\omega_n^m)^2\right) \implies A_0(\omega_{\left.n\middle/2\right.}^m)-\omega_n^mA_1(\omega_{\left.n\middle/2\right.}^m)$$
      这时候惊奇的发现！对于一对未知数$\omega_n^m$和$\omega_n^{m+\frac{n}{2}}$，要求此时的点值，我们只需要算$A_0(\omega_{\left.n \middle/2\right.}^{m})$和$A_1(\omega_{\left.n\middle/2\right.}^m)$这两个东西就可以了，而且它们的单位根从$\omega_n$变到了$\omega_{\left.n\middle/2\right.}$。这样，只需要往下走log层，这个单位根就会变成1，并且多项式也只剩下了一项，那么这个多项式的值就是对应的系数的值，这就是递归边界了

      于是我们完成了：1.正变换算的快；2.存在逆变换，逆变换也算的快；3.可以从已知项的变换，快速推得未知项的变换；
      那么这个$Fast\ xxx\ Transform$就大功告成了

      Part-3 任意长度的DFT

      哇天哪…为什么me读论文就这么困难呢…..?！
      啃论文的时候，建议结合这个食用outer_form’s POJ2821

      先说一说循环卷积
      最开始的时候，我们有这个式子$c_r=\sum_{p,q}[(p+q)\bmod n=r]a_pb_q$
      我们说$n$是一个比$c$的长度大的，$2$的整数次幂的数。如果$n\leq len_c$，那么$p+q$就会真的被取模，从而使原来应该在$n+\delta$项上的值，累加到了$\delta$项上面，这样就会发生信息混叠。试想一下，数学上解直线，需要带入两个点；解二次函数需要三个点…那么解$k$次函数就需要$k+1$个点。而现在$n\leq len_c$，按照前面的想法，显然是无法准确解出原来的系数的（因为信息已经混叠了，而且无法还原（要还原只能枚举）。音频里，取样率低了之后音质就会有损，也是这个道理）

      但是有些题，就是要让我们去算这个循环卷积，那有些什么办法呢？
      最暴力的，循环卷积就是把高的累加到低的上面来，那我们可以先FFT一次得到$c$，然后把$c_{n+k}$累加到$c_k$上来
      然而这样效率比较慢，尤其是要在循环卷积意义下快速幂的时候，我们就只能一次一次的卷了…
      （参见SDOI2015序列统计，这就是一道循环卷积快速幂的题）
      为什么只能一次一次的卷呢？因为我们正常DFT是带入了$\omega^0$到$\omega^{n-1}$这$n$个点去求值，也就是说，自带了一个循环长度为$n$的意义，如果我们直接在DFT之后的数组上快速幂然后再IDFT回去，最后只能得到长度为$n$的循环卷积。如果题目要求的循环长度不是$2$的整数次幂，除了快速幂一次一次卷之外，别无他法

      而我们更希望，可以直接在DFT之后的点值上进行操作
      函数加，对应的点值也加，函数乘，对应的点值也乘。对函数（多项式）操作是很麻烦的，但对点值操作明显轻松的多
      于是就有了下面这个东西

      Bluestein’s Algorithm
      这个方法的名字叫Bluestein’s Algorithm，它使用一次FFT，来实现任意长度的DFT（又叫CZT）
      因此实际上做完整个算法需要3*3=9次DFT（因为一次CZT = 一次FFT = 三次DFT，总共三次CZT）

