快速傅里叶变换(FTT)计算多项式乘法

1.多项式运算

$$\begin{gathered} 设A(x)=a_0+a_{1}x+a_2{x}^2+\cdots +a_{n-1}{x}^{n-1} \\ B(x)=b_0+b_{1}x+b_2{x}^2+\cdots +b_{n-1}{x}^{n-1} \end{gathered}$$

• 加法
  $$\begin{gathered} A(x)+B(x)= \\ (a_0+b_0)+(a_1+b_1)x+\cdots +(a_{n-1}+bn-1)x^{x-1} \end{gathered}$$

• 求值

  • 普通算法 复杂度为$O(n^2)$

  • 霍尔算法(秦九韶算法) 复杂度为$O(n)$
    $$\begin{gathered} A_1(x)=a_{n-1} \\ {A}_2(x)=a_{n-2}+x{A}_1(x)=a_{n-2}+a_{n-1}x \\ {A}_3(x)=a_{n-3}+x{A}_3(x)=a_{n-3}+a_{n-2}x+a_{n-2}{x}^2 \\ \dots \\ {A}_n(x)=a_0+x{A}_{n-1}(x)=A(x) \end{gathered}$$

• 乘法
  $$\begin{gathered} C(x)=A(x)B(x)=\sum _{k=0}^{m+n-2}{c}_k{x}^k \\ 其中c_k=\sum _{i+j=k}{a}_i{b}_j \end{gathered}$$
  蛮力算法为$O(n^2)$(以乘法为基本操作)

  用图形表示如下，在下述矩阵中，每个斜线的和恰好是乘法中的各个分量。

  

2.多项式的点值表示法

• 引理
  $$一个系数在复数域上的n-1度的多项式有n个复数根$$
  推论
  $$\begin{gathered} 度数为n-1的多项式A(x)由n个不同的x值唯一确定。 \\ 即:n个点确定一个n-1次幂的多项式 \end{gathered}$$

• 点值表示法
  $$\begin{gathered} A(x)=(x_0,y_0),\dots ,(x_{n-1},y_{n-1}) \\ B(x)=(x_0,z_0),\dots ,(x_{n-1},z_{n-1}) \end{gathered}$$

• 点值表示法中的加法
  $$A(x)+B(x):(x_0,y_0+z_0),\dots ,(x_{n-1},y_{n-1}+z_{n-1})$$

• 点值表示法中的求值
  $$A(x)=\sum _{k=0}^{n-1}{y}_k\frac{{\prod }_{j\ne k}(x-x_j)}{{\prod }_{j\ne k}(x_k-x_j)}(Lagrangeformula)$$
  以乘法为基本运算，复杂度为$O(n^2)$

• 点值表示法中的乘法
  $$A(x)\ast B(x):(x_0,y_0\ast z_0),\dots ,(x_{n-1},y_{n-1}\ast z_{n-1})$$
  在点值表示法中，若以乘法为基本运算，则复杂度为$O(n)$，但是需要2n-1个点

3.粗略的系数表示和点值表示的转换

我们既想要快速的求值(O(n))，又想要快速的乘法(O(n))。能否在两种表示方法之间快速转换，借此满足要求。

• 从系数表示到点值表示

  • 直接代值 -需要n个点，n次霍尔运算，复杂度为$O(n^2)$

  • 矩阵计算 -复杂度同样为$O(n^2)$

    

• 从点值表示到系数表示 复杂度为$O(n^3)$

  

4.从系数表示到点表示（利用分治算法求n个点的取值）

我们强调，利用分治算法不是为了在单个点上提高效率，单个点上霍尔算法已经最优，而是为了在n个点时提高效率。

• 两种划分子问题方法

  • 按照幂次高低

    

  • 按照奇偶幂次

    

• 减少复杂度的方法

  简而易见，如果依然计算n个点，那么求值的复杂度不会有任何提高。如果能用n/2点代替n个点呢

  $$\begin{gathered} 设n个点为\pm x_0,\dots ,\pm x_n-1 \\ 则A(x_i)=A_{even}(x_i^2)+x_i{A}_{odd}(x_i^2) \\ A(-x_i)=A_{even}(x_i^2)-x_i{A}_{odd}(x_i^2) \end{gathered}$$

  现在只需要计算n/2个点的$A_{even}(x_i^2)、A_{odd}(x_i^2)$即可。

  但是，$x^2$相等的技巧只在递归树的最顶层有效，无法形成递归。怎么样使得$x_0^2,x_1^2,x_2^2..$也互为相反数呢？

  毫无疑问，我们需要复数。我们可以从底向上缔造满足条件的一个树，如下图

  

