FFT算法学习

写在前面：

初学FFT算法移步：here
讲的真心不错，本文主要记录下自己的理解。
建议阅读的过程中，自己动手算一算需要仔细理解的地方！

overview

定义一个多项式：$A(x) = \mathop{\Sigma}_{j = 0}^{n - 1}a_j\cdot x^j$
计算

$$C(x) = A(x) * B(x)$$
一般我们要计算两个 $n$ 次多项式的乘积，直接计算的复杂度是 $O(n^2)$，利用 $FFT$ 算法可以达到 $O(nlogn)$ 的复杂度，其中利用到了傅里叶变换，周期性，还有分治策略。

大致的思路呢，就是先得到 $A(x)$ 与 $B(x)$ 的点表示法（具体见下文），也就是利用 $DFT$ 算法在$O(nlogn)$ 时间内得到点表示法，然后得到的两个点表示形式在对应位上直接相乘得到 $C(x)$ 的点表示形式，最后就是逆 $DFT$ 得到 $C(x)$ 的多项式表示。

detail

一般我们将多项式表示为 $A(x) = a_0 + a_1x + a_2x^2 + ... + a_{n - 1}x^{n - 1}$，记为：$a = (a_1, a_2, ... a_{n - 1})$

实际上还有另外一种方法来唯一的表征一个多项式 ，即点值法，也就是找出多项式在$n$ 个不同的点上的取值，记为：$\{(x_0, y_0), (x_1, y_1), ..., (x_{n - 1}, y_{n - 1})\}$，具体证明略。
现在我们的目的是得到 $A(x)$ 的点值表示，直接代入 $n$ 个数，计算的时间复杂度为 $O(n^2)$，所以现在就用到了 傅里叶变换 去优化这个过程。

我们选用n个特殊的值，用处后面自然会感受到：

$$\omega_n^0, \omega_n^1, ..., \omega_n^{n - 1}， 其中 \omega_n = e^{\frac{2i\pi}{n}}$$
你会发现上面的取值 $\omega_n^i$ 的周期是 $n$，也就是 $i = n + k$ 与 $i = k$ 时候的值是一样的。
现在我们对 $A(x)$ 作一些变换：
$$A(x) = A^{[0]}(x^2) + xA^{[1]}(x^2)$$
$$A^{[0]}(x) = a_0 + a_2x + a_4x^2 + ... + a_{n - 2}x^{\frac{n}{2} - 1}$$
$$A^{[1]}(x) = a_1 + a_3x^1 + a_5x^2 + ... + a_{n - 1}x^{\frac{n}{2} - 1}$$

现在我们需要分别去计算 $A^{[0]}(x), A^{[1]}(x)$ 在 上述$n$ 个数上的取值，即计算 $(\omega_n^i)^2$，你会发现这个式子的周期是 $n/2$，所以这个 $n$ 个数的序列的 前后半段完全相同 （聪明的你是否想到了优化的地方呢）！

也就是我们计算$A^{[0]}(x), A^{[1]}(x)$ 的时候，其实只需代入计算 前$n/2$ 个数，这样问题的规模就缩小了一半，假设我们得到了上述两者的取值结果：

$$v_0, v_1, ...v_{n/2}\ 和\ t_0, t_1, ...t_{n/2}$$

为什么取负号？自己想一想！(^_^
最后就是递归的计算下去，但是每次计算问题的规模都会为上一次的一半，所以整体的复杂度变为 $nlogn$

---

接下来就是逆 $DFT$:
其实逆DFT与DFT的计算过程类似，只需看看我们之前计算 $y_i$ 序列的过程：

那么我们只需要在等式两边分别左乘一个逆矩阵就OK了，如何求上面那个矩阵的逆矩阵呢？
直接给出了矩阵的：

$$C(j,k) = \frac{\omega_n^{-kj}}{n}$$
具体证明略。
所以要计算 $a_i$ 序列，就是一个类似的过程，用逆矩阵去乘我们先前得到的 $y_i$ 序列，方法类似嘛，只不过： $$a_j = \frac{1}{n}\mathop{\Sigma}_{k = 0}^{n - 1}y_k\omega_n^{-kj}$$
把之前的 $w$ 替换为 $w^{-1}$ ，最后除以 $n$ 就完成啦！复杂度也是 $nlogn$。

all

有错误的话，欢迎指出哦！