FFT详解

最新推荐文章于 2024-03-19 09:17:03 发布

灭世星痕

最新推荐文章于 2024-03-19 09:17:03 发布

阅读量465

点赞数 1

分类专栏：算法

本文链接：https://blog.csdn.net/qq_39452569/article/details/79510094

版权

算法专栏收录该内容

3 篇文章 0 订阅

订阅专栏

前言
PART1：多项式
PART2：卷积
PART3：点值表示
- - 第一步
  - 第二步
- 一：存在的唯一性确认
未完待续。。。。

前言

http://www.cnblogs.com/stxy-ferryman/p/8507434.html
课上zrf 大佬讲FFT，讲了一半，本蒟蒻莫名奇妙突然开始开始思考人生，回过神来发现自己早已掉(G)线(G)，感谢xhkxhk帮我恶补一发。看了xhk同学的博客，经其讲解才搞懂，下面我用我自己的想法仔细写写对FFT的理解，如有错误，欢迎指正。

整体思路是以算导为基础的，so~~~

PART1：多项式

多项式这个东西，算法导论上是这么写的

A (x) = \sum j = 0 n - 1 a j x j

$A(x)=\sum_{j=0}^{n-1}{a_jx^j}$ 乍看一眼，什么玩意，看不懂，感觉十分高大上的样子，但未免长得太丑了点，实际上这当然是在吓唬你的。那么我们把它展开来

f (x) = a 0 + a 1 x + a 2 x 2 + . . . + a n - 1 x n - 1

$f(x)=a_0+a_1x+a_2x^2+...+a_{n-1}x^{n-1}$ 这样看起来就和蔼多了，不就是个高次项函数嘛。
然而这只是第一个定义，要求两个它的值复杂度显然是

