【Code】转置

转置原理

**线性算法：**有一个$n\times n$的矩阵$M$，输入一个$n$维向量$a$，计算$b=Ma$的过程叫线性算法。

具体的，若一个算法只包含以下三种操作，那么其就是线性算法：

• $x\leftarrow x+cy$
• $swap(x,y)$
• $x\leftarrow cx$

**线性算法的转置：**对于一个计算$b=Ma$的线性算法，其转置就是输入$b$，计算$a=M^{T}b$。

转置原理是指：若我们能在一定时间复杂度内完成一个线性算法，那么一定能在同样的时间复杂度内完成其转置。

我们将$M$分解成一系列初等矩阵$M=E_1{E}_2\cdots E_r$，那么$M^T=E_r^T{E}_{r-1}^T\cdots E_1^T$。

因此转置一个算法就是将原算法倒着执行，同时每一个基本运算都进行转置。

一些例子

DFT的转置：

$DFT$本质是乘上了一个范德蒙德矩阵，其是对称的，因此其转置就是本身。

这个可以用来去掉蝴蝶变换。

加法卷积的转置：

将$H=F\times G$中的$F$看成输入，$G$看成常量，那么$H_k={\sum }_{i=0}{G}_{k-i}{F}_i$。

那么$H=AF$的矩阵为$A_{i,j}=[i\ge j]G_{i-j}$

即转置后为$H^{\prime }=A^{T}F$,有：
$$\begin{array}{r}{H}_k^{\prime }=\sum _{i=0}{A}_{k,i}^T{F}_i=\sum _{i=0}{A}_{i,k}{F}_i=\sum _{i=k}{G}_{i-k}{F}_i=\sum _{i=0}{G}_i{F}_{i+k}\end{array}$$
即减法卷积，下面记为${\times }^T$。

多点求值

原多点求值算法为考虑$F(x_0)=F(x)\mathrm{m}\mathrm{o}\mathrm{d}(x-x_0)$，以此分治做多项式取模，常数较大。

我们将多点求值写成矩阵相乘的形式：
$$\left(\begin{array}{c}f(a_1)\\ ⋮\\ f(a_n)\end{array}\right)=\left(\begin{array}{cccc}1& a_1& \cdots & a_1^{n-1}\\ ⋮& \ddots & \ddots & ⋮\\ 1& \cdots & \cdots & a_n^{n-1}\end{array}\right)\left(\begin{array}{c}{f}_0\\ ⋮\\ f_{n-1}\end{array}\right)$$
其转置即为：
$$\left(\begin{array}{ccc}1& \cdots & 1\\ a_1& \cdots & a_n\\ ⋮& \ddots & ⋮\\ a_1^{n-1}& \cdots & a_n^{n-1}\end{array}\right)\left(\begin{array}{c}{g}_1\\ ⋮\\ g_n\end{array}\right)$$
=最后第$i$项为${\sum }_{j=1}^n{g}_j{a}_j^i={\sum }_{j=1}^n{g}_j[x^i]\frac{1}{1-a_{j}x}=[x^i]{\sum }_{j=1}^n\frac{g_j}{1-a_{j}x}$

这个是较为简单的，我们分治时维护当前区间答案为$\frac{A(x)}{B(x)}$,合并左右区间即$\frac{A_l(x)B_r(x)+A_r(x)B_l(x)}{B_l(x)B_r(x)}$

注意，整个算法中$g$为输入，因此$B$是个常多项式，可以预先预处理，同时转置算法时我们不需要转置它。

我们完整的描述一下这个算法：

• 首先预处理$B$，然后开始分治

• 向左右区间分治

• 计算$A_l(x)B_r(x),A_r(x)B_l(x)$并相加

• 最后根上的多项式乘$B_{[1,n]}$即所求

将其转置：

• 预处理$B$,将传入的多项式$A$转置乘$B_{[1,n]}(x{)}^{-1}$
• 将信息下传，$A_r=A{\times }^T{B}_l,A_l=A{\times }^T{B}_r$
• 不断分治，最后到叶子都是常数项，即所求的点值。

整个过程只需要一次求逆即可。

code

例题

Contest #2 真实无妄她们的人生之路

有$n$件物品，第$i$件物品属性为$p_i$。

主人公等级初始为$0$，使用第$i$件物品会有$p_i$的概率让等级加一，$1-p_i$ 的概率不变。

若最后等级为$j$，则会具有$a_j$ 的攻击力。

令$f_i$ 表示使用除$i$外的$n-1$个物品后的期望攻击力。要求求出$f_1,f_2,\cdots ,f_n$。答案对$998244353$ 取模。

$n\le 10^5$

gym102978 Do Use FFT

给出长为$n$的序列$a,b,c$，对于$k\in [1,n]$求出：
$$\sum _{i=1}^n(c_i\prod _{j=1}^k(a_i+b_j))$$
$n\le 2.5\times 10^5$,时限$10s$

code

记$F_i(x)={\prod }_{j=1}^i(x+b_j)$，将上式转化为矩阵的形式：
$$\left(\begin{array}{ccc}[x^0]F_1(x)& \cdots & [x^n]F_1(x)\\ [x^0]F_2(x)& \cdots & [x^n]F_2(x)\\ ⋮& \ddots & ⋮\\ [x^0]F_n(x)& \cdots & [x^n]F_n(x)\end{array}\right)\left(\begin{array}{ccc}{a}_1^0& \cdots & a_n^0\\ a_1^1& \cdots & a_n^2\\ ⋮& \ddots & ⋮\\ a_1^n& \cdots & a_n^n\end{array}\right)\left(\begin{array}{c}{c}_1\\ c_2\\ ⋮\\ c_n\end{array}\right)$$
右边两个即${\sum }_{i=1}^n\frac{c_i}{1-a_{i}x}$,分治fft计算即可，下面记为$f$