      它是这样的，我们在求点值的时候，用的是这个式子（记这个点值为$a$，而多项式里系数为$b$）：
      $$a_m=A(\omega^m)=\sum_{k=0}^{n-1}\omega^{mk}b_k$$ 然后我们尝试把这个东西转化成卷积：
      $$上式\implies \sum_{k=0}^{n-1}\omega^{\frac{m^2+k^2-(m-k)^2}{2}}b_k \implies \omega^{\frac{m^2}{2}}\sum_{k=0}^{n-1}\omega^{-\frac{(m-k)^2}{2}}\omega^{\frac{k^2}{2}}b_k$$ 发现这其实已经是一坨类似卷积的形式，我们用$B_i$来代换$\omega^{-\frac{(i-n)^2}{2}}$，用$C_i$来代换$\omega^{\frac{i^2}{2}}b_i$。于是得到下式：
      $$\omega^{\frac{m^2}{2}}\sum_{k=0}^{n-1}B_{m+n-k}C_k$$ 然而它的上界仍然是$n-1$，需要找到一种方法，使得上界变为$n+m$来满足卷积形式
      我们发现，这个系数数组是给出了的，$b_k$中只有$k\in [0,n-1]$才有值，而其余的$b_k$都是0。根据这一性质，我们就可以直接把上界扩展到$n+m$，然后变成了这样：
      $$\omega^{\frac{m^2}{2}}\sum_{k=0}^{n+m}B_{m+n-k}C_k$$
      至此，上面的CZT已经被完全转化成了一个卷积形式。
      具体的实现呢？me yy的不保证正确性可以先处理出B和C数组，然后做一遍FFT，算出后面那个卷积式。然后把卷积得到的第$n+\delta~~~(\delta \in [0,n-1])$项取出来，乘一个$\omega^{\frac{\delta^2}{2}}$，这些就是我们想要的点值了///

      关于这个$\omega^{\frac{i^2}{2}}$这个分数啊，如果$i$是个奇数的话，那么指数就会出现$0.5$，这相当于对$\omega$进行了开根，然而$\omega_n^{\frac{1}{2}}$有两个解：$\omega_{2n}^1$和$\omega_{2n}^{n+1}$，那么应该取什么才对呢？

      其实可以这么想，因为上面$\omega^{\frac{m^2}{2}},\omega^{-\frac{(m-k)^2}{2}},\omega^{\frac{k^2}{2}}$这三项要么是三个全是偶数，要么是两奇一偶，所以最终的结果是不存在那个小数的，所以我们只需要保证，最后的结果不存在那个小数就可以了。所以，为了方便，不如都选第一种开根方式，这样下来最后的结果也是合法的

      Part-4 一些题

      这部分就略过了。。。
      反正就是多项式乘法优化其他算法（特指DPhhhhh）
      小技巧，比如说挪动范围啊，翻转匹配什么的

      Part-5 FFT的常数优化

      这上面讲的还不错，可以去看看：水郁-拆系数FFT
      （tips：因为DFT和IDFT其实是一样的，所以下文统计DFT次数时，是一起计算的）

      计算：$A(x)=B(x)C(x)+D(x)E(x)$
      首先，一个简单粗暴的方法就是，直接算$B(x)C(x)$和$D(x)E(x)$，然后再把它们俩加起来…这样 一共需要6次DFT
      我们回归本质的去理解这个式子。$B(x)$和$C(x)$都是多项式，在计算$B(x)C(x)$的时候，实际上是求得了这两个多项式在一些特殊点（对，就是$\omega$）的取值，然后再用这些取值倒推回去。
      那么我们明显不用「算一个就立刻倒推一个」，我们可以算完一起倒推回去。就是说，把$B(x),C(x),D(x),E(x)$分别DFT之后得到$b,c,d,e$，然后令$a_k=b_kc_k+d_ke_k$，然后统一IDFT，这样就直接得到$A(x)$了。这种方法需要5次DFT

      虽然从数字上来看，效率差不多，但是这里利用的就是点值加和点值乘，思想还是很重要的

      计算：$A(x)=B(x)C(x)$的第$\frac{n}{2}$到第$\frac{3n}{2}$项（假设B和C都是长度n）
      对于这个式子，我们平时操作，肯定是扩展到$2n$，然后FFT一次
      然而它只要中间的部分，我们只需要保证这一部分不发生混叠就好了，于是我们可以只扩展到$\frac{3n}{2}$

      （对没错！这就是一个常数优化）

      小范围暴力
      这个就更玄学了... FFT常数实在是太大了！数据范围小的时候甚至跑不过暴力！
      所以在用到「常数很大的分治算法（比如分治FFT）」的题当中，如果当前区间太小，直接暴力搞就好了…