Θ(n2) Θ ( n 2 ) $Θ(n^2)$ 的，那该咋整呢？？于是我们来合并一下同类项,变形为这个：

f (x) = a 0 + (a 1 + (a 2 + . . .) x) x

$f(x)=a_0+(a_1+(a_2+...)x)x$
这样就可以在

Θ(n) Θ ( n ) $Θ(n)$ 的复杂度之内搞定了（从里到外逐项展开，每算一项乘以个

x x $x$ ，把两重循环放在一起算）。
这个就叫做霍纳法则，名字也是个吓唬人的东西（和那个勾股定理一样，可以有不同的说法，比如：

L^{2}

$L^2$ 范数或欧几里得范数什么的）
虽说这玩意挺高大上，但遇到多项式乘法要表示乘积的系数就麻烦了。

PART2：卷积

卷积！吓人吧！吓死你！网络上讲的糊里糊涂的，我用两种不同的方式来讲清楚它。

法一：线性代数
- $设向量\mathbf{a}=\begin{bmatrix}a_1\\a_2\\a_3\\ \vdots\\a_n\\ \end{bmatrix}向量\mathbf{b}=\begin{bmatrix}b_1\\b_2\\b_3\\ \vdots\\b_m\\ \end{bmatrix}$ $a \cdot b ┬ = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ a 1 b 1 a 2 b 1 a 3 b 1 ⋮ a n b 1 a 1 b 2 a 2 b 2 a 3 b 2 ⋮ a n b 2 a 1 b 3 a 2 b 3 a 3 b 3 ⋮ a n b 3 \dots \dots \dots ⋱ \dots a 1 b n a 2 b n a 3 b n ⋮ a n b n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥$ $\mathbf{a·b^{^┬}=\begin{bmatrix}a_1b_1&a_1b_2&a_1b_3&\cdots&a_1b_n\\a_2b_1&a_2b_2&a_2b_3&\cdots&a_2b_n\\a_3b_1&a_3b_2&a_3b_3&\cdots&a_3b_n\\\vdots&\vdots&\vdots&\ddots&\vdots\\a_nb_1&a_nb_2&a_nb_3&\cdots&a_nb_n\\ \end{bmatrix}}$ 然后，我们把斜对角的数值分别加起来，按顺序排列便得到了卷积序列，按顺序分别乘上 $x$ 对应的幂即可。
法二：列竖式
- 这种方法较前一种就好理解多了，而且十分直观。我们拿两个式子 $A (x) = 2 x^{3} + 4 x^{2} + 1$ $A(x)=2x^3+4x^2+1$ $B (x) = x 3 + 5 x + 2$ $B(x)=x^3+5x+2$ 那么 $* 2 x 5 2 x 5 + + 4 x 5 4 x 5 + + 10 x 4 0 x 4 10 x 4 + + + 2 x 3 x 3 4 x 3 20 x 3 x 3 25 x 3 + + + + + 4 x 2 0 x 2 8 x 2 0 x 2 8 x 2 + + + + + 0 x 5 x 0 x 5 x 5 x + + + + 1222$ $\begin{array} &&&&&&&&2x^3&+&4x^2&+&0x&+&1\\ &*&&&&&&x^3&+&0x^2&+&5x&+&2\\ \hline &&&&&&&4x^3&+&8x^2&+&0x&+&2\\ &&&&&10x^4&+&20x^3&+&0x^2&+&5x\\ &2x^5&+&4x^5&+&0x^4&+&x^3\\ \hline &2x^5&+&4x^5&+&10x^4&+&25x^3&+&8x^2&+&5x&+&2\\ \end{array}$
  所以我们要求的 $C (x) = A (x) \cdot B (x) = 2 x 5 + 4 x 5 + 10 x 4 + 25 x 3 + 8 x 2 + 5 x + 2$ $C(x)=A(x)·B(x)=2x^5+4x^5+10x^4+25x^3+8x^2+5x+2$
  这种算法显然复杂度是 $Θ(n^2)$ 的，要是数据 $n,m\le10000$ ,就GG了，于是我们就有了part3。

PART3：点值表示

点值表示，这里需要注意！！！
我们发现直接乘要用 $Θ(n^2)$ 的时间，不够优越，点值表示就是一个把 $Θ(n^2)$ 的复杂度降至 $Θ(n)$ 的一种方法。
首先，我们需要先糊出这么一个有意思的结论：一个多项式 $A(x)$ 与一个集合 $\{(x_0,A(x_0)),(x_1,A(x_1)),(x_2,A(x_2)),...,(x_{n-1},A(x_{n-1}))\}$ 可以构成一个严格的一一映射。点值表示就是将 $n-1$ 次多项式 $A(x)$ 表示成该多项式所表示的函数上的 $n$ 个不重合的点的表示法。
$为了方便起见，我们一般取用0,1,2,...,n-1分别作为x_0,x_1,x_2,...,x_{n-1}的值$
$（当然你想用998244353或是1e9+7也没人拦你）。$
$例如：A(x)=x^2+1就能表示成集合\{(0,1),(1,2),(2,5)\}的形式。$
那么如何证明呢？？？似乎有点难抓头绪，但我们还是得试试。
不过，在这之前我要先引入一个新的概念，叫范德蒙德矩阵（这种高大上的名字都是吓唬人用的，不用管它叫什么<就像化学里的盖斯定律和物理中的动能定理一样显然>）

D = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ 111 ⋮ 1 x 0 x 1 x 2 ⋮ x n - 1 x 20 x 21 x 22 ⋮ x 2 n - 1 x 30 x 31 x 32 ⋮ x 3 n - 1 \dots \dots \dots ⋱ \dots x n - 1 0 x n - 1 1 x n - 1 2 ⋮ x n - 1 n - 1 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥

$D=\begin{bmatrix} 1&x_0&x_0^2&x_0^3&\cdots&x_0^{n-1}\\ 1&x_1&x_1^2&x_1^3&\cdots&x_1^{n-1}\\ 1&x_2&x_2^2&x_2^3&\cdots&x_2^{n-1}\\ \vdots&\vdots&\vdots&\vdots&\ddots&\vdots\\ 1&x_{n-1}&x_{n-1}^2&x_{n-1}^3&\cdots&x_{n-1}^{n-1}\\ \end{bmatrix}$ 记作

V(x0,x1,x2,...,xn−1) V ( x 0 , x 1 , x 2 , . . . , x n − 1 ) $V(x_0,x_1,x_2,...,x_{n-1})$ 这家伙有个神奇的性质，就是行列式

d e t (V (x 0, x 1, x 2, . . ., x n - 1)) = \prod 0 \leq j < k \leq n - 1 (x k - x j)

