模板：快速傅里叶变换（FFT）

参考：http://blog.csdn.net/f_zyj/article/details/76037583
原文即是一篇很好的FFT入门博客，但是笔者打算为了日后的学习，则将原篇章的结构删改增添一下，如有思路上的雷同十分正常。
“是时候打开FFT的大门了！”

预备知识：

1.至少知道基础数论与一定解三角形知识（大概是高中水平）。
2.定义$i=\sqrt{-1}$
3.引入复数（即形如$a+bi$（a,b均为实数）的数的集合）
4.$(cos\theta+i\times sin\theta)^k=cos(k\theta)+i\times sin(k\theta)$
5.显然我们对多项式FFT之后得到的答案不是我们想要的，那么这时候就需要反着用FFT把式子再变回去（本文记做IFFT）。

这里证明一下第四条，用归纳法。
显然当$k=1$时成立。
当$k$成立时，我们有：
$(cos\theta+i\times sin\theta)^{k+1}$
$=(cos\theta+i\times sin\theta)^k\times (cos\theta+i\times sin\theta)$
$=(cos(k\theta)+i\times sin(k\theta))\times (cos\theta+i\times sin\theta)$
$=cos(k\theta)cos\theta+i\times sin(k\theta)cos\theta+i\times cos(k\theta)sin\theta+i^2\times sin(k\theta) sin\theta$
$=cos(k\theta)cos\theta-sin(k\theta) sin\theta+i\times (sin(k\theta)cos\theta+cos(k\theta)sin\theta)$
$=cos((k+1)\theta)+i\times sin((k+1)\theta)$
得证。

问题引入：

设$A(x)=\sum_{i=0}^{n-1}a_ix^i,B(x)=\sum_{i=0}^{n-1}b_ix^i$，求$A(x)\times B(x)$后的多项式系数。

初探：

显然我们有一个$O(n^2)$的解法，但是实在是太慢了。
考虑到一个$n-1$次多项式可以看做是定义在复数域上的函数，则我们一定可以找到n个点来唯一确定这个函数。
当然我们也可以通过这些点来表示这个多项式。
假设：
$A(x)$被表示为： <(x0,ya0),(x1,ya1),…,(x2n−2,ya2n−2)> < ( x 0 , y a 0 ) , ( x 1 , y a 1 ) , … , ( x 2 n − 2 , y a 2 n − 2 ) > <script type="math/tex" id="MathJax-Element-144"><(x_0,y_{a_0}),(x_1,y_{a_1}),\ldots,(x_{2n-2},y_{a_{2n-2}})></script>
$B(x)$被表示为： <(x0,yb0),(x1,yb1),…,(x2n−2,yb2n−2)> < ( x 0 , y b 0 ) , ( x 1 , y b 1 ) , … , ( x 2 n − 2 , y b 2 n − 2 ) > <script type="math/tex" id="MathJax-Element-146"><(x_0,y_{b_0}),(x_1,y_{b_1}),\ldots,(x_{2n-2},y_{b_{2n-2}})></script>
显然$A(x)\times B(x)$被表示为： <(x0,ya0yb0),(x1,ya1yb1),…,(x2n−2,ya2n−2yb2n−2)> < ( x 0 , y a 0 y b 0 ) , ( x 1 , y a 1 y b 1 ) , … , ( x 2 n − 2 , y a 2 n − 2 y b 2 n − 2 ) > <script type="math/tex" id="MathJax-Element-148"><(x_0,y_{a_0}y_{b_0}),(x_1,y_{a_1}y_{b_1}),\ldots,(x_{2n-2},y_{a_{2n-2}}y_{b_{2n-2}})></script>

这里多取了点的原因在于$A(x)\times B(x)$是一个$2n-2$次多项式，则至少要取$2n-1$个点才能保证正确。

但是显然还是$O(n^2)$的。

再试：

考虑设$A(x_i)=A_0(x_i^2)+x_iA_1(x_i^2)$，其中:
$A_0(x)=a_0+a_2x+a_4x^2+\ldots+a_{n-2}x^{\frac{n}{2}+1}$
$A_1(x)=a_1+a_3x+a_5x^2+\ldots+a_{n-1}x^{\frac{n}{2}+1}$

其实就是按照系数下标的奇偶性分类了一下。

此时我们再令取点的$x$值为$<x_0,x_1,\ldots,x_{\frac{n}{2}-1},-x_0,-x_1,\ldots,-x_{\frac{n}{2}-1}>$
我们发现把$x$平方后我们的取值瞬间缩小了一半，而原式唯一变化的就是$A_1(x)$前的符号。
看起来我们似乎找到了$O(nlogn)$的可行方案。
但是很可惜，这样优秀的$x$取值的性质只会保留一次，也就是说我们只是得到了一个$O(\frac{n^2}{2})$。
如何才能每次将问题的规模缩小一半是我们的目标。

