多项式基础II 多项式求逆 多项式取模 多项式开方 多项式牛顿迭代 多项式ln 多项式exp

多项式求逆

已知$f(x)$，要求出$g(x)$满足$$f(x)g(x)\equiv 1(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
其中模$x^n$的意义是将指数大于等于$n$的部分都去掉。

将$n$向上扩充为$2^k-1$。假设我们已求出$g^{\prime }(x)$满足$$f(x)g^{\prime }(x)\equiv 1(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\frac{n}{2}})$$
显然在模$x^n$成立的条件在模$x^{\frac{n}{2}}$时也成立。于是上两式相减得$$f(x)(g(x)-g^{\prime }(x))\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\frac{n}{2}})$$
由于$f(x)̸\equiv 0$，因此$$g(x)-g^{\prime }(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\frac{n}{2}})$$
两边平方得$$g^2(x)-2g(x)g^{\prime }(x)+g^{\prime 2}(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
两边同乘$f(x)$得$$g(x)-2g^{\prime }(x)+f(x)g^{\prime 2}(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
于是$$g(x)\equiv 2g^{\prime }(x)-f(x)g^{\prime 2}(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
用FFT计算，递归求解即可。总时间复杂度为$O(n\log n)$。

口诀：减去平成（2019.2.7）

inline pol inv(pol g) {
    int n = g.size(), m = n >> 1;
    if(n == 1) return unipol(inv(g[0]));
    pol f0 = g; f0.resize(m);
    f0 = inv(f0);
    f0.resize(n<<1); g.resize(n<<1);
    ntt(f0, 1); ntt(g, 1);
    for(int i = 0; i < n<<1; i++) g[i] = mul(f0[i], sub(2, mul(g[i], f0[i])));
    ntt(g, 0); g.resize(n);
    return g;
}

多项式取模（多项式带余除法）

给定$f(x)$、$g(x)$，要求$q(x)$、$r(x)$满足
$$f(x)=g(x)q(x)+r(x)$$
设$f(x)$的阶为$n-1$，$g(x)$的阶为$m-1$，则$q(x)$的阶为$n-m$，$r(x)$的阶小于$m-1$。

将$f(x)$、$r(x)$的系数在$[0,n-1]$内翻转，$g(x)$的系数在$[0,m-1]$内翻转，$q(x)$的系数在$[0,n-m]$内翻转。以下标$r$表示翻转，则同样有$$f_r(x)=g_r(x)q_r(x)+r_r(x)$$
由于$r(x)$的指数范围是$[0,m-2]$，因而$r_r(x)$的指数范围是$[n-m+1,n-1]$。因此
$$f_r(x)\equiv g_r(x)q_r(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{n-m+1})$$ $$q_r(x)\equiv f_r(x)g_r(x{)}^{-1}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{n-m+1})$$
由于$q_r(x)$的指数范围是$[0,n-m]$，模$x^{n-m+1}$对其不产生影响。于是可由此直接得到$q(x)$。

inline pol dvd(pol a, pol b) {
	int n = a.size(), m = b.size();
	if(n < m) return unipol(0);
	reverse(a.begin(), a.end());
	reverse(b.begin(), b.end());
	b.resize(ext(n-m+1));
	b = inv(b);
	a.resize(n-m+1);
	a = a * b;
	a.resize(n-m+1);
	reverse(a.begin(), a.end());
	return a;
}

多项式开方

求$g(x)$满足$g^2(x)\equiv f(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$。

假设已求出$g^{\prime }(x)$满足$g^{\prime 2}(x)\equiv f(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\frac{n}{2}})$，则$$g^{\prime 2}(x)-g^2(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\frac{n}{2}})$$ $$(g^{\prime }(x)+g(x))(g^{\prime }(x)-g(x))\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\frac{n}{2}})$$ $$g^{\prime }(x)-g(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\frac{n}{2}})$$
两边平方得$$g^2(x)-2g(x)g^{\prime }(x)+g^{\prime 2}(x)\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
于是$$g(x)\equiv \frac{f(x)+g^{\prime 2}(x)}{2g^{\prime }(x)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
递归求解即可。注意如果取模，计算常数项时应用二次剩余。