剩下的我们用转置原理，考虑转置后求的是什么:$an{s}_i=[x_i]{\sum }_{j=1}^n{F}_j(x)f_j$

这个可以分治fft解决,记$F_{l,r}={\prod }_{i=l}^r(x+b_i),A_{l,r}={\sum }_{i=l}^r{f}_i{F}_{l,i}(x)$

$F$与$f$无关，可以先预处理。$A_{l,r}=A_{l,mid}+A_{mid+1,r}{F}_{l,r}$

叶子为$f_i\times (x+b_i)$

再将其转置回去，这个流程为：

• 初始$A_{1,n}=f$,同时预处理$F$
• $A_l=A,A_r=A{\times }^T{F}_l$
• 递归左右儿子，最后到叶子时$an{s}_i=A{\times }^T(x+b_i)$,即$[x^0]A\cdot b_i+[x^1]A$

简单函数的复合

若$G(x)$是一个简单函数，那么我们能在较少的时间内算出$F(G(x))\mathrm{m}\mathrm{o}\mathrm{d}{x}^n$

我们认为简单函数有下面几种：

1.加法

$$F(x+k)=\sum _{i=0}^{n-1}{F}_i(x+k{)}^i=\sum _{i=0}^{n-1}{F}_i\sum _{j=0}^i(\genfrac{}{}{0ex}{}{i}{j})x^j{k}^{i-j}=\sum _{j=0}^{n-1}\frac{x^j}{j!}\sum _{i=j}^{n-1}{F}_i\cdot i!\frac{k^{i-j}}{(i-j)!}$$

一次卷积即可。

2.乘法

$F(kx)$，线性乘一边即可。

3.幂

$F(x^k)$，下标变换

4.逆元

有$F^R(x)=x^{n-1}F(x^{-1})$，那么$F(x^{-1})=F^R(x)\times x^{1-n}$

一次求逆即可。

5.开$k$次根

设$x$对应后面的幂级数是$g$，且$g=h^k$。我们将$F$的下标按模$k$分类：
$$F_i(x)=\sum _j{F}_{jk+i}{x}^j$$
那么有:
$$F(h)=\sum _i{F}_i(g)h^i$$
求出$h$后将其拼起来即可。

6.指数

$$F(e^x)=\sum _{i=0}^{n-1}{F}_i{e}^{ix}=\sum _{i=0}^{n-1}{F}_i\sum _j\frac{i^j}{j!}{x}^j=\sum _j\frac{x^j}{j!}\sum _i{F}_i{i}^j$$

考虑计算:
$$\sum _j{x}^j\sum _i{F}_i{i}^j$$
这个就是刚才多点求值的转置。

7.对数

直接不好考虑，我们考虑复合指数的逆，复合指数可以描述为对$F$进行多点求值的转置，然后每个位置乘$\frac{1}{j!}$，将其转置就是先乘$\frac{1}{j!}$,在进行多点求值，其逆就是多点插值后每个位置乘$j!$,在将这个算法转置回去即可。

用途

我们考虑一个线性变换$Ma=b$，考虑$M$对应的二元生成函数$F(x,y)$，若其可以表示为$u(x)v(y)f(g(x)h(y))$其中$g,h$为常数个简单函数复合而成，那么我们可以快速计算$Ma$

先假设$u=v=1$，那么有：
$$\begin{gathered} M_{i,j}=\sum _k{g}_i^k{f}_k{h}_j^k \\ an{s}_i=\sum _j{a}_j\sum _k{g}_i^k{f}_k{h}_j^k \end{gathered}$$
即三个线性变换的复合$g$复合，点乘$f$，$h$复合的转置。

加上$u,v$后原线性变换变为三个线性变换的复合：乘$u$，原线性变换，乘$v$的转置

随机游走

在一个无穷大的二维平面上，一个人出发点是$(0,0)$，每步可以沿向量 $(1,1)$$(1, 0) $和$(2, 0)$走，分别带有$1,a,b$ 的权值；
此人随时可以停止。若停在 $(x,y)$，则会产生$w_y$的权值；
定义一条路径的权是这些权值的乘积。对于$a\in [1,n]$，求出结束在$x$坐标为$a$的所有点的所有路径权值之和$g_a$。

$n\le 10^5$，对$998244353$取模

令$f_{x,y}$表示到达$x,y$的路径权值和,$f_{0,0}=1$,有$f_{i,j}=f_{i-1,j-1}+a{f}_{i-1,j}+b{f}_{i-2,j}$

最后$g_a={\sum }_y{f}_{a,y}{w}_y$

令$f$的二元生成函数为$F(x,y)$，那么有：$F=1+xyF+axF+b{x}^{2}F$，可解得：
$$F=\frac{1}{1-(a+y)x-x^2}=\frac{1}{(1-x^2)(1-\frac{a+y}{1-x^2})}$$
写成上面的形式即可。