史上最菜 FFT 讲解

回想到学了好多次 FFT 第一次有感觉的时候，半懵半懵地写了板子
再到现在能熟练背诵 NTT 的板子，发现对 FFT 最初的原理渐渐淡漠了
好在有些东西越学越明白，于是来谈一谈

---

FFT，快速傅里叶变换

例：给出多项式 $A(x),B(x)$ 求 $A(x)\ast B(x)$，$n\le 1e5$
令 $A(x)$ 有 $n$ 项，$B(x)$ 有 $m$ 项

那么我们将 $A(x),B(x)$ 用点值表示，求出点值的乘积
显然最后的项数是 $n+m-1$
那么我们只需要求出 $n+m$ 个点值就可以把乘出来的多项式给高斯消元回去
这部分的复杂度是点值 $O(n^2)$，点乘 $O(n)$，高斯消元 $O(n^3)$

好似无法优化。。。

但是傅里叶想出了一种巧妙的方法

引入概念：复数域与单位根

一个坐标系，用$(x,y\ast i)$ 表示一个点的坐标
单位圆：显然一个单位圆上面的点可以被表示成 $(cos(\theta ),sin(\theta )\ast i)$
单位根：定义 $n$ 次单位根${\omega }_n^k$ 表示把单位圆等分成 $n$ 的第 $k$ 个点
标号如下，那么有 ${\omega }_n^k=(cos(\frac{2\ast \pi }{k}),sin(\frac{2\ast \pi }{k})\ast i)$

单位根的性质：
${\omega }_{2\ast n}^{2\ast k}={\omega }_n^k$，证明显然

$w_n^p\ast w_n^q=w_n^{p+q}$
证明：令 ${\omega }_n^p$ 的极角为 $\theta$，即与 x 轴的夹角，${\omega }_n^q$ 的为 $\alpha$

$(cos(\theta ),sin(\theta )\ast i)\ast (cos(\alpha ),sin(\alpha )\ast i)=(cos(\theta )cos(\alpha )-sin(\theta )sin(\alpha ),(cos(\theta )sin(\alpha )+sin(\theta )cos(\alpha ))\ast i)$
前面是 $cos(\alpha +\theta )$，后面就是 $sin(\alpha +\theta )$

证毕！

好的，现在我们把点值带成 ${\omega }_d^k$，对于 $k\in [0,n+m]$ 求出 $f({\omega }_d^k)$
注意这里的 $d$ 是第一个 $\ge n+m$ 的二的整次幂方便后面出了

然后
对于 $k\in [0,n+m]$ 求出 $f({\omega }_d^k)\ast g({\omega }_d^k)=h({\omega }_d^k)$
最后将 $h$ 变回去

大致分为 3 部
第一部分是 $O(n^2)$ 的，考虑优化

注意到
$$f({\omega }_d^k)=\sum _{i=0}^{d-1}(w_d^k{)}^i\ast a_i=\sum _{i=0}^{d/2-1}(w_d^k{)}^{i\ast 2}{a}_{i\ast 2}+\sum _{i=0}^{d/2-1}(w_d^k{)}^{i\ast 2+1}{a}_{i\ast 2+1}$$
$$=\sum _{i=0}^{d/2-1}(w_{d/2}^k{)}^i{a}_1(i)+w_d^k\ast \sum _{i=0}^{d/2-1}(w_{d/2}^k{)}^i{a}_2(i)$$

其中 $a_1(i),a_2(i)$ 表示将 $a$ 按奇偶性分类后的 $a_{i\ast 2}$ 和 $a_{i\ast 2+1}$

那么如果我们继续将 $f(x)={\sum }_{i=0}^{d/2-1}{a}_1(i)\ast x^i$ 的多项式的话

前面那一项就是 $f({\omega }_{d/2}^k)$，上面那个式子可以化成
$$f({\omega }_d^k)=f_1({\omega }_{d/2}^k)+w_d^k{f}_2({\omega }_{d/2}^k)$$
注意到这样就可以分治了
这样会有 $lo{g}_2(n)$ 层，每层需要对 $O(n)$ 个 $k$ 算出 对应的 $f({\omega }_d^k)$
复杂度 $O(nlo{g}_2(n))$

还需要优化一个转回去的过程
注意到这个变化的本质是一个向量
{ a 0 , a 1 , . . . , a d − 1 } \{a_0,a_1,...,a_{d-1}\} {a0​,a1​,...,ad−1​}
乘上一个矩阵
$$\left[\begin{array}{cccc}{\omega }_d^0& {\omega }_d^1& ...& {\omega }_d^{d-1}\\ ({\omega }_d^0{)}^2& ({\omega }_d^1{)}^2& ...& ({\omega }_d^{d-1}{)}^2\\ & & ...& \\ ({\omega }_n^0{)}^{d-1}& ({\omega }_n^1{)}^{d-1}& ...& ({\omega }_d^{d-1}{)}^{d-1}\end{array}\right]$$
考虑手动求它的逆矩阵
注意到下面这个矩阵就满足条件
$$\frac{1}{d}\ast \left[\begin{array}{cccc}{\omega }_d^0& {\omega }_d^{-1}& ...& {\omega }_d^{-(d-1)}\\ ({\omega }_d^0{)}^2& ({\omega }_d^{-1}{)}^2& ...& ({\omega }_d^{-(d-1)}{)}^2\\ & & ...& \\ ({\omega }_n^0{)}^{d-1}& ({\omega }_n^{-1}{)}^{d-1}& ...& ({\omega }_d^{-(d-1)}{)}^{d-1}\end{array}\right]$$

为什么是它的逆矩阵呢，这里利用到了一个性质

$$\frac{{\sum }_{i=0}^{d-1}{w}_d^{i\sigma }}{d}=[d|\sigma ]$$

证明可以用等比数列，也可以理解为 $\omega$ 的正负抵消
观察一下矩阵的系数就可以发现只有对角线上是 1

同样分治进行变换即可
也就是说如果令 $g(x)={\sum }_{i=0}^{d-1}f({\omega }_d^i)\ast x^i$ 的话
最后的第 $i$ 项系数就是 $g({\omega }_n^{-i})$

是不是很妙！

一些小优化

递归版的分治已经凉了（T飞），找一下规律可以发现

就是二进制反过来
还有一个优化是
$$f({\omega }_d^k)=f_1({\omega }_{d/2}^k)+w_d^k{f}_2({\omega }_{d/2}^k)$$
只需要对 $k\in [0,d/2]$ 求出这样一个 $f({\omega }_d^k)$，利用
$$f({\omega }_d^{k+d/2})=f_1({\omega }_{d/2}^k)-w_d^k{f}_2({\omega }_{d/2}^k)$$
即可求出另一半，可以优化 $1/2$ 的常数

---

void fft(cp *a, int inv){
	for(int i=0; i<len; i++) if(i < rev[i]) swap(a[i], a[rev[i]]);
	for(int i = 1; i < len; i <<= 1){
		cp wn(cos(PI/i), inv * sin(PI/i));
		for(int j = 0; j < len; j += (i<<1)){
			cp w = cp(1, 0);
			for(int k = 0; k < i; k ++, w = w * wn){
				cp x = a[k + j], y = w * a[k + j + i];
				a[k + j] = x + y, a[k + j + i] = x - y;
			}
		} 
	}
}