快速傅里叶变换与快速数论变换（FFT&NTT）学习笔记

快速傅里叶变换与快速数论变换（FFT&NTT）学习笔记

一.前置知识

1.复数

（1）定义式

我们定义$i^2=-1$，$a\in \mathbb{R},b\in \mathbb{R}$，则复数$z$可表示为：$$z=a+bi$$

（2）运算法则

设存在两个复数$z_1=a_1+b_{1}i,z_2=a_2+b_{2}i$，则$z_1,z_2$的运算法则如下：
$$z_1\pm z_2=(a_1\pm a_2)+(b_1\pm b_2)i$$$$z_1\ast z_2=(a_1+b_{1}i)(a_2+b_{2}i)=(a_1{a}_2-b_1{b}_2)+(a_1{b}_2+a_2{b}_1)i$$$$\frac{z_1}{z_2}=\frac{a_1+b_{1}i}{a_2+b_{2}i}=\frac{(a_1+b_{1}i)(a_2-b_{2}i)}{(a_2+b_{2}i)(a_2-b_{2}i)}=\frac{(a_1{a}_2+b_1{b}_2)+(b_1{a}_2-a_1{b}_2)i}{a_2^2+b_2^2}$$

（3）复数类

我们需要实现一个支持$+-\times$的复数类。

struct Com{
	double x, y;	
	Com(double _x = 0, double _y = 0){x = _x, y = _y;}
	Com operator + (const Com &t)const{return Com(x+t.x, y+t.y);}
	Com operator - (const Com &t)const{return Com(x-t.x, y-t.y);}
	Com operator * (const Com &t)const{return Com(x*t.x-y*t.y, x*t.y+y*t.x);}
};

2.多项式的两种表示

设有两个多项式：
$$f(x)=a_0+a_{1}x+a_2{x}^2+...+a_{n-1}{x}^{n-1}$$$$g(x)=b_0+b_{1}x+b_2{x}^2+...+b_{n-1}{x}^{n-1}$$
设多项式$$h(x)=f(x)g(x)$$

（1）系数表示

我们称$a_0,a_1,a_2...a_{n-1}$为多项式$f(x)$的系数表示。
若$h(x)$的系数为$c_0,c_1,...,c_{n-1}$，则：$$c_k=\sum _{i+j=k}=a_i{b}_j$$
计算该式的时间复杂度为$O(n^2)$。

（2）点值表示

当我们把$n$个不同的值$x_0,x_1,x_2,...,x_{n-1}$，带入到$f(x)$，得到$f(x_0),...,f(x_{n-1})$以后，可以通过$n$个方程解出$a_0,...,a_{n-1}$，所以我们也可以用$f(x_0),...,f(x_{n-1})$来表示一个多项式，称为该多项式的点值表示。
如果我们将$2n-1$个不同的$x_0,...,x_{2n-2}$数分别带入$f(x),g(x)$，则：
$$h(x_k)=f(x_k)g(x_k)$$
计算该式的时间复杂度为$O(n)$。

2.泰勒展开

（1）用多项式逼近函数

若函数$f(x)$在点$x_0$上可导，则有：$$f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+o(x-x_0)$$它表明在点$x_0$附近，函数$f(x)$可以用$x-x_0$的线性函数近似表示，即有，当$|x-x_0|$很小时，$$f(x)\approx f(x_0)+f^{\prime }(x_0)(x-x_0)$$线性函数是多项式中幂次最低的一类，其特点是运算最简便，但是精度不高，而且无法具体估计误差的大小，所以当精度要求高且需要估计误差的时候，就要用高次多项式来近似表达函数，同时给出误差公式。
设函数$f(x)$在含$x_0$的开区间内具有直到$(n+1)$阶导数，要找出一个关于$(x-x_0)$的$n$次多项式$$P_n(x)=a_0+a_1(x-x_0)+a_2(x-x_0{)}^2+...+a_n(x-x_0{)}^n$$来近似表达$f(x)$，使$P_n(x)$与$f(x)$之差是比$(x-x_0)$高阶的无穷小。

