博客摘录「十分简明易懂的FFT（快速傅里叶变换）」2023年9月8日

本文链接：https://blog.csdn.net/qq_43535495/article/details/132757584

1. 离散傅里叶变换与多项式的表示

注：离散傅里叶变换的一种用法是：实现多项式的两种表示的转换

DFT实现系数表示→点值表示；IDFT实现点值表示→系数表示

【只要令F是点值f( $\omega$ )的向量，W是 $\omega$ 构成的范德蒙德矩阵，A是多项式系数向量，

在求点值表示时F=W*A就是用到DFT，在求系数表示时A=W^(-1)*F就是用到IDFT】

【由于范德蒙德矩阵的性质，W与W^(-1)关系很简单，从而做DFT和IDFT差异不大，

故下面分析二者有相同的时间复杂度】

“但是朴素的系数表示法转点值表示法的算法还是O(n^2)的，逆操作类似”

注释：系数表示→点值表示：秦九韶算法+算n个点值，故时间复杂度O(n^2)

点值表示→系数表示：线性方程组的求值问题最佳算法时间复杂度O(n^2)（如高斯赛德尔迭代法）

"虽然DFT搞出来一堆很牛逼的ω作为代入多项式的x值
但只是代入这类特殊x值法的变换叫做DFT而已，还是要代入单位根暴力计算"

注释：这里的意思是，在系数表示→点值表示的过程中，可以取DFT想法中选取的这一组ω值来进行，由于单位根的一些性质，这可以减少计算量

“现在我们就可以递归分治来搞FFT了”

注释：根据文中的FFT分析思路，我们要求的多项式A(x)的前半部分点值A( $\omega^k_{n}$ )和后半部部分对应点值A( $\omega^{k+n/2}_{n}$ )可以由 $A_1(\omega^k_{n/2})$ 和 $A_2(\omega^k_{n/2})$ 得到，而A1(x)和A2(x)是由A(x)的奇偶系数分配的系数，次数是A(x)的1/2的多项式，因此求解 $k\leq n/2$ 的 $A_1(\omega^k_{n/2})$ 和 $A_2(\omega^k_{n/2})$ 就可以看作求A( $\omega^k_{n}$ )的相同类型问题，从而可以用divide-and-conquer的方法通过递归解决，可以通过递归树分析求一个值的时间复杂度为 $log_2(n)$

"一个多项式在分治的过程中乘上单位根的共轭复数，分治完的每一项除以n即为原多项式的每一项系数，意思就是说FFT和IFFT可以一起搞“

注：从而FFT和IFFT由相同的时间复杂度；

FFT方便了系数表示→点值表示的过程，相应的他的逆过程IFFT方便了点值表示→系数表示的过程

但一定注意：

“FFT只能处理n为2的整数次幂的多项式”

“这个n一定要是2的幂。如果不是，你可以强制改成是。比如：n=6，你可以加上0*n^7+0*n^6,强行让它有8个项。”

2. 多项式的乘法

十分简明易懂的FFT（快速傅里叶变换）_路人黑的纸巾的博客-CSDN博客https://blog.csdn.net/enjoy_pascal/article/details/81478582/【高精度乘法下两种多项式表示法的区别】

FFT:快速傅里叶变换与高精度乘法_傅里叶变换的精度_ljhandlwt的博客-CSDN博客https://blog.csdn.net/ljhandlwt/article/details/51999762