      乘法次数的优化
      快速幂一定是最优的吗？可以去看一看一个知乎，与这个问题没有直接关系：如何用最少的操作打出N个1
      要凑出一个数，其实快速幂真的不够优秀，只是保证乘法次数不超过$2logn$而已（那个2，把快速幂写出来就知道了）
      而这个复杂度对于「求出多项式的幂 」这样的任务，有点大了
      我们使用一种黑科技叫$addition~chain$，这是一条计算数字的链，保证相邻数字之差都在链上出现过，这样我们就可以记忆化每个步骤来加速运算。
      举个例子，对于数字6，我们使用快速幂达到之，是这样的$1\to 2\to 4$，然后在2和4的时候分别乘一下，总运算次数是4
      而这样计算：$1\to 2\to 4\to 6$，其中$2=1+1$，$4=2+2$，$6=4+2$，我们只计算了三次，这样显然要优秀一些
      然而求解$addition~chain$是NPH的，我们只能用BFS去找近似解，不过效果还是很不错的

      还有一个啥？$Method~of~Four~Russians$？看不懂看不懂，求讲解qwq

      Part-6 FFT的技巧——合并

      （下面，$F(x)$是指一个多项式，当x为一个确定的值时，$F(x)$是一个值。另外$f_k$是值第k项系数）
      假设我们现在要对两个实数多项式$A(x)$和$B(x)$分别进行DFT，假设$n$是$A,B$的长度，且已经被调整至一个$2$的整数次幂
      我们如此构造一个多项式：
      $$P(x)=A(x)+iB(x)\\Q(x)=A(x)-iB(x)$$ 我们来看一下$P$和$Q$有什么关系。设$F_p[k]$表示$P$在DFT之后得到的序列的第k项，$F_q[k]$同理
      即：$F_p[k]=P(\omega_n^k),F_q[k]=Q(\omega_n^k)$

      然后开始一系列的推导（使用$X$来代替$\frac{2\pi jk}{2n}）$：
      $$\begin{align*} F_p[k] & =A(\omega_{2n}^k)+iB(\omega_{2n}^k)\\ & = \sum_{j=0}^{n-1}(a_j+ib_j)\omega_{2n}^{jk}\\ & = \sum_{j=0}^{n-1}(a_j+ib_j)(\cos X+i\sin X) \end{align*}$$

      $$\begin{align*} F_q[k] & =A(\omega_{2n}^k)-iB(\omega_{2n}^k)\\ & = \sum_{j=0}^{n-1}(a_j-ib_j)(\cos X+i\sin X)\\ & = \sum_{j=0}^{n-1}(a_j\cos X+b_j\sin X)+i(a_j\sin X - b_j\cos X)\\ & = conj\left( \sum_{j=0}^{n-1}( a_j\cos X + b_j\sin X ) - i( a_j\sin X - b_j\cos X ) \right)\\ & = conj\left( \sum_{j=0}^{n-1} a_j(\cos X - i\sin X) + b_j( i\cos X + \sin X) \right) \\ & = conj\left( \sum_{j=0}^{n-1} a_j\big( \cos(-X) + i\sin(-X) \big) +ib_j\big( \cos(-X) + i\sin(-X) \big) \right)\\ & = conj\left( \sum_{j=0}^{n-1} (a_j+ib_j)\big(\cos(-X)+i\sin(-X)\big)\right)\\ & = conj\left( \sum_{j=0}^{n-1} (a_j+ib_j)\omega_{2n}^{2n-jk}\right)\\ & = conj( F_p[2n-k] ) \end{align*}$$
      这提示我们，我们只需要一次DFT，就可以同时计算出$F_p[]$和$F_q[]$，然后，我们就可以通过
      $$\begin{align*} DFT(A[k])&=\frac{F_p[k]+F_q[k]}{2}\\ DFT(B[k])&=-i\frac{F_p[k]-F_q[k]}{2}（注意这里必须要有个负号） \end{align*}$$ 完成对两个数组的DFT的计算

