快速阶乘算法

最新推荐文章于 2024-07-13 21:46:06 发布

刘皓东

最新推荐文章于 2024-07-13 21:46:06 发布

阅读量712

点赞数

文章标签：算法

不准用

本文链接：https://blog.csdn.net/qq_33465734/article/details/130495617

版权

FFT是一种用于加速多项式乘法的算法，它通过快速傅里叶变换和逆变换在O(nlogn)的时间复杂度内完成计算，优于朴素的O(n^2)方法。文章讨论了多项式的表示法，DFT和IDFT的概念，以及如何通过选取特定数量的点来确保多项式的唯一性。此外，还提到了使用记忆化和NTT（数论变换）来进一步优化计算过程。

摘要由CSDN通过智能技术生成

前置知识

FFT（Fast Fourier Transformation），中文名快速傅里叶变换，用来加速多项式乘法

什么是多项式？

多项式是指如以下形式的式子：

$\sum _{i=0}^{n} a_i\times k^i$

系数表示法：

$f(x)={a_0,a_1,a_2,\cdots,a_{n}}$

也就是平时用的方法

点值表示法：

把多项式放到平面直角坐标系里面，看成一个函数

$\\ \begin{bmatrix}1&x_0&x_0^2&x_0^3&\cdots&x_0^n\\1&x_1&x_1^2&x_1^3&\cdots&x_1^n\\1&x_2&x_2^2&x_2^3&\cdots&x_2^n\\\vdots&\vdots&\vdots&\vdots&\ddots&\vdots\\1&x_n&x_n^2&x_n^3&\cdots&x_n^n\end{bmatrix}\;\begin{bmatrix}a_0\\a_1\\a_2\\\vdots\\a_n\end{bmatrix}=\begin{bmatrix}y_0\\y_1\\y_2\\\vdots\\y_n\end{bmatrix}\\ \begin{bmatrix}a_0\\a_1\\a_2\\\vdots\\a_n\end{bmatrix}=\begin{bmatrix}1&x_0&x_0^2&x_0^3&\cdots&x_0^n\\1&x_1&x_1^2&x_1^3&\cdots&x_1^n\\1&x_2&x_2^2&x_2^3&\cdots&x_2^n\\\vdots&\vdots&\vdots&\vdots&\ddots&\vdots\\1&x_n&x_n^2&x_n^3&\cdots&x_n^n\end{bmatrix}^{-1}\begin{bmatrix}y_0\\y_1\\y_2\\\vdots\\y_n\end{bmatrix}$

$f(x)=\{(x_0,y_0),(x_1,y_1),\cdots,(x_n,y_n)\}$

朴素系数转点值的算法叫DFT（离散傅里叶变换），点值转系数叫IDFT（离散傅里叶逆变换）
为了实现多项式乘法并得到系数序列，我们可以考虑实现的方法，如果直接暴力（通过定义直接算系数）是O(n2)复杂度，肯定会超时，于是我们这样考虑

首先可以选取n+1个点，把两个多项式转化为点值表示法。

然后将两个点值表示法的多项式相乘（复杂度为O(n)）,然后将新得到的多项式的点值表示法转化为系数表示法。

注意：假设 $f(x)$ 最高有n次方， $g(x)$ 最高有m次方，所以 $f(x)$ *g(x)最高有 $n+m$ 次方，但是 $n+m$ 可能不是2的幂次方，如果不是，则需要选取点的数量应该是大于 $n+m$ 的2的幂次方个，假设这个值为1<<k，所以从系数表示法到点值表示法的转化过程中，我们要在 $f(x)$ 和g(x)内选择1<<k的点，才能保证点值表示法的 $f(x)$ 和 $g(x)$ 之后，至少仍有 $n+m$ 个点，才能确定唯一一个 $f(x)$ $*g(x)$ 的多项式。所以在选取点的数量的时候，要保证点的个数能确定 $f(x)$ $*g(x)$ 后的多项式。

如果任意的选取 $n+m$ 个点然后转化，复杂度还是太高，所以我们需要巧妙的选取 $1<<k$ 个点，从而使得系数表示法与点值表示法之间转化的复杂度降为 $O(nlogn)$ ，这就是FFT算法。
${(w_n^0,f(w_n^0)),(w_n^1,f(w_n^1)),(w_n^2,f(w_n^2)),...,(w_n^{n-1},f(w_n^{n-1}))}$
$w_n^k=cos\frac{2k\pi}{n}+i\,sin\frac{2k\pi}{n}$