$det(V(x_0,x_1,x_2,...,x_{n-1}))=\prod_{0\le j\lt k\le n-1}{(x_k-x_j)}$ 感觉十分有(wu)趣(liao)对不对，那让我们把它证明一下。
证法：数学归纳法

$\color{red}{知识铺垫：行列式性质}$
$\mathcal{1.}如果矩阵A中某行或某列为0,则det(A)=0$
$\mathcal{2.}当将矩阵A中某行或某列每个元素乘以\lambda后,det(A)相应乘以\lambda$
$\mathcal{3.}当将矩阵A中某行(列)每个元素加到另一行(列)上,det(A)不变$
$\mathcal{4.}det(A)=det(A^{^┬})$
$\mathcal{5.}交换A的任意两行或两列，行列式改变正负号$
$\mathcal{6.}det(AB)=det(A)det(B)$

有了前置知识，我们就可以开始证明啦！

第一步

D 2 = [11 x 0 x 1], d e t (D 2) = x 0 - x 1 (成 立)

$D_2=\begin{bmatrix} 1&x_0\\ 1&x_1\\ \end{bmatrix},det(D_2)=x_0-x_1(成立)$

第二步

假 设 d e t (D n - 1) = ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 111 ⋮ 1 x 0 x 1 x 2 ⋮ x n - 2 x 20 x 21 x 22 ⋮ x 2 n - 2 \dots \dots \dots ⋱ \dots x n - 2 0 x n - 2 1 x n - 2 2 ⋮ x n - 2 n - 2 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ = \prod 0 \leq j < k \leq n - 2 (x k - x j)

$假设det(D_{n-1})=\begin{vmatrix} 1&x_0&x_0^2&\cdots&x_0^{n-2}\\ 1&x_1&x_1^2&\cdots&x_1^{n-2}\\ 1&x_2&x_2^2&\cdots&x_2^{n-2}\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ 1&x_{n-2}&x_{n-2}^2&\cdots&x_{n-2}^{n-2}\\ \end{vmatrix}=\prod_{0\le j\lt k\le n-2}{(x_k-x_j)}$

那 么 所 求 即 为 d e t (D n) = ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 111 ⋮ 1 x 0 x 1 x 2 ⋮ x n - 1 x 20 x 21 x 22 ⋮ x 2 n - 1 \dots \dots \dots ⋱ \dots x n - 1 0 x n - 1 1 x n - 1 2 ⋮ x n - 1 n - 1 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 的 值

$那么所求即为det(D_{n})=\begin{vmatrix} 1&x_0&x_0^2&\cdots&x_0^{n-1}\\ 1&x_1&x_1^2&\cdots&x_1^{n-1}\\ 1&x_2&x_2^2&\cdots&x_2^{n-1}\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ 1&x_{n-1}&x_{n-1}^2&\cdots&x_{n-1}^{n-1}\\ \end{vmatrix}的值$ 然后我们对其进行一系列变换

由 知 识 点 4 可 知 ， 我 们 可 以 把 矩 阵 进 行 转 置 ， 变 成 求 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 1 x 0 x 20 ⋮ x n - 1 0 1 x 1 x 21 ⋮ x n - 1 1 1 x 2 x 22 ⋮ x n - 1 2 \dots \dots \dots ⋱ \dots 1 x n - 1 x 2 n - 1 ⋮ x n - 1 n - 1 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 的 值

$由知识点4可知，我们可以把矩阵进行转置，变成求\begin{vmatrix} 1&1&1&\cdots&1\\ x_0&x_1&x_2&\cdots&x_{n-1}\\ x_0^2&x_1^2&x_2^2&\cdots&x_{n-1}^2\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ x_0^{n-1}&x_1^{n-1}&x_2^{n-1}&\cdots&x_{n-1}^{n-1}\\ \end{vmatrix}的值$
很妙。但接着这一步要看仔细了！！！我们把第2至n行中，第i行减去x_0倍的第i-1行。注意：从下往上处理：

∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 1 x 0 x 20 ⋮ x n - 2 0 x n - 1 0 1 x 1 x 21 ⋮ x n - 2 1 x n - 1 1 1 x 2 x 22 ⋮ x n - 2 2 x n - 1 2 \dots \dots \dots ⋱ \dots \dots 1 x n - 1 x 2 n - 1 ⋮ x n - 2 n - 1 x n - 1 n - 1 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣

$\begin{vmatrix} 1&1&1&\cdots&1\\ x_0&x_1&x_2&\cdots&x_{n-1}\\ x_0^2&x_1^2&x_2^2&\cdots&x_{n-1}^2\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ x_0^{n-2}&x_1^{n-2}&x_2^{n-2}&\cdots&x_{n-1}^{n-2}\\ x_0^{n-1}&x_1^{n-1}&x_2^{n-1}&\cdots&x_{n-1}^{n-1}\\ \end{vmatrix}$

= ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 1 x 0 x 20 ⋮ x n - 2 0 x n - 1 0 - x n - 2 0 \cdot x 0 1 x 1 x 21 ⋮ x n - 2 1 x n - 1 1 - x n - 2 1 \cdot x 0 1 x 2 x 22 ⋮ x n - 2 2 x n - 1 2 - x n - 2 2 \cdot x 0 \dots \dots \dots ⋱ \dots \dots 1 x n - 1 x 2 n - 1 ⋮ x n - 2 n - 1 x n - 1 n - 1 - x n - 2 n - 1 \cdot x 0 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣

$=\begin{vmatrix} 1&1&1&\cdots&1\\ x_0&x_1&x_2&\cdots&x_{n-1}\\ x_0^2&x_1^2&x_2^2&\cdots&x_{n-1}^2\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ x_0^{n-2}&x_1^{n-2}&x_2^{n-2}&\cdots&x_{n-1}^{n-2}\\ x_0^{n-1}-x_0^{n-2}·x_0&x_1^{n-1}-x_1^{n-2}·x_0&x_2^{n-1}-x_2^{n-2}·x_0&\cdots&x_{n-1}^{n-1}-x_{n-1}^{n-2}·x_0\\ \end{vmatrix}$

= ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 1 x 0 - 1 \cdot x 0 x 20 - x 0 \cdot x 0 ⋮ x n - 2 0 - x n - 3 0 \cdot x 0 x n - 1 0 - x n - 2 0 \cdot x 0 1 x 1 - 1 \cdot x 0 x 21 - x 1 \cdot x 0 ⋮ x n - 2 1 - x n - 3 1 \cdot x 0 x n - 1 1 - x n - 2 1 \cdot x 0 1 x 2 - 1 \cdot x 0 x 22 - x 2 \cdot x 0 ⋮ x n - 2 2 - x n - 3 2 \cdot x 0 x n - 1 2 - x n - 2 2 \cdot x 0 \dots \dots \dots ⋱ \dots \dots 1 x n - 1 - 1 \cdot x 0 x 2 n - 1 - x n - 1 \cdot x 0 ⋮ x n - 2 n - 1 - x n - 3 n - 1 \cdot x 0 x n - 1 n - 1 - x n - 2 n - 1 \cdot x 0 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣

$=\begin{vmatrix} 1&1&1&\cdots&1\\ x_0-1·x_0&x_1-1·x_0&x_2-1·x_0&\cdots&x_{n-1}-1·x_0\\ x_0^2-x_0·x_0&x_1^2-x_1·x_0&x_2^2-x_2·x_0&\cdots&x_{n-1}^2-x_{n-1}·x_0\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ x_0^{n-2}-x_0^{n-3}·x_0&x_1^{n-2}-x_1^{n-3}·x_0&x_2^{n-2}-x_2^{n-3}·x_0&\cdots&x_{n-1}^{n-2}-x_{n-1}^{n-3}·x_0\\ x_0^{n-1}-x_0^{n-2}·x_0&x_1^{n-1}-x_1^{n-2}·x_0&x_2^{n-1}-x_2^{n-2}·x_0&\cdots&x_{n-1}^{n-1}-x_{n-1}^{n-2}·x_0\\ \end{vmatrix}$

= ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 100 ⋮ 00 1 1 \cdot (x 1 - x 0) x 1 \cdot (x 1 - x 0) ⋮ x n - 3 1 \cdot (x 1 - x 0) x n - 2 1 \cdot (x 1 - x 0) 1 1 \cdot (x 2 - x 0) x 2 \cdot (x 2 - x 0) ⋮ x n - 3 2 \cdot (x 2 - x 0) x n - 2 2 \cdot (x 2 - x 0) \dots \dots \dots ⋱ \dots \dots 1 1 \cdot (x n - 1 - x 0) x n - 1 \cdot (x n - 1 - x 0) ⋮ x n - 3 n - 1 \cdot (x n - 1 - x 0) x n - 2 n - 1 \cdot (x n - 1 - x 0) ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣

$=\begin{vmatrix} 1&1&1&\cdots&1\\ 0&1·(x_1-x_0)&1·(x_2-x_0)&\cdots&1·(x_{n-1}-x_0)\\ 0&x_1·(x_1-x_0)&x_2·(x_2-x_0)&\cdots&x_{n-1}·(x_{n-1}-x_0)\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ 0&x_1^{n-3}·(x_1-x_0)&x_2^{n-3}·(x_2-x_0)&\cdots&x_{n-1}^{n-3}·(x_{n-1}-x_0)\\ 0&x_1^{n-2}·(x_1-x_0)&x_2^{n-2}·(x_2-x_0)&\cdots&x_{n-1}^{n-2}·(x_{n-1}-x_0)\\ \end{vmatrix}$
好累啊，但是我们继续。将此多项式展开，你会发现：由于第一列除了第一项是1以外，其它全都是0，所以展开之后只留

D(1,1) D ( 1 , 1 ) $D(1,1)$ 及其代数余子式，别的都化成0了。于是乎我们展开可以得到这么个东西：

∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 1 \cdot (x 1 - x 0) x 1 \cdot (x 1 - x 0) ⋮ x n - 3 1 \cdot (x 1 - x 0) x n - 2 1 \cdot (x 1 - x 0) 1 \cdot (x 2 - x 0) x 2 \cdot (x 2 - x 0) ⋮ x n - 3 2 \cdot (x 2 - x 0) x n - 2 2 \cdot (x 2 - x 0) \dots \dots ⋱ \dots \dots 1 \cdot (x n - 1 - x 0) x n - 1 \cdot (x n - 1 - x 0) ⋮ x n - 3 n - 1 \cdot (x n - 1 - x 0) x n - 2 n - 1 \cdot (x n - 1 - x 0) ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣

$\begin{vmatrix} 1·(x_1-x_0)&1·(x_2-x_0)&\cdots&1·(x_{n-1}-x_0)\\ x_1·(x_1-x_0)&x_2·(x_2-x_0)&\cdots&x_{n-1}·(x_{n-1}-x_0)\\ \vdots&\vdots&\ddots&\vdots\\ x_1^{n-3}·(x_1-x_0)&x_2^{n-3}·(x_2-x_0)&\cdots&x_{n-1}^{n-3}·(x_{n-1}-x_0)\\ x_1^{n-2}·(x_1-x_0)&x_2^{n-2}·(x_2-x_0)&\cdots&x_{n-1}^{n-2}·(x_{n-1}-x_0)\\ \end{vmatrix}$
好看多了吧！接着，我们再用知识点2，可以将每一列的公因数都提出来，我们就得到了这个：

(x 1 - x 0) (x 2 - x 0) \dots (x n - 1 - x 0) ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 1 x 1 x 21 ⋮ x n - 2 1 1 x 2 x 22 ⋮ x n - 2 2 1 x 3 x 23 ⋮ x n - 2 3 \dots \dots \dots ⋱ \dots 1 x n - 1 x 2 n - 1 ⋮ x n - 2 n - 1 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣

$(x_1-x_0)(x_2-x_0)\cdots(x_{n-1}-x0)\begin{vmatrix} 1&1&1&\cdots&1\\ x_1&x_2&x_3&\cdots&x_{n-1}\\ x_1^2&x_2^2&x_3^2&\cdots&x_{n-1}^2\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ x_1^{n-2}&x_2^{n-2}&x_3^{n-2}&\cdots&x_{n-1}^{n-2}\\ \end{vmatrix}$