      这个推导简直神炸了！！！

      Part-7 FFT的技巧——任意模数卷积

      对于这个东西，我们已经有一种比较成熟的通用解法，就是3模数NTT，然后用中国剩余定理合并
      当系数的大小在$10^9$级别时，卷积之后数字大小在$10^{23}$级别左右，所以必须要3个巨大的模数搞一搞
      这样的话，我们一共要进行9次DFT

      不过这里有一种新方法——
      首先，还是一样的假设$C(x)=A(x)B(x)$

      我们把$A(x),B(x)$奇偶拆项，即$A(x)=A_0(x)+xA_1(x)$，$B(x)=B_0(x)+xB_1(x)$

      然后$C(x)=A_0(x)B_0(x)+x\big(A_0(x)B_1(x)+A_1(x)B_0(x)\big)+x^2A_1(x)B_1(x)$
      我们分别计算$x^0,x^1,x^2$的系数。我们可以预处理出$A_0,A_1,B_0,B_1$DFT之后的结果，预处理的时候可以合并，于是这里总共只进行两次DFT
      然后还要进行三次IDFT，这里我们可以将其中两个IDFT合成一个，于是这里也只进行两次IDFT

      好了！现在让我们把这种方法用于实战当中！

      拆系数FFT
      对于一个模意义下的FFT（假设模数为$m$），我们假设$m_0=\left\lfloor\sqrt m\right\rfloor$
      使用带余数的除法，我们可以如此表示一个整数：$k\cdot m_0+b$

      那么对于原来的$A(x),B(x)$，我们也用带余除法表示其每一项，于是现在就变成了这样：
      $A(x)=m_0\cdot P_a(x)+Q_a(x),B(x)=m_0\cdot P_b(x)+Q_b(x)$
      $P_a(x)$的系数是$A(x)$的各项系数除以$m_0$，$Q_a(x)$的各项系数是$A(x)$的各项系数除以$m_0$的余数。$P_b(x),Q_b(x)$同理

      然后就变成了这样：$C(x)=Q_a(x)Q_b(x)+m_0\big(P_a(x)Q_b(x)+Q_a(x)P_b(x)\big)+m_0^2P_a(x)P_b(x)$
      计算就和上面的类似了

      这样拆系数是有好处的！当数字的大小降到了$3*10^4$时，卷积之后数字最大在$10^{14}$级别左右（一般达不到），这个级别的精度是可以保证的 me才不信，但是要在最后+0.5来四舍五入。数字大的时候一定要用long double，因为double精度只有1e15多一些，而long double接近1e19，感觉上更稳

      终于写完了……

      下面是一些自己的积累

      对于那种要求加起来等于某一个数才能累计的东西（比如dp），我们可以直接上FFT求解
      然而对于那种乘起来才能等于某一个数的东西，如果有说在模意义下，那么我们完全可以把乘法换成以原根为底的指数加法，感觉很厉害，例题SDOI2015序列统计

      ZJC同学的知乎专栏-一小时学会FFT
      miskcoo从多项式乘法到快速傅里叶变换
      多项式乘法运算终极版

      ---

      多项式求逆·多项式除法取模·多项式开根

      前置必备技能：FFT

      多项式求逆

      我们先搞一些定义
      称一个多项式的度$deg(A)$为多项式$A(x)$的最高次数
      然后定义带余除法： $$A(x)=D(x)B(x)+R(x)$$ $D(x)$是$A(x)$除以$B(x)$的商，$R(x)$是余数，且$R(x)$的度数小于$B(x)$
      （这给人的感觉就像是，从$A(x)$中不断的提取$B(x)$，类似形如这样的数学题：$\frac{x^3+4x^2+7x+12}{x+3}=x^2+x+4$）
      然后就可以写成这样 $$A(x)\equiv R(x)\pmod {B(x)}$$

      然后多项式求逆，就是要求一个多项式$B(x)$，满足
      $$A(x)B(x)\equiv 1\pmod{x^n}$$ 我们称$B(x)$是模$x^n$意义下，$A(x)$的逆元
      其实对$x^n$取模，相当于只保留这个多项式的${n-1}$次项及以下的部分

