FFT简明指南

简介

FFT是用来计算多项式卷积的东西。

多项式卷积： $C=A\ast B$ ，即 $c_k={\sum }_{i+j=k}{a}_i\ast b_j$ 。（假设下标范围 $0-n$ ）

直接按照定义做是 $O(n^2)$ 的，但是FFT可以做到 $nlog(n)$ 。

一些奇奇怪怪的东西（定义）

考虑一个 $n$ 次多项式，取 $n$ 个不同的 $x$ 代入会得到 $n$ 个 $y$ ，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 $n$ 次多项式和一个（有 $n$ 个点的集合一一对应）。

对于多项式 $A={\sum }_{i=0}^{n-1}{a}_i\ast x^i$ ，定义其在 $x=x_0$ 处的点值为 $A(x_0)={\sum }_{i=0}^{n-1}{a}_i\ast x_0^i$ 。

多项式系数表示：对于 $A={\sum }_{i=0}^{n-1}{a}_i\ast x^i$ ，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 $x$ 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 $x$ 的取值相同，它们相乘只需要把 $x$ 对应的 $y$ 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 $x^n=1$ 的n个复数根，分别称为 $w_n^0,w_n^1,w_n^2,...,w_n^{n-1}$ ，其中 $w_n^0=1$ 。简记为 $w_{n,0}$ 。不引起歧义的情况下，我会写成 $w_0$ 。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： $w_{n,1}^k=w_{n,k},w_{n,k}=w_{2\ast n,2\ast k},w_{n,k+\frac{n}{2}}=-w_{n,k}$ 。

DFT，就是把一个长度为 $n$ 次的向量（多项式系数表示）代入 $n$ 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 $O(n\log n)$ 。

做法

数学

好，假设我们现在需要把一个长为 $2^{len}=n$ 的多项式 $A={\sum }_{i=0}^{n-1}{a}_i\ast x^i$ 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：

$$A=\sum _{i=0}^{\frac{n}{2}-1}{a}_{2\ast i}\ast x^{2\ast i}+\sum _{i=0}^{\frac{n}{2}-1}{a}_{2\ast i+1}\ast x^{2\ast x+1}。$$

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 $n$ 阶单位根，我们需要知道A代入 $w_n^i$ 的值。然后再看一下第一个公式

$$A=\sum _{i=0}^{\frac{n}{2}-1}{a}_{2\ast i}\ast x^{2\ast i}+\sum _{i=0}^{\frac{n}{2}-1}{a}_{2\ast i+1}\ast x^{2\ast x+1}。$$

又因为有 $(w_n^1{)}^2=w_n^2=w_{\frac{n}{2}}^1$ ，所以代入 $w_n^i$ 后，点值就是A1在 $w_{\frac{n}{2}}^i$ 处的点值加上 $w_n^i\ast A_2[w_{\frac{n}{2}}^i]$ 。

然后是IDFT。有一个结论，是说只要把以上的 $n$ 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$A[w_i]$。

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 $n$ 次单位复根换成 $\pm 3^{998244352/n}\mathrm{m}\mathrm{o}\mathrm{d}998244353$ 。