多项式乘法与快速傅里叶变换

多项式乘法

$A(x) = a_0 + a_1*x + a_2*x^2 + a_3*x^3 + ... +a_n*x^n$
$B(x) = b_0 + b_1*x + b_2*x^2 + b_3*x^3 + ... +b_n*x^n$
$C(x) = A(x) * B(x) = c_0 + c_1*x + c_2*x^2 + c_3*x^3 + ... +c_{2n} *x^{2n}$

暴力解法

两层循环，复杂度是$O(n^2)$

分治算法

$A(x) = (a_0 + a_1*x + a_2*x^2 + a_3*x^3 + ... +a_{\frac{n}{2}-1}*x^{\frac{n}{2}-1}) + (a_{\frac{n}{2}}+...+a_n)*x^{\frac{n}{2}} + = A_1 + A_2*x^{\frac{n}{2}}$
$B(x) = (b_0 + b_1*x + b_2*x^2 + b_3*x^3 + ... +b_{\frac{n}{2}-1}*x^{\frac{n}{2}-1}) + (b_{\frac{n}{2}}+...+b_n)*x^{\frac{n}{2}} + = B_1 + B_2*x^{\frac{n}{2}}$
$C(x) = A(x) * B(x) = A_1 * B_1 + A_2*B_1*x^{\frac{n}{2}} + A_1*B_2*x^{\frac{n}{2}} + A_2*B_2*x^n$

$A_1 * B_1, A_2*B_1, A_1*B_2, A_2*B_2都是规模为\frac{n}{2}的多项式乘法$
$T(n) = 4T(\frac{n}{2}) + c*n = O(n^2), 可是还是没提升，我们可不可以做更少次的乘法呢$

$C(x) = A(x) * B(x) = A_1 * B_1 + A_2*B_1*x^{\frac{n}{2}} + A_1*B_2*x^{\frac{n}{2}} + A_2*B_2*x^n$
$= ((A_1+A_2)*(B1+B2)-A_1 * B_1-A_2*B_2)*x^{\frac{n}{2}} +A_1 * B_1 + A_2*B_2*x^n$
这样我们把它转换为了3次乘法
$T(n) = 3T(\frac{n}{2}) + c*n = O(n^{{log_2}^3}) < O(n^2)$

快速傅里叶变换

我们发现A(x)B(x)多项式相乘，可以看成N个离散数据(a0,a1,…an)和N个离散数据(b0,b1,…bn)的卷积操作，即信号处理里的时域卷积，而域卷积对应的是频域相乘，所以我们把多项式相乘的步骤转换为
1. 把A(x) B(x)系数对应的离散信号数据进行快速傅里叶变换到频域 ，$O(nlog_n)$
2. 频域对应分量相乘，$O(n)$
3. 傅里叶逆变换，$O(nlog_n)$
所以整体的复杂度就是$O(nlog_n)$

分治法求快速傅里叶变换

解释:

傅里叶级数$A_j$即是离散数据$(a_0,a_1,a_2...a_{N-1})$在各个频段$e^{-2\pi ijk/N}$的分量, 它的求法可以转化为求多项式$a(x)=\sum_{k=0}^{N-1} a_kx^k 在w^j$的取值，即$A_j = a(w^j)$, 我们需要求$A_0->A_{N-1}$或$a(w^0)->a(w^{N-1}), N=2n$
$a(x)= a_0 + a_1*x + a_2*x^2 + a_3*x^3 + ... +a_{N-1}*x^{N-1}$
$b(x) = a_1 + a_3*x + a_5*x^2 + a_7*x^4 + ... +a_{N-1}*x^{\frac{N-2}{2}}$
$c(x) = a_0 + a_2*x + a_4*x^2 + a_6*x^4 + ... +a_{N-2}*x^{\frac{N-2}{2}}$
注意这里的a和离散数据$(a_0,a_1,a_2...a_{N-1})$里的a不是一个意思，这里的a只是个函数名称，可改成f或者其他
$而a(x)可以拆分为奇偶两项, a(x) = b(x^2) * x+ c(x^2)$
而且$a(w^j)$的前一半和后一半都可以用奇偶项b(x^2)和 c(x^2)得到，所以可以利用分治
$T(N) = 2T(N/2) + cN, T(n) = O(Nlog_N)$

---

参考:
多项式乘法与快速傅里叶变换
两个n项多项式相乘采用分治算法的时间复杂度怎样计算？
【算法笔记】多项式快速算法——快速傅里叶变换
FFT算法学习笔记