int inv2 = inv(2);

inline pol sqt(pol g) {
	int n = g.size(), m = n >> 1;
	if(n == 1) return unipol(msqrt(1));
	pol g0 = g; g0.resize(m);
	pol f0 = sqt(g0), invf0 = f0;
	invf0.resize(n);
	for(int i = 0; i < n; i++) invf0[i] = mul(invf0[i], 2);
	invf0 = inv(invf0);
	f0 = f0 * f0;
	for(int i = 0; i < n; i++) Add(g[i], f0[i]);
	g = g * invf0;
	g.resize(n);
	return g;
}

现在你已经可以做小朋友与二叉树了。

11.19 here

---

多项式求对数

求$\ln f(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$。

$\ln f(x)\equiv \int (\ln f(x){)}^{\prime }\equiv \int \frac{f(x{)}^{\prime }}{f(x)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$。用多项式求导、多项式积分和多项式求逆即可。

inline pol ln(pol g) {
    int n = g.size();
    pol gg; gg.resize(n);
    for(int i = 0; i < n-1; i++) gg[i] = mul(i+1, g[i+1]);
    gg[n-1] = 0;
    pol f = inv(g); f.resize(n<<1); gg.resize(n<<1);
    ntt(f, 1); ntt(gg, 1); 
    for(int i = 0; i < n<<1; i++) gg[i] = mul(gg[i], f[i]);
    ntt(gg, 0);
    for(int i = 1; i < n; i++) g[i] = mul(inv(i), gg[i-1]);
    g[0] = 0; 
    return g;
}

多项式牛顿迭代

给定$g(f(x))$，求其零点（即求一个$f(x)$使$g(f(x))\equiv 0(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$）。

多项式上的牛顿迭代公式 设$f_0(x)\equiv f(x)\mathrm{m}\mathrm{o}\mathrm{d}{x}^{\frac{n}{2}}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$，则有$$f(x)\equiv f_0(x)-\frac{g(f_0(x))}{g^{\prime }(f_0(x))}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
递归解决即可。注意每次问题规模减半，每层复杂度$O(n\log n)$，因此总复杂度为$O(n\log n)$。

多项式exp

求$f(x)\equiv e^{h(x)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$。

两边取对数得$$\ln f(x)\equiv h(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
设$g(f(x))\equiv \ln f(x)-h(x)(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$，则问题变为求该函数的零点。由多项式上的牛顿迭代公式，有$$f(x)\equiv f_0(x)-\frac{\ln f_0(x)-h(x)}{\frac{1}{f_0(x)}}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$$$f(x)\equiv f_0(x)\cdot (1-\ln f_0(x)+h(x))(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
用牛顿迭代的方法递归即可。

inline pol exp(pol g) {
    int n = g.size(), m = n >> 1;
    if(n == 1) return unipol(1);
    pol f0 = g; f0.resize(m);
    f0 = exp(f0); f0.resize(n);
    pol lnf0 = ln(f0);
    f0.resize(n<<1); lnf0.resize(n<<1); g.resize(n<<1);
    Add(g[0], 1);
    ntt(f0, 1); ntt(lnf0, 1); ntt(g, 1);
    for(int i = 0; i < n<<1; i++) g[i] = mul(f0[i], sub(g[i], lnf0[i]));
    ntt(g, 0);
    g.resize(n);
    return g;
}

多项式的幂

求$f^{g(x)}(x)$。

$$\equiv e^{f(x)\ln g(x)}(\mathrm{m}\mathrm{o}\mathrm{d}{x}^n)$$
用多项式求对数和多项式exp即可。

Talk is cheap, show me the code!

[+] view code

---

FFT、NTT及FWT见多项式基础I。
多项式多点求值和多项式快速插值见多项式基础III。
另有任意模数NTT，无迹可循。