      然后我们开始求解
      如果$n=1$的话，那么$B(x)$直接就是一个常数，它就是$A(x)$的常数项的逆元

      如果$n>1$，假设已经求出了$A(x)$在$\bmod~x^{\left\lceil \frac{n}{2} \right\rceil}$意义下的逆元$B'(x)$，然后大力推导一波：
      我们已知的是：
      $$\begin{align*} A(x)B(x) \equiv 1 \pmod { x^n } \end{align*}$$ 那么显然的可以得到
      $$\begin{align*} A(x)B(x) \equiv 1 \pmod { x^{\left\lceil \frac{n}{2} \right\rceil} } \end{align*}$$ 那么又因为我们已经有
      $$\begin{align*} A(x)B'(x) \equiv 1 \pmod { x^{\left\lceil \frac{n}{2} \right\rceil} } \end{align*}$$ 所以两式相减可以得到（因为肯定不是$A(x) \equiv 0$ ）
      $$\begin{align*} B(x) - B'(x) \equiv 0 \pmod { x^{\left\lceil \frac{n}{2} \right\rceil} } \end{align*}$$ 然后我们把两边同时平方一下
      $$\begin{align*} B^2(x) - 2B(x)B'(x) + {B'}^2(x) \equiv 0 \pmod { x^n } \end{align*}$$ 注意这里模数变成了$x^n$，因为平方之后的多项式，它的第$n-1$次项及以下部分都是由$x^kx^{n-1-k}$得来，而$k$和$n-1-k$至少有一个它是小于$\frac{n}{2}$的，所以$n-1$次项以下部分全都是0。这也是为什么模数一开始要向上取整的原因，如果不向上取整，这一步的模数只能是$x^{n-1}$
      然后继续化式子，两边同时乘上一个$A(x)$
      $$\begin{align*} B(x) - 2B'(x) + A(x){B'}^2(x) \equiv 0 \pmod {x^n} \end{align*}$$ 也就是说
      $$\begin{align*} B(x) = 2B'(x) - A(x){B'}^2(x) \pmod {x^n} \end{align*}$$ 这样我们就可以递归的去求解，然后就大功告成了！
      （同时可以注意到，只要常数项有逆元，那么多项式就一定存在逆元）
      注意这里在实现的时候，需要把$x^n$项及以上的部分截掉，或者手动清空。不然多项式的长度将不可估量……
      时间复杂度：$T(n)=T(\frac{n}{2})+O(n\log n)=O(n\log n)$

      多项式开根

      其实多项式开根和多项式求逆是类似的
      我们现在要求一个$B(x)$，满足$B^2(x)\equiv A(x) \pmod {x^n}$

      如果$n=1$，那么$B(x)$直接就是一个常数，它就是对$A(x)$的常数项开根号
      如果$n>1$，假设我们已经求到了${B'}^2(x) \equiv A(x) \pmod { x^{\left\lceil \frac{n}{2} \right\rceil} }$，然后进行一系列推导：

      首先我们有
      $$\begin{align*} B^2(x)\equiv A(x) \pmod { x^n } \end{align*}$$ 所以可以得到这个
      $$\begin{align*} B^2(x)\equiv A(x) \pmod { x^{\left\lceil \frac{n}{2} \right\rceil} } \end{align*}$$ 然后用已知和这个式子相减
      $$\begin{align*} B^2(x) - {B'}^2(x) \equiv 0 \pmod { x^{\left\lceil \frac{n}{2} \right\rceil} } \end{align*}$$ 然后两边同时平方
      $$\begin{align*} { \left( B(x) + {B'}(x) \right) }^2 { \left( B(x) - {B'}(x) \right) }^2 \equiv 0 \pmod { x^n } \end{align*}$$ 所以我们发现它是有两个解的！不过无所谓，我们取右边那个继续往下推导
      $$\begin{align*} { \left( B(x) - {B'}(x) \right) }^2 \equiv 0 \pmod { x^n } \end{align*}$$ 然后是和上面差不多的步骤
      $$\begin{align*} B^2(x) - 2B(x)B'(x) + {B'}^2(x) \equiv 0 \pmod { x^n } \end{align*}$$ 然后用$A(x)$代换$B^2(x)$
      $$\begin{align*} A(x) - 2B(x)B'(x) + {B'}^2(x) \equiv 0 \pmod { x^n } \end{align*}$$ 移项，就有了
      $$\begin{align*} B(x) \equiv \frac{ A(x) + {B'}^2(x) }{ 2B'(x) } \pmod { x^n } \end{align*}$$ 于是，开方被转化成了求逆元问题，不过感觉很麻烦的样子…
      时间复杂度：$T(n)=T(\frac{n}{2})+T'(\frac{n}{2}) +O(n\log n)=O(n\log n)$，那个$T'(n)$是多项式求逆的复杂度
      感觉常数要上天了……