再用知识点4(我似乎发现前面根本不需要转置这一步233，但是我懒得改了，假装我不知道(逃) 再用知识点 4 ( 我似乎发现前面根本不需要转置这一步 233 ，但是我懒得改了，假装我不知道 ( 逃 ) $再用知识点4(\require{enclose}\enclose{horizontalstrike}{我似乎发现前面根本不需要转置这一步233，但是我懒得改了，假装我不知道(逃})$

= (x 1 - x 0) (x 2 - x 0) \dots (x n - 1 - x 0) ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ 111 ⋮ 1 x 1 x 2 x 3 ⋮ x n - 1 x 21 x 22 x 23 ⋮ x 2 n - 1 \dots \dots \dots ⋱ \dots x n - 2 1 x n - 2 2 x n - 2 3 ⋮ x n - 2 n - 1 ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣ ∣

$=(x_1-x_0)(x_2-x_0)\cdots(x_{n-1}-x0)\begin{vmatrix} 1&x_1&x_1^2&\cdots&x_1^{n-2}\\ 1&x_2&x_2^2&\cdots&x_2^{n-2}\\ 1&x_3&x_3^2&\cdots&x_3^{n-2}\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ 1&x_{n-1}&x_{n-1}^2&\cdots&x_{n-1}^{n-2}\\ \end{vmatrix}$

= (x 1 - x 0) (x 2 - x 0) \dots (x n - 1 - x 0) \prod 1 \leq j < k \leq n - 1 (x k - x j)

$=(x_1-x_0)(x_2-x_0)\cdots(x_{n-1}-x0)\prod_{1\le j\lt k\le n-1}{(x_k-x_j)}$

= \prod 0 \leq j < k \leq n - 1 (x k - x j)

$=\prod_{0\le j\lt k\le n-1}{(x_k-x_j)}$
呼~~~~终于证完了！！！！！
那么下一步我们就继续讲插值（把点值表达改为多项式）吧。

等等，让我们再来看一个东西：拉格朗日公式

A (x) = \sum k = 0 n - 1 y k \cdot \prod j \neq k ( x - x j ) \prod j \neq k ( x k - x j )

$A(x)=\sum_{k=0}^{n-1}{y_k· \frac{\prod_{j\neq k}(x-x_j)}{\prod_{j\neq k}{(x_k-x_j)}}}$ 评价：这种算法十分

优(che)越(dan) 优 ( c h e ) 越 ( d a n ) $\require{enclose}\enclose{horizontalstrike}{优(che)越(dan)}$ 。我越看越想证明，那就证呗。你会发现：证到一半，我们前面要的东西也就证完了。
这个公式证明有两步

一：存在的唯一性确认

其实这步证好，我们要求的东西也就搞定了。
这时我们应该先把别的杂念全部抛开，不要和上面的东西混淆了，否则越看越糊涂
好，我们准备开始。
$先\color{red}{设}一个函数f(x),f(x_j)=y_j(j=0,1,\cdots,n)再设一个多项式$

L n (x) = a 0 + a 1 (x - x 0) + a 2 (x - x 0) (x - x 1) + \dots + a n (x - x 0) (x - x 1) \dots (x - x n - 1)

$L_n(x)=a_0+a_1(x-x_0)+a_2(x-x_0)(x-x_1)+\cdots+a_n(x-x_0)(x-x_1)\cdots(x-x_{n-1})$ 满足

L n (x k) = y k (k = 0, 1, \dots, n)

$L_n(x_k)=y_k(k=0,1,\cdots,n)$ 然后，我们把

x0,x1,⋯,xn x 0 , x 1 , ⋯ , x n $x_0,x_1,\cdots,x_n$ 带入，得：

⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ a 0 + a 1 (x 0 - x 0) + a 0 + a 1 (x 1 - x 0) + a 0 + a 1 (x n - x 0) + \dots \dots ⋮ \dots + a n (x 0 - x 0) (x 0 - x 1) \dots (x 0 - x n - 1) + a n (x 1 - x 0) (x 1 - x 1) \dots (x 1 - x n - 1) + a n (x n - x 0) (x n - x 1) \dots (x n - x n - 1) = y 0 = y 1 = y n