（2）泰勒公式

用多项式$P_n(x)$近似表达函数$f(x)$，在几何上就是要求曲线$y=P_n(x)$与曲线$y=f(x)$在点$x_0$附近有很高的密切程度，即要求它们在点$x_0$相交、具有公切线、有相同的弯曲程度和凹凸性，于是有$$P_n(x_0)=f(x_0),P_n^{\prime }(x_0)=f^{\prime }(x_0),P_n^{\prime \prime }(x_0)=f^{\prime \prime }(x_0);$$如果要求更多的密切程度，则还应有$$P_n^{\prime \prime \prime }(x_0)=f^{\prime \prime \prime }(x_0),...,P_n^{(n)}(x_0)=f^{(n)}(x_0).$$由此可以确定出$P_n(x)$的各个系数为$$a_0=f(x_0),a_1=f^{\prime }(x_0),a_2=\frac{1}{2!}{f}^{\prime \prime }(x_0),...,a_n=\frac{1}{n!}{f}^{(n)}(x_0)$$从而有$$P_n(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+...,+\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n.$$这样一来就可以满足

泰勒公式：
如果函数$f(x)$在含有点$x_0$的某个开区间$(a,b)$内具有直到$(n+1)$阶导数，则当$x$在$(a,b)$内时，有$$f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+...,+\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n+R_n(x),$$其中$$R_n(x)=\frac{f^{(n+1)}(\xi )}{(n+1)!}(x-x_0{)}^{n+1}$$这里$\xi$是$x_0$与$x$之间的某个值。

$R_n(x)$是$n$阶泰勒展开的拉格朗日型余项，在本文中不会用到，对此的介绍这里略过。

（3）泰勒展开

$f(x)$的泰勒公式去掉余项后无限项的累加，我们称为泰勒展开，即：$$f(x)=\sum _{i=0}^{\infty }\frac{f^{(i)}(x_0)}{i!}(x-x_0{)}^i$$

（4）麦克劳林展开

对泰勒展开的$x_0$取$0$，得到：$$f(x)=\sum _{i=0}^{\infty }\frac{f^{(i)}(0)}{i!}{x}^i$$

3.欧拉公式

（1）定理

$$e^{ix}=\cos x+i\sin x$$

（2）证明

分别对$e^{ix},\cos x,\sin x$使用麦克劳林展开：
$$e^{ix}=\sum _{k=0}^{\infty }\frac{(ix{)}^k}{k!}=\sum _{k\mathrm{m}\mathrm{o}\mathrm{d}2=0}^{\infty }\frac{(-1{)}^{\frac{k}{2}}{x}^k}{k!}+i\sum _{k\mathrm{m}\mathrm{o}\mathrm{d}2=1}^{\infty }\frac{(-1{)}^{\frac{k+1}{2}}{x}^k}{k!}$$
$$\cos x=\sum _{k\mathrm{m}\mathrm{o}\mathrm{d}2=0}^{\infty }\frac{(-1{)}^{\frac{k}{2}}\cos (0)x^k}{k!}+\sum _{k\mathrm{m}\mathrm{o}\mathrm{d}2=1}^{\infty }\frac{(-1{)}^{\frac{k+1}{2}}\sin (0)x^k}{k!}=\sum _{k\mathrm{m}\mathrm{o}\mathrm{d}2=0}^{\infty }\frac{(-1{)}^{\frac{k}{2}}{x}^k}{k!}$$
$$\sin x=\sum _{k\mathrm{m}\mathrm{o}\mathrm{d}2=0}^{\infty }\frac{(-1{)}^{\frac{k}{2}}\sin (0)x^k}{k!}+\sum _{k\mathrm{m}\mathrm{o}\mathrm{d}2=1}^{\infty }\frac{(-1{)}^{\frac{k+1}{2}}\cos (0)x^k}{k!}=\sum _{k\mathrm{m}\mathrm{o}\mathrm{d}2=1}^{\infty }\frac{(-1{)}^{\frac{k+1}{2}}{x}^k}{k!}$$
得证。

