简介
FFT是用来计算多项式卷积的东西。
多项式卷积: C = A ∗ B C=A*B C=A∗B ,即 c k = ∑ i + j = k a i ∗ b j c_k=\sum_{i+j=k} a_i*b_j ck=∑i+j=kai∗bj 。(假设下标范围 0 − n 0-n 0−n )
直接按照定义做是 O ( n 2 ) O(n^2) O(n2) 的,但是FFT可以做到 n l o g ( n ) nlog(n) nlog(n) 。
一些奇奇怪怪的东西(定义)
考虑一个 n n n 次多项式,取 n n n 个不同的 x x x 代入会得到 n n n 个 y y y ,然后发现由于我们可以解方程,因此只要不是无解、多解,我们可以说,一个 n n n 次多项式和一个(有 n n n 个点的集合一一对应)。
对于多项式 A = ∑ i = 0 n − 1 a i ∗ x i A=\sum_{i=0}^{n-1}a_i*x^i A=∑i=0n−1ai∗xi ,定义其在 x = x 0 x=x_0 x=x0 处的点值为 A ( x 0 ) = ∑ i = 0 n − 1 a i ∗ x 0 i A(x_0)=\sum_{i=0}^{n-1}a_i*x_0^i A(x0)=∑i=0n−1ai∗x0i 。
多项式系数表示:对于 A = ∑ i = 0 n − 1 a i ∗ x i A=\sum_{i=0}^{n-1} a_i*x^i A=∑i=0n−1ai∗xi ,系数表示为 A = { a 0 , a 1 , . . . , a n − 1 } A=\{a_0,a_1,...,a_{n-1}\} A={a0,a1,...,an−1} 。
多项式点值表示:
A
=
{
(
x
0
,
y
0
)
,
(
x
1
,
y
1
)
,
.
.
.
,
(
x
n
−
1
,
y
n
−
1
)
}
A=\{(x_0,y_0),(x_1,y_1),...,(x_{n-1},y_{n-1})\}
A={(x0,y0),(x1,y1),...,(xn−1,yn−1)} 。如果
x
x
x 的取值确定的情况下,显然也可以写成
A
=
{
y
0
,
y
1
,
.
.
.
,
y
n
−
1
}
A=\{y_0,y_1,...,y_{n-1}\}
A={y0,y1,...,yn−1} 。这样的话,多项式的系数、点值表示都可以写成一个向量vector
的形式了。
点值表示中,若A与B x x x 的取值相同,它们相乘只需要把 x x x 对应的 y y y 分别相乘即可。
n次单位根(其实n次单位根只应该有1个,但是为了方便这里就当作有n个):方程 x n = 1 x^n=1 xn=1 的n个复数根,分别称为 w n 0 , w n 1 , w n 2 , . . . , w n n − 1 w_n^0,w_n^1,w_n^2,...,w_n^{n-1} wn0,wn1,wn2,...,wnn−1 ,其中 w n 0 = 1 w_n^0=1 wn0=1 。简记为 w n , 0 w_{n,0} wn,0 。不引起歧义的情况下,我会写成 w 0 w_0 w0 。同时,在这里,n应该是2的幂次(原因后文会讲)。
主要用到的n次单位根的性质: w n , 1 k = w n , k , w n , k = w 2 ∗ n , 2 ∗ k , w n , k + n 2 = − w n , k w_{n,1}^k=w_{n,k},w_{n,k}=w_{2*n,2*k},w_{n,k+\frac{n}{2}}=-w_{n,k} wn,1k=wn,k,wn,k=w2∗n,2∗k,wn,k+2n=−wn,k 。
DFT,就是把一个长度为 n n n 次的向量(多项式系数表示)代入 n n n 次单位根,从而转换为另一个向量(多项式点值表示)。而IDFT,是把以上点值表示转换为系数表示。它们的复杂度都是 O ( n log n ) O(n\log n) O(nlogn) 。
做法
数学
好,假设我们现在需要把一个长为 2 l e n = n 2^{len}=n 2len=n 的多项式 A = ∑ i = 0 n − 1 a i ∗ x i A=\sum_{i=0}^{n-1}a_i*x^i A=∑i=0n−1ai∗xi 转换为点值表示(系数表示和系数表示向量被认为是相同的)。
我们先把它分成两部分:
A = ∑ i = 0 n 2 − 1 a 2 ∗ i ∗ x 2 ∗ i + ∑ i = 0 n 2 − 1 a 2 ∗ i + 1 ∗ x 2 ∗ x + 1 。 A=\sum_{i=0}^{\frac{n}{2}-1}a_{2*i}*x^{2*i}+\sum_{i=0}^{\frac{n}{2}-1}a_{2*i+1}*x^{2*x+1}。 A=i=0∑2n−1a2∗i∗x2∗i+i=0∑2n−1a2∗i+1∗x2∗x+1。
构造两个新的多项式,其系数表示的向量分别为:
A 1 = { a 0 , a 2 , . . . , a n − 2 } A 2 = { a 1 , a 3 , . . . , a n − 1 } A_1=\{a_0,a_2,...,a_{n-2}\}\\ A_2=\{a_1,a_3,...,a_{n-1}\} A1={a0,a2,...,an−2}A2={a1,a3,...,an−1}
把这两个多项式分别变成点值表示(相当于递归向下做):
A 1 = { ( w n 2 , 0 , a 0 ) , ( w n 2 , 1 , a 2 ) , . . . , ( w n 2 , n 2 − 1 , a n − 2 ) } A 2 = { ( w n 2 , 0 , a 1 ) , ( w n 2 , 1 , a 2 ) , . . . , ( w n 2 , n 2 − 1 , a n − 2 ) } A_1=\{(w_{\frac{n}{2},0},a_0),(w_{\frac{n}{2},1},a_2),...,(w_{\frac{n}{2},\frac{n}{2}-1},a_{n-2})\}\\ A_2=\{(w_{\frac{n}{2},0},a_1),(w_{\frac{n}{2},1},a_2),...,(w_{\frac{n}{2},\frac{n}{2}-1},a_{n-2})\} A1={(w2n,0,a0),(w2n,1,a2),...,(w2n,2n−1,an−2)}A2={(w2n,0,a1),(w2n,1,a2),...,(w2n,2n−1,an−2)}
然后考虑我们需要的是A的点值表示。枚举每一个 n n n 阶单位根,我们需要知道A代入 w n i w_n^i wni 的值。然后再看一下第一个公式
A = ∑ i = 0 n 2 − 1 a 2 ∗ i ∗ x 2 ∗ i + ∑ i = 0 n 2 − 1 a 2 ∗ i + 1 ∗ x 2 ∗ x + 1 。 A=\sum_{i=0}^{\frac{n}{2}-1}a_{2*i}*x^{2*i}+\sum_{i=0}^{\frac{n}{2}-1}a_{2*i+1}*x^{2*x+1}。 A=i=0∑2n−1a2∗i∗x2∗i+i=0∑2n−1a2∗i+1∗x2∗x+1。
又因为有 ( w n 1 ) 2 = w n 2 = w n 2 1 (w_n^1)^2=w_n^2=w_{\frac{n}{2}}^1 (wn1)2=wn2=w2n1 ,所以代入 w n i w_n^i wni 后,点值就是A1在 w n 2 i w_{\frac{n}{2}}^i w2ni 处的点值加上 w n i ∗ A 2 [ w n 2 i ] w_n^i*A_2[w_{\frac{n}{2}}^i] wni∗A2[w2ni] 。
然后是IDFT。有一个结论,是说只要把以上的 n n n 次单位根全都变成相反数就行。证明自行百度。
代码
inline void FFT(Complex *A,int len,int fl);
DFT中,A开始存系数,后来存 A [ w i ] A[w_i] A[wi]。
基本代码:
inline void FFT(Complex *A,int len,int fl){
if (len == 1) return;
Complex *A1, *A2;
A1 = new Complex[len / 2], A2 = new Complex[len / 2];
rep(i, 0, len / 2){
A1[i] = A[i * 2];
A2[i] = A[i * 2 + 1];
}
FFT(A1, len / 2, fl);
FFT(A2, len / 2, fl);
Complex w = init(len, fl), cur = (Complex)1;
rep(i, 0, len){
A[i] = A1[i % (len / 2)] + cur * A2[i % (len / 2)];
cur = cur * w;
}
}
如果把最终的数字转换的结果放出来,就是这样的:
int tmp;
inline void FFT(Complex *A,int len,int fl){
// reverse
int j = 0;
rep(i, 0, len){
if (j > i) Swap(A[i], A[j]);
// reverse add j
}
// reverse
Complex w, step, tmp;
for (i = 1; i < len; i <<= 1){
w = ...;
for (int j = 0; j < len; j += i * 2){
step = (Complex)1;
for (k = j; k < j + i; ++k){
tmp = step * A[j + i + k];
A[j + i + k] = A[j + k] - tmp;
A[j + k] += tmp;
step *= w;
}
}
}
}
(上面的加减可能需要理解)
NTT
如上,但是把所有的 n n n 次单位复根换成 ± 3 998244352 / n m o d    998244353 \pm 3^{998244352/n}\mod{998244353} ±3998244352/nmod998244353 。