快速傅里叶变换（FFT）（未完）

最新推荐文章于 2024-01-14 14:38:10 发布

HUZCC

最新推荐文章于 2024-01-14 14:38:10 发布

阅读量184

点赞数

分类专栏：数论快速傅里叶变换 FFT

本文链接：https://blog.csdn.net/qq_36335313/article/details/81588491

版权

数论同时被 3 个专栏收录

6 篇文章 0 订阅

订阅专栏

快速傅里叶变换

1 篇文章 0 订阅

订阅专栏

FFT

1 篇文章 0 订阅

订阅专栏

快速傅立叶变换（FFT）

~~FFT的里有许多地方我也搞不懂，我不想懂也不需要懂，知道结论能用就行了。。。看了好多天的鬼东西，本来觉得好难，看完之后觉得也不过如此。~~

快速傅立叶变换FFT，是一种用来加速多项式相乘（卷积）的算法O(n*logn)。

离散傅里叶变换DFT：传统暴力方式下实现多项式相乘O( $n^{2}$ )。

对于一个多项式：F(x) = $a_{0}，a_{1}，a_{2}，$ + $a_{1}$ $x^{1}$ + $a_{2}$ $x^{2}$ +.......+ $a_{n-1}$ $x^{n-1}$ ，当x=10 时 F (x) 的值即是一个10进制数。也就是说高精度相乘是多项式相乘的一个特例。

傅里叶变换的大致过程：

1. 系数表示法 -> 点值表示法（称为傅里叶变换DFT）。

2. 在点值表示法下相乘，合并两个多项式为一个多项式。

3. 点值表示法->系数表示法 (称为傅里叶逆变换IDFT)。

多项式系数表示法：

形如 F(x) = $a_{0}，a_{1}，a_{2}，$ + $a_{1}$ $x^{1}$ + $a_{2}$ $x^{2}$ +.......+ $a_{n-1}$ $x^{n-1}$ ，由系数{ $a_{0}，a_{1}，a_{2}，$ ， $a_{1}$ ， $a_{2}$ ，... $a_{n-1}$ } n个系数来表示的叫做系数表示法。

点值表示法：

~~(两点确定一条直线，三点确定一条抛物线，n个点确定一个n-1次多项式？好像大概应该可能是这个意思)~~

取n个互不相同的 x 值 { $x_{0}$ ， $x_{1}$ ， $x_{2}$ ... $x_{n-1}$ } 分别带入多项式F(x) ，

得到n个点 { ( $x_{0}$ , F( $x_{0}$ ) ) , ( $x_{1}$ , F( $x_{1}$ ) ) ,( $x_{2}$ , F( $x_{2}$ ) ) ........ ( $x_{n-1}$ , F( $x_{n-1}$ ) ) }，这是它的点值表示法。

1.系数表示法 -> 点值表示法（DFT）

取n个互不相同的 x 带入多项式即取得n个点的集合就是DFT的过程。

2.点值相乘

将两个在点值表示法下的多项式，按相同位置上的两个多项式的两点相乘，得到新的多项式的这个位置上的点，最终即能合并成为一个点值表示法下的多项式。

3.点值表示法->系数表示法（IDFT）

在上述DFT的过程中动些手脚，就能实现IDFT逆变换。

以上便是大致过程，接下来是详细描述。

能够实现O(n*logn)的原因：在选取n个互不相同的点带入多项式时，多项式有n项，每个点代入求F ( x ) 的复杂度为O（n），代入n个点为O( $n^{2}$ ) 。而取一些特殊的点，即能实现O(n*logn)复杂度，单位复根就能满足这样的要求。

单位复根：

( 复数 a+bi , $i^{2}$ =-1 ) ，一个复数 w，满足 $w^{n}$ =1，则称 w 是 n 次单位根，单位根都是在半径为1的单位圆上。

(下面将会出现这样的表达形式： $w_{n}^{m}$ ,表示（复数w的n次方根）的m次方 )

旋转因子，乘一个旋转因子取得下一个复数。

以w的4次方根为旋转因子。以w的8次方根为旋转因子。

$w_{4}^{4}$ =(1,0) $w_{8}^{8}$ =(1,0)

$w_{4}^{1}$ = $w_{4}^{4}$ * $w_{4}^{1}$ $w_{8}^{1}$ = $w_{8}^{8}$ * $w_{8}^{1}$

$w_{4}^{2}$ = $w_{4}^{1}$ * $w_{4}^{1}$ $w_{8}^{2}$ = $w_{8}^{1}$ * $w_{8}^{1}$

$w_{4}^{3}$ = $w_{4}^{2}$ * $w_{4}^{1}$ $w_{8}^{3}$ = $w_{8}^{2}$ * $w_{8}^{1}$

$w_{4}^{4}$ = $w_{4}^{3}$ * $w_{4}^{1}$ ...............