  我们可以发现，第n层节点满足$x^n=1$。可以借助下面的定理来求解x的值
  若 ω n = 1 , 则 ω = e 2 π i / n = c o s 2 π n + i s i n 2 π n 推论 1 ：若 n 为偶数，那么 n 个根互为相反数，即 ω n 2 + j = − ω j 推论 2 : 将 n 平方，产生 n / 2 个根，即 w 2 = e 4 π i / n = { v 0 , … , v n / 2 − 1 } 推论 3 : ω 1 0 = ω 0 , ω 1 k = ω k 若\omega^n=1,则\omega = e^{2\pi i/n} = cos\frac {2\pi}n+isin\frac{2\pi}n\\ 推论1：若n为偶数，那么n个根互为相反数，即\omega ^{\frac n2+j} = -\omega^{j}\\ 推论2:将n平方，产生n/2个根，即w^2 = e^{4\pi i/n} = \{v^0,\dots,v^{n/2-1}\}\\ 推论3:\omega_1^0 = \omega_0,\omega_1^k = \omega_k 若ωn=1,则ω=e2πi/n=cosn2π​+isinn2π​推论1：若n为偶数，那么n个根互为相反数，即ω2n​+j=−ωj推论2:将n平方，产生n/2个根，即w2=e4πi/n={v0,…,vn/2−1}推论3:ω10​=ω0​,ω1k​=ωk​
  若$n=2^k$，那么在递归的第i层，我们有$n/2^i$个节点,由于$n/2^i$恒为偶数，由上述"推论1"可知，这$n/2^i$个节点互为相反数。

  以n=8为例，8个根的分布如下图。

  

  因此，若$n=2^k$，在递归树的每一层，节点之间两两都互为相反数。递归得以进行。

  那么有
  $$\begin{gathered} T(n)=T(\frac{n}{2})+O(n) \\ T(n)=\Theta (n\log n) \end{gathered}$$
  至此，我们将求n个点的值的复杂度从$O(n^2)$降到了$O(n\log n)$

5.FFT伪代码

思路如“4”中所说

• 算法:FFT(A,n,$\omega$)

• 输入：n为2的幂。n-1阶多项式A,n个根${\omega }^i$,其中${\omega }^i=e^{2\pi i/n}$

• 输出：$A({\omega }^i),i\in [0,n-1]$

• 伪代码

  1. if n=1 then return a_0
  2.express A(x) = A_even(x^2)+x*A_odd(x^2)
  3.FFT(A_even,n/2,w^2)
  4.FFT(A_odd,n/2,w^2)
  5.for j=0 to n-1 do
  6.	A(w^j) = A_even(w^2j)+w_j*A_odd(w^2j)
  7.return A(w^0)..A(w^n-1)
  

• 复杂度如‘4’中的分析

有了FFT算法，我们可以以$\Theta (n\log n)$的复杂度将多项式的系数表示法转换为点表示法。

6.从点表示到系数表示(逆FFT)

• 傅里叶矩阵

  • 正向矩阵

    如下图，$a_i$代表多项式的系数。利用该矩阵，可以求出n个(${\omega }_i,y_i$)点对。(DFT算法)

    

  • 逆矩阵

    给定n个点对，通过下述矩阵可以求出多项式的系数

    

  • 解逆矩阵

    将傅里叶逆矩阵化为$F_n(\omega )$的形式(根据“4”中的推论3得出)，并求出$F_n(\omega )$的逆，如下图

    

    我们有$\frac{1}{n}{F}_n({\omega }^{-1})=F_n(\omega {)}^{-1}$。其中$w^{-1}=e^{-2\pi i/n}$

    因此

    

• 逆FFT算法

  若按照上述矩阵计算，那么复杂度仍为$O(n^2)$，因此，依然需要用到FFT。只需将$\omega$换成$-\omega$,将$a_i$的位置和$y_i$的位置互换，即为逆FTT。可以用逆FFT实现从点表示到系数表示的转换，复杂度为$\Theta (n\log n)$

  PS：因为$n=2^k$，故n个根之间互为相反数。因此将$\omega$换成$-\omega$之后，依然可以调用分治算法计算。

7.多项式乘法

• 利用FFT和逆FFT，我们可以成功的把多项式乘法的复杂度降到$\Theta (n\log n)$,过程如下图。

  

8.多项式乘法的应用与扩展

• 应用：可以应用在整数乘法中，可以将两个乘数转换为二进制多项式的形式(令x = 2，系数为0或1)，即可利用FFT计算乘法
• 扩展：FFT是在复数域上的运算，精度难免会有损失，有时我们需要在有限域上计算。那么当n|p-1时，${\omega }^n=1modp$有n个根。NTT算法：通过将离散傅里叶专门化到有限域F中得到。