插曲：

有个人告诉你：不如试试$X_n=cos\frac{2\pi}{n}+i\times sin\frac{2\pi}{n}$ 的 $0\ldots n-1$次方作为$x$的取值。

这块大家一直有个疑惑：这是怎么构造出来的啊？
事实上傅里叶变换最早是应用于信号处理上的，傅里叶提出：任何连续周期信号可以由一组适当的正弦曲线组合而成。
多项式可以看做非连续周期信号，然后通过各种奇妙的姿势让它逼近正弦曲线的组合形，详情可以看松松松WC2018的课件。
“逼近”显然用到了微积分，不适合初学者，所以就直接跳过了。（其实我也不会……）
（再多说一点吧，其实上面和下面的数学推理完全可以从物理层面理解，还是可以参考松松松WC2018的课件）

继续：

那么令取点的$x$值为 <X0n,X1n,…,Xn−1n> < X n 0 , X n 1 , … , X n n − 1 > <script type="math/tex" id="MathJax-Element-274"> </script>
我们可知：
$(X_n^{k})^2$

$=X_n^{2k}$

$=cos\frac{2k\times 2\pi}{n}+i\times sin\frac{2k\times 2\pi}{n}$

$=cos\frac{2k\pi}{\frac{n}{2}}+i\times sin\frac{2k\pi}{\frac{n}{2}}$

$=X_{\frac{n}{2}}^k$

---

$X_n^{k}$

$=cos\frac{k\times 2\pi}{n}+i\times sin\frac{k\times 2\pi}{n}$

根据三角函数的周期性可知，$k$对$n$取模显然不会对答案造成影响。
于是我们有$X_n^{k}=X_n^{k\%n}$

那么显然对于 <(X0n)2,(X1n)2,…,(Xn−1n)2> < ( X n 0 ) 2 , ( X n 1 ) 2 , … , ( X n n − 1 ) 2 > <script type="math/tex" id="MathJax-Element-285"><(X_n^0)^2,(X_n^1)^2,\ldots,(X_n^{n-1})^2></script>

它等效于 <X0n2,X1n2,…,Xn2−1n2,X0n2,X1n2,…,Xn2−1n2> < X n 2 0 , X n 2 1 , … , X n 2 n 2 − 1 , X n 2 0 , X n 2 1 , … , X n 2 n 2 − 1 > <script type="math/tex" id="MathJax-Element-286"> </script>

我们好像看到了$O(nlogn)$的曙光了。

尾声：

显然我们可以对$x$的取值折半，然后对于左右区间的$x$值递归下去即可。
Q1：诶等等，“再试”里面的内容好像没有应用上啊……

A1：那就转化一下，其实我们只需要求一个区间的$A_0(x)$和$A_1(x)$值递归下去求$A(x)$即可。
也就是说其实我们是得到了：
<(A0)0,(A0)1,…,(A0)n2−1,(A1)0,(A1)1,…,(A1)n2−1> < ( A 0 ) 0 , ( A 0 ) 1 , … , ( A 0 ) n 2 − 1 , ( A 1 ) 0 , ( A 1 ) 1 , … , ( A 1 ) n 2 − 1 > <script type="math/tex" id="MathJax-Element-293"><(A_0)_0,(A_0)_1,\ldots,(A_0)_{\frac{n}{2}-1},(A_1)_0,(A_1)_1,\ldots,(A_1)_{\frac{n}{2}-1}></script>

Q2：这好像是画蛇添足……

A2：emmm……我说这个可以用于常数优化你信吗……
显然$A(X_n^k)=(A_0)_{k\%\frac{n}{2}}+X_n^k(A_1)_{k\%\frac{n}{2}}$

取模是因为，不要忘了我们的取值是由两个一样的左右区间合并在一起的。

那么我们得到了 <A0,A1,…,An−1> < A 0 , A 1 , … , A n − 1 > <script type="math/tex" id="MathJax-Element-295"> </script>

（其中$A_k=A(X_n^k)$）

我们好像把这个序列的长度减少了一半诶！那自然是快了二倍啊。

不要忘了n要满足始终是2的倍数，所以n要取2的整数次幂，同时将没用的次幂的系数填成0。

Q3：IFFT怎么做啊？

A3：继续看下去……？

补遗：

略讲一下IFFT。
显然我们可以把FFT的最初算法（也就是DFT）看做两个矩阵相乘。

两个矩阵分别一个填$(X_n^k)^m$，一个填系数，可以上参考处原博客看矩阵。

那么我们把第一个矩阵变成逆矩阵岂不是为IFFT？
其实就是这样，并且事实上就是填$((X_n^{-k})^m)/n$，具体证明过程看参考处原博客。
剩下的做法就和FFT一样啦。

谢幕：

（是的我没有讲实现，因为我也是今天才学完）
（然而学完和代码能写出来是两个概念，所以先咕咕咕了）