      miskcoo多项式除法及取模
      miskcoo多项式多点求值与快速插值
      miskcoo多项式求逆元
      Ender多项式相关
      LowestJN[Notes][多项式]杂记 · 多项式算法—多项式求逆 多项式取模 多项式开根

      ---

      柯西不等式

      $$\left(\sum {a_i}^2\right)\left(\sum {b_i}^2\right)\geq \sum\left(a_ib_i\right)^2$$
      感觉证明方式很神啊
      首先所有 $a_i$ 都是 $0$ 的情况很显然

      不然，构造二次函数：
      $$f(x)=\sum(a_i+xb_i)^2$$ 拆开得到：
      $$f(x)=\sum {a_i}^2+2x\sum a_ib_i+x^2\sum {b_i}^2$$ 这个函数显然时刻大于 $0$，根据判别式，有：
      $$\begin{align*} 4\sum(a_ib_i)^2-4\sum{a_i}^2\sum{b_i}^2 \leq 0 \\ \\ \sum{a_i}^2\sum{b_i}^2 \geq \sum(a_ib_i)^2 \end{align*}$$ 原式得证

      ---

      $\sqrt{N}$分块:

      求和$\sqrt{N}$分块例题:BZOJ2956

      欧拉函数:

      欧拉函数如果i mod p = 0, 那么phi(i * p)=p * phi(i)的证明
      欧拉函数积性巧妙证明(数字矩阵辅助)
      欧拉定理&&欧拉函数
      三个重要的同余式——威尔逊定理、费马小定理、欧拉定理 + 求幂大法的证明
      欧拉定理extend证明–降幂技巧

      逆元:

      逆元ACdreamer

      中国剩余定理:

      中国剩余定理与扩展 Lucas定理与扩展 学习笔记

      元根和阶

      LinnBlanc_离散对数、元根

      离散对数与BSGS:

      离散对数BSGS
      扩展BSGS
      离散对数应用例题:BZOJ1420(modlog)

      容斥:

      FTD:容斥的原理及广义应用

      莫比乌斯反演:

      Mobius证明$F(n)=\sum_{d|n}f(d)\implies f(n)=\sum_{d|n}\mu(d)F(\frac{n}{d})\\F(n)=\sum_{n|d}f(d)=>f(n)=\sum_{n|d}\mu(\frac{d}{n})F(d)$

      杜教筛:

      浅谈一类积性函数的前缀和
      莫比乌斯反演与杜教筛

      线性基:

      线性基定义&&板子
      线性基应用&&例题

      母函数:

      生成函数
      母函数与排列组合
      指数型母函数
      yuanxiaodi’s趣谈生成函数

      gauss消元:

      gauss_jordan矩阵求逆

      斯特林数:

      深入探究这个东西的资料貌似不是很多呢…感觉只要背住公式，能画柿子就好
      其实都可以去看百度百科了hhhhhh
      ACdreamer - 第一类Stirling数和第二类Stirling
      Ender有关斯特林数

      贝尔数:

      百度百科

      Pollard rho:

      Pollard rho算法详解
      Doggu:Miller-Rabin大质数判定以及Pollard-Rho大数提取因数

      Miller-Rabin:

      Matrix67:数论部分第一节：素数与素性测试
      Doggu:Miller-Rabin大质数判定以及Pollard-Rho大数提取因数

      ---

      其他

      ivorysi的数论学习笔记
      Bfk二项式反演证明