可以注意到：n次方根，它的幂就会有n个不同的取值，方便的让我们选择n个不同的值代入n次多项式进行点值表达式转换。

同是它还有两个比较好的性质( 观察上面两个图 )：

1. $w_{n}^{m}$ = $w_{kn}^{km}$ ，比如： $w_{4}^{1}$ = $w_{8}^{2}$ = $w_{12}^{3}$ ..... （消去引理？能够实现递归分治的依据）

2. $w_{n}^{m}$ = − $w_{n}^{m+n/2}$ ，比如： $w_{4}^{1}$ = − $w_{4}^{3}$ ..... （折半引理？能将问题规模减半）

对于多项式：F（x）= $a_{0}，a_{1}，a_{2}，$ + $a_{1}$ $x^{1}$ + $a_{2}$ $x^{2}$ +.......+ $a_{n-1}$ $x^{n-1}$

提取它的偶次项系数组成新的多项式： $F_{0}$ （x）= $a_{0}，a_{1}，a_{2}，$ + $a_{2}$ $x^{1}$ + $a_{4}$ $x^{2}$ +.......+ $a_{n-2}$ $x^{n/2}$

提取它的奇次项系数组成新的多项式： $F_{1}$ （x）= $a_{1}$ + $a_{3}$ $x^{1}$ + $a_{5}$ $x^{2}$ +.......+ $a_{n-1}$ $x^{n/2}$

它将会有如下的性质：

F（x） = $F_{0}$ （ $x^{2}$ ）+ x * $F_{1}$ （ $x^{2}{\color{Red} }$ ） ( 简单地代入 $x^{2}$ ，然后合并就等于 F(x) 了 )

接下来就是需要稍微理解的东西了。

将 $w_{n}^{m}$ 代入F( x )：

F（ $w_{n}^{m}$ ）= $a_{0}，a_{1}，a_{2}，$ + $a_{1}$ $w_{n}^{m}$ + $a_{2}$ $w_{n}^{2m}$ + ....... + $a_{n-1}$ $w_{n}^{(n-1)*m}$

根据上面推出的性质得：

1. F（ $w_{n}^{m}$ ）= $F_{0}$ （ $w_{n}^{m}$ ^2 ）+ $w_{n}^{m}$ $F_{1}$ （ $w_{n}^{m}$ ^2 ）

= $F_{0}$ （ $w_{n}^{2*m}$ ）+ $w_{n}^{m}$ $F_{1}$ （ $w_{n}^{2*m}$ ）

= $F_{0}$ （ $w_{n/2}^{m}$ ）+ $w_{n}^{m}$ $F_{1}$ （ $w_{n/2}^{m}$ ）（消去引理， $w_{n}^{2*m}$ = $w_{n/2}^{m}$ ）

2. F（ $w_{n}^{m+n/2}$ ）= $F_{0}$ （ $w_{n}^{m+n/2}$ ^2）+ $w_{n}^{m+n/2}$ $F_{1}$ （ $w_{n}^{m+n/2}$ ^2 ）

= $F_{0}$ （ $w_{n}^{m}$ ^2 ） + $w_{n}^{m+n/2}$ $F_{1}$ （ $w_{n}^{m}$ ^2 ）（折半引理， $w_{n}^{m+n/2}$ = − $w_{n}^{m}$ ）

= $F_{0}$ （ $w_{n}^{2*m}$ ） + $w_{n}^{m+n/2}$ $F_{1}$ （ $w_{n}^{2*m}$ ）

= $F_{0}$ （ $w_{n}^{2*m}$ ） − $w_{n}^{m}$ $F_{1}$ （ $w_{n}^{2*m}$ ）（折半引理， $w_{n}^{m+n/2}$ = − $w_{n}^{m}$ ）

总结以上两条：想要将n个系数的多项式F（x）转换为点值表达式，先将 F（x）中的偶次项系数和奇次项系数取出组合成两个新的n / 2个系数的多项式，递归分治地求解这两个子问题，再将他们合并去求解 n 个系数的多项式 F（x）。

