多项式全家桶（三）：多项式的ln，exp

         \ \ \ \ \ \ \,       对数和指数是很重要的东西了，复杂的多项式都和他们有关系，所以说掌握很重要，这里不建议光背板子，因为这两个板子都有致命的限制，而在实际操作的时候，可以通过一些方法绕过这个限制直接求解，这个就很重要了。

---

1. 多项式的$ln$

         \ \ \ \ \ \ \,       P4725 【模板】多项式对数函数

         \ \ \ \ \ \ \,       公式先走起咯：

$$\ln (A)=\int \frac{A^{\prime }}{A}dx$$

         \ \ \ \ \ \ \,       观察公式，一句话解决：

         \ \ \ \ \ \ \,       导卷逆的积：

         \ \ \ \ \ \ \,       看上去很模板，当然模板也是很短的：

inline Polynomial Logarithmic(const Polynomial &a){
	Polynomial ln_a=Derivation(a)*Inverse(a);
  	ln_a.resize(a.size());
  	//这里resize一下，因为卷积后会倍增，防止变长爆掉
  	return Integral(ln_a);
}

         \ \ \ \ \ \ \,       还有一个值得注意的问题，一般求对数的多项式，是需要要求常数项为 $1$ 的，因为我们知道：

$$e^0=1$$

         \ \ \ \ \ \ \,       也就是：

$$ln(1)=0$$

         \ \ \ \ \ \ \,       这样算出来的 $ln$ 常数项是 $0$，而我们追后一步在算积的时候，是默认把常数项补上 $0$ 的，这样就没有问题。可要是原多项式常数项不为 $1$ 呢？

         \ \ \ \ \ \ \,       显然应该算积的时候在常数项补上 $ln(C)$ （C为常数项），不过这个数在模的意义下应该是多少呢？这个问题周道确实不能解决了，所以说，模板题的话，会给出这个常数项为 $1$的条件的。

         \ \ \ \ \ \ \,       否认常数项不等于$1$，完全不能求 $ln$ 的说法。

---

2. 多项式的$exp$

P4726 【模板】多项式指数函数

         \ \ \ \ \ \ \,       这玩意说简单也简单，说复杂也挺复杂的，我们得引入一个新玩意，【牛顿迭代】，是求函数零点的玩意，收敛速度非常理想，我在这里有简略的讲过：【导数和牛顿迭代】，我也在洛谷出过一个牛顿迭代的裸题，感兴趣可以去体验一下牛顿迭代的神奇：【P4986 逃离】。

         \ \ \ \ \ \ \,       说远了，现在我们来康康怎么求指数函数。

         \ \ \ \ \ \ \,       令我们要求的是 $A$ 的指数函数 $B$，既是：

$$B=e^A$$

         \ \ \ \ \ \ \,       变形得：

$$\ln (B)-A=0$$

         \ \ \ \ \ \ \,       咦？$0$ ?，我们把多项式当做函数值看看？

         \ \ \ \ \ \ \,       哇，函数零点！马上牛顿迭代呀！

         \ \ \ \ \ \ \,       设$F(B)=\ln (B)-A$，我们要求 $F$的零点，根据牛顿迭代的公式可得（注意这里B后面的括号的迭代版本的意思，不是多项式的项）：

$$B(x)=B(x-1)-\frac{F\left(B(x-1)\right)}{F^{\prime }\left(B(x-1)\right)}$$

         \ \ \ \ \ \ \,       而根据导数的定义，$F^{\prime }(B)=\frac{1}{B}$，（【导数和牛顿迭代】里面有提到过一点，这里是把$A$当做常数舍去了）

         \ \ \ \ \ \ \,       那我们现在把牛顿迭代的公式化简：

$$\begin{array}{rl}B(x)& =B(x-1)-F\left(B(x-1)\right)\times B(x-1)\\ & =B(x-1)-B(x-1)\times F\left(B(x-1)\right)\\ & =B(x-1)-B(x-1)\times \left(\ln \left(B(x-1)\right)-A\right)\\ & =B(x-1)\times \left(1-\ln \left(B(x-1)\right)+A\right)\end{array}$$

         \ \ \ \ \ \ \,       再次强调B后面的括号的迭代版本的意思，不是多项式的项。

         \ \ \ \ \ \ \,       现在看似分治可做，我们用两个容器相互装版本。每次老版本一卷，新版本长度就会倍增，所以说我们做 $\log n$ 次迭代就好。我们的操作相当于把式子拆了求收敛值，所以不会有精度的问题，求出来就好了。

         \ \ \ \ \ \ \,       那么现在的问题是，第一个版本是怎么样，洛咕模板给的是保证 $A_0=0$，因为$e^0=1$，也就是$exp(0)=1$，所以说 $B_0=1$，也就是常数项为 $1$。

         \ \ \ \ \ \ \,       当然了，同理，他一般会保证$A_0=0$，我们不方便找到其他$exp(A_0)$模的意义下的值。如果可以算的话，可以在模板里面传入 $Constant$ 也就是 $exp(A_0)$ 的值。

         \ \ \ \ \ \ \,       否认$A_0$不等于$0$，完全不能求 $exp$ 的说法。

inline Polynomial Exponential(const Polynomial &a,int Constant=1){
	Polynomial ret,D;int ed=a.size();
	ret.resize(1);ret[0]=Constant;
	for(int len=2;len<=ed;len<<=1){
	  	D=Logarithmic(ret);D.resize(len);
	  	D[0]=(1ll*a[0]+1ll-D[0]+mod)%mod;
	  	for(int i=1;i<len;++i) D[i]=(1ll*a[i]-D[i]+mod)%mod;
		int n=Prepare_Transformation(len<<1);
	  	ret.resize(n);D.resize(n);
	  	NTT(ret,1);NTT(D,1);
	  	for(int i=0;i<n;i++)ret[i]=1ll*ret[i]*D[i]%mod;
	  	NTT(ret,-1);
	  	for(int i=len;i<(len<<1);++i)ret[i]=D[i]=0;
	}
	ret.resize(ed);
	return ret;
}