【FFT&NTT入门】大整数乘法

solego

已于 2024-07-29 14:58:43 修改

阅读量919

点赞数 1

分类专栏：算法竞赛文章标签：算法 FFT NTT 数学思维

于 2023-04-02 12:59:30 首次发布

本文链接：https://blog.csdn.net/weixin_43900869/article/details/129909521

版权

问题：给定两个大整数 $A$ 和 $B$ ， $A$ 和 $B$ 的长度为 $n$ 和 $m$ ，求 $A$ 和 $B$ 的乘积

1. 朴素做法

思考小学数学中两个数的乘法列竖式的方式，对于 $B$ 的每一位，分别乘上 $A$ 的每一位，得到的结果相加。

以 $23\times 456$ 为例：

$\begin{aligned} 23\times 456 &= 6\times 3 + 6\times 20+50\times 3+50\times 20+400\times 3+400\times 20\\ &= 18+120+150+1000+1200+8000 \\ &= 10488 \end{aligned}$

如此需要进行 $2\times 3$ 次乘法以及 $2\times 3 - 1$ 次加法。

对于到长度为 $n$ 的数 $A$ 和长度为 $m$ 的数 $B$ ，则需要进行 $n\times m$ 次乘法和 $n\times m-1$ 次加法

如此时间复杂度为： $O (nm)$ ，不妨设 $m\leq n$ ，则时间复杂度为 $O(n^2)$

2. 快速傅里叶变换

上述的朴素做法时间复杂度过高，当两者长度都达到 $10^5$ 级别时，就很难快速得到两个大整数的乘积了。

2.1 求解思想

2.1.1 大整数转换为多项式

考虑将两个大整数转换成多项式：

令 $A(x)=a_0+a_1x+a_2x^2+\cdots+a_{n-1}x^{n-1}$ ， $B(x)=b_0+b_1x+b_2x^2+\cdots+b_{m-1}x^{m-1}$

以上多项式的表示称为多项式的系数表示法

以 $23\times 456$ 为例：

当 $a_0=3,a_1=2$ ， $A (x) = 3 + 2 x$

当 $b_0=6,b_1=5,b_2=4, B(x)=6+5x+4x^2$

可以看出：

$23$ 可以转换为 $a_0=3,a_1=2$ 的多项式， $A (10) = 23$

$456$ 可以转换为 $b_0=6,b_1=5,b_2=4$ 的多项式，当 $B (10) = 456$

那么 $A(10)\times B(10)$ 即为 $23\times 456$ 的结果

问题转换成了求解两个多项式 $A (x)$ 与 $B (x)$ 的乘积

令 $C(x)=A(x)\times B(x) = c_0+c_1x+c_2x^2+\cdots + c_{n+m-2}x^{n+m-2}$

则 $c_k=\sum\limits_{i+j=k} a_i\times b_{j}$

求 $c_k$ 的过程也称为卷积，整体的时间复杂度为 $O(n^2)$

2.1.2 多项式的点值表示法

上述将大整数转换为多项式的系数表示法进行多项式的计算，时间复杂度仍未改进。

事实上，多项式还有另外一种表示法，即点值表示法。

我们思考一条直线 $y = k x + b$ ，如果转换为上述表达，即为： $A(x)=a_0+a_1x$ ，其中 $a_0=b,a_1=k$ 。而两点确定一条直线，则我们如果找出两个不同点，计算出斜率 $k$ 和截距 $b$ ，则唯一确定一条直线，即唯一确定一个一阶多项式。

推广到更高阶的多项式，对于 $n$ 阶多项式 $A(x)=\sum\limits_{i=0}^n a_ix^i$ ，如果找到 $n + 1$ 个不同点，则可以唯一确定一个 $n$ 阶多项式。二维平面上 $n + 1$ 个不同点可以唯一确定一个 $n$ 阶多项式)。

对于多项式 $A (x)$ ，其点值表示法为： $\{(x_0,A(x_0)),(x_1,(A(x_1)),\cdots,(x_n,A(x_n))\}$

要证明 $n$ 阶多项式可以由 $n + 1$ 个点唯一确定，只需要证明这 $n + 1$ 个系数是唯一的

对于 $A(x)=a_0+a_1x+a_2x^2+\cdots+a_nx^n$

将 $n + 1$ 个点带入多项式，得到 $n + 1$ 个方程

$A(x_0)=a_0+a_1x_0+a_2x_0^2+\cdots+a_nx_0^n$

$A(x_1)=a_0+a_1x_1+a_2x_1^2+\cdots+a_nx_1^n$

$\cdots$

$A(x_n)=a_0+a_1x_n+a_2x_n^2+\cdots+a_nx_n^n$

写成矩阵形式：

$\left[\begin{array}{c} A\left(x_{0}\right) \\ A\left(x_{1}\right) \\ \vdots \\ A\left(x_{d}\right) \end{array}\right]=\left[\begin{array}{ccccc} 1 & x_{0} & x_{0}^{2} & \cdots & x_{0}^{n} \\ 1 & x_{1} & x_{1}^{2} & \cdots & x_{1}^{n} \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 1 & x_{n} & x_{n}^{2} & \cdots & x_{n}^{n} \end{array}\right]\left[\begin{array}{c} a_{0} \\ a_{1} \\ \vdots \\ a_{n} \end{array}\right]$

最低0.47元/天解锁文章