递归的形式：

void FFT(complex<double> a[],int n){
    if(n==1) return;
    complex<double> *a0=new complex<double>[n/2];
    complex<double> *a1=new complex<double>[n/2];
    for(int i=0;i<n;i+=2){                                //用奇偶次项系数组成新的多项式
        a0[i/2]=a[i];
        a1[i/2]=a[i+1];
    }
    FFT(a0,n/2);FFT(a1,n/2);                            //递归分治问题 
    complex<double> wn(cos(2*M_PI/n),sin(2*M_PI/n));   //取n次方根 
    complex<double> w(1,0);
    for(int i=0;i<(n/2);i++){                         //蝶形操作，由下一层的a[i]，a[i+n/2]
        a[i]=a0[i]+w*a1[i];                          //更新本层的 a[i]，a[i+n/2]
        a[i+n/2]=a0[i]-w*a1[i];
        w=w*wn;                                      //旋转因子 
    }
    return;
}

完整代码：

#include<bits/stdc++.h>
using namespace std;
int a[100];
int b[100];
void FFT(complex<double> a[],int n,int op){
    if(n==1) return;
    complex<double> *a0=new complex<double>[n/2];
    complex<double> *a1=new complex<double>[n/2];
    for(int i=0;i<n;i+=2){                                //用奇偶次项系数组成新的多项式
        a0[i/2]=a[i];
        a1[i/2]=a[i+1];
    }
    FFT(a0,n/2,op);FFT(a1,n/2,op);                            //递归分治问题 
    complex<double> wn(cos(2*M_PI/n),sin(2*M_PI*op/n));   //取n次方根 
    complex<double> w(1,0);
    for(int i=0;i<(n/2);i++){                         //蝶形操作，由下一层的a[i]，a[i+n/2]
        a[i]=a0[i]+w*a1[i];                          //更新本层的 a[i]，a[i+n/2]
        a[i+n/2]=a0[i]-w*a1[i];
        w=w*wn;                                      //旋转因子 
    }
    return;
}
int main()
{
	int m1,m2;
	scanf("%d%d",&m1,&m2);
	for(int i=0;i<m1;i++){
		scanf("%d",&a[i]);
	}
	for(int i=0;i<m1;i++){
		scanf("%d",&b[i]);
	}
	int n=1;
	while(n<m1+m2){                      //不能小于两个多项式相乘的长度m1+m2
		n<<=1;
	}
	complex<double> *c=new complex<double> [n+1];
	complex<double> *d=new complex<double> [n+1];
	for(int i=0;i<m1;i++){
		c[i]=complex<double>(a[i],0);
	}
	for(int i=0;i<m2;i++){
		d[i]=complex<double>(b[i],0);
	}
	FFT(c,n,1);                //DFT变换 
	FFT(d,n,1);               //DFT变换 
	for(int i=0;i<n;i++){
		c[i]=c[i]*d[i];       //点值相乘 
	}
	FFT(c,n,-1);             //IDFT逆变换 
	
	for(int i=0;i<n;i++){
		a[i]=(c[i].real()/n+0.5);       // n倍结果 
	}
	for(int i=0;i<n;i++){
		printf("%d ",a[i]);
	}
	return 0;
} 
/*
测试数据，
输入： 
5 5
1 1 0 0 0
1 0 1 1 1
输出：
1 1 1 2 2 1 0 0 0 0 0 0 0 0 0 0 

解释：输入数据为高低位颠倒的两个数
(00011) * (11101)= (0000000000122111) 
(11) * (11101)= (122111) 
*/

注意：

1.复数的n次方根=( cos(2* $\pi$ /n) , sin(2* $\pi$ /n) )。

2.蝶形操作是依据于上面的式子1，2 的结果。

3.complex<double>是属于系统库提供的复数类，效率低，有BUG，可能会产生错误。

4.每次递归都要分成两个一半的子问题，所以多项式系数个数（长度）必须严格为2的幂，不足则补零。

5.多项式长度不仅要2的幂，还不能小于两个多项式相乘的结果的长度。

6.逆变换是将单位复根的虚部变为负数( 或者......），逆变换的实部 / n，才是多项式相乘的结果。

7.大数运算要高低位颠倒，结果要进位。

迭代替代递归：

减少一次DFT变换的方式：

尽力优化double精度误差问题：

NNT快速数论变换：

FWT?:

HUZCC

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
快速傅里叶变换（FFT）（未完）

快速傅立叶变换（FFT）FFT的里有许多地方我也搞不懂，我不想懂也不需要懂，知道结论能用就行了。。。看了好多天的鬼东西，本来觉得好难，看完之后觉得也不过如此。快速傅立叶变换FFT，是一种用来加速多项式相乘（卷积）的算法O(n*logn)。离散傅里叶变换DFT：传统暴力方式下实现多项式相乘O()。对于一个多项式：F(x) = + + +.......+，当x...
复制链接

扫一扫