$\begin{cases} \\ \\ \\ \\ \\ \\ \end{cases} \begin{array}{a} a_0+a_1(x_0-x_0)+&\cdots&+a_n(x_0-x_0)(x_0-x_1)\cdots(x_0-x_{n-1})&=y_0\\ a_0+a_1(x_1-x_0)+&\cdots&+a_n(x_1-x_0)(x_1-x_1)\cdots(x_1-x_{n-1})&=y_1\\ &\vdots\\ a_0+a_1(x_n-x_0)+&\cdots&+a_n(x_n-x_0)(x_n-x_1)\cdots(x_n-x_{n-1})&=y_n\\ \end{array}$ 我们发现这组方程有好几项是可以消掉的，于是乎，我们就得到如下的形式：

⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ a 0 a 0 + a 1 (x 1 - x 0) ⋮ a 0 + a 1 (x n - x 0) + \dots + a n (x n - x 0) (x n - x 1) \dots (x n - x n - 1) = y 0 = y 1 = y n

$\begin{cases} \\ \\ \\ \\ \\ \\ \end{cases} \begin{array}{a} a_0&=y_0\\ a_0+a_1(x_1-x_0)&=y_1\\ \vdots\\ a_0+a_1(x_n-x_0)+\cdots+a_n(x_n-x_0)(x_n-x_1)\cdots(x_n-x_{n-1})&=y_n\\ \end{array}$ 接着，我们就可以写出以

a0,a1,⋯,an a 0 , a 1 , ⋯ , a n $a_0,a_1,\cdots,a_n$ 为系数的每一项的行列式

∣ ∣ ∣ ∣ ∣ ∣ ∣ 11 ⋮ 1 0 (x 1 - x 0) ⋮ (x n - x 0) 00 ⋮ (x n - x 0) (x n - x 1) \dots \dots ⋱ \dots 00 ⋮ (x n - x 0) (x n - x 1) \dots (x n - x n - 1) ∣ ∣ ∣ ∣ ∣ ∣ ∣

$\begin{vmatrix} 1&0&0&\cdots&0\\ 1&(x_1-x_0)&0&\cdots&0\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ 1&(x_n-x_0)&(x_n-x_0)(x_n-x_1)&\cdots&(x_n-x_0)(x_n-x_1)\cdots(x_n-x_{n-1})\\ \end{vmatrix}$

= [(x 1 - x 0)] [(x 2 - x 0) (x 2 - x 1) [\dots [(x n - x 0) (x n - x 1) \dots (x n - x n - 1)]

$=[(x_1-x_0)][(x_2-x_0)(x_2-x_1)[\cdots[(x_n-x_0)(x_n-x_1)\cdots(x_n-x_{n-1})]$
仔细观察该式，我们可以发现，该式相当于两两不同的

xi x i $x_i$ 和

xj x j $x_j$ 的差的乘积
由于当

i≠j i ≠ j $i\neq j$ 时

xi≠xj x i ≠ x j $x_i\neq x_j$ 所以该式的值不为0。
然后我们需要一个结论:若n*n的矩阵是奇异的(无逆矩阵的),当且仅当该矩阵的行列式值为零
然后

未完待续。。。。

忽略下面。。。

方法：线性代数
又是线性代数（ $\require{enclose}\enclose{horizontalstrike}{搞得好像拉格朗日插值法不是线性代数似的}$ ），不过这线性代数可比拉格朗日公式通俗易懂多了（那必须的）

灭世星痕

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
FFT详解

前言PART1：多项式PART2：卷积PART3：点值表示第一步第二步一：存在的唯一性确认未完待续。。。。前言http://www.cnblogs.com/stxy-ferryman/p/8507434.html 课上zrf 大佬讲FFT，讲了一半，本蒟蒻莫名奇妙突然开始开始思考人生，回过神来发现自己早已掉(G)线(G)，感谢xhkxhk帮我恶补一...
复制链接

扫一扫

专栏目录