（3）推论

$$e^{i\pi }=-1$$

4.单位根

（1）定义

设$n$是正整数，当一个数的$n$次乘方等于$1$ 时，称此数为$n$次单位根。在复数范围内，$n$次单位根有$n$个。关于复平面¹的知识见注释。
设${\omega }_n^k$为$n$次单位根的第$k$个，可以证明：$${\omega }_n^k=e^{\frac{2\pi ki}{n}}$$

证明：$$({\omega }_n^k{)}^n=(e^{\frac{2\pi ki}{n}}{)}^n=e^{2\pi ki}=(e^{\pi i}{)}^{2k}=(-1{)}^{2k}=1$$

（2）相关结论

结论1：

$$(\cos \theta +i\sin \theta {)}^x=\cos (x\theta )+i\sin (x\theta )$$

证：当$x=1$时，结论显然成立，设当$x=k$时，该式成立，则当$x=k+1$时：$$(\cos \theta +i\sin \theta {)}^{k+1}=(\cos \theta +i\sin \theta {)}^k(\cos \theta +i\sin \theta )$$$$=(\cos k\theta +i\sin k\theta )(\cos \theta +i\sin \theta )$$$$=\cos k\theta \cos \theta -\sin k\theta \sin \theta +i(\sin k\theta \cos k+\cos k\theta \sin \theta )$$$$=\cos [(k+1)\theta ]+i\sin [(k+1)\theta ]$$所以对于所有的$x\ge 1,x\in \mathbb{Z}$，该式成立。

结论2：

$${\omega }_{2n}^{2k}={\omega }_n^k$$

证：$${\omega }_{2n}^{2k}=e^{\frac{4\pi ki}{2n}}=e^{\frac{2\pi ki}{n}}={\omega }_n^k$$

结论3：

$${\omega }_n^a{\omega }_n^b={\omega }_n^{a+b}$$

证：$${\omega }_n^a{\omega }_n^b=e^{\frac{2\pi ai}{n}}{e}^{\frac{2\pi bi}{n}}=e^{\frac{2\pi (a+b)i}{n}}={\omega }_n^{a+b}$$

结论4：

$${\omega }_n^{k+\frac{n}{2}}=-{\omega }_n^k$$

证：$${\omega }_n^{k+\frac{n}{2}}=\cos (\frac{2k\pi }{n}+\pi )+i\sin (\frac{2k\pi }{n}+\pi )=-\cos (\frac{2k\pi }{n})-i\sin (\frac{2k\pi }{n})=-{\omega }_n^k$$

*结论5：

$$({\omega }_n^k{)}^n=1$$

证：$$({\omega }_n^k{)}^n=e^{2\pi ki}=(e^{\pi i}{)}^{2k}=(-1{)}^{2k}=1$$

二.离散傅里叶变换与离散傅里叶逆变换（DFT&IDFT）

1.离散傅里叶变换（DFT）

设$f(x)$为$n-1$次多项式，该过程通过将${\omega }_n^0,{\omega }_n^1,...,{\omega }_n^n$带入$f(x)$，得到$f(x)$的点值表示。点值$$b_i=f({\omega }_n^i)=\sum _{j=0}^{n-1}{a}_j({\omega }_n^i{)}^j.$$

2.离散傅里叶逆变换（IDFT）

该过程将使用$\text{DFT}$得到的$f(x)$的多项式点值表示，得到该多项式的系数表示。
具体的做法是将$b_i$当成一个多项式$g(x)$的系数表示，即：$$g(x)=b_0+b_{1}x+b_2{x}^2+...+b_{n-1}{x}^{n-1},$$那么将${\omega }_n^0,{\omega }_n^{-1},...,{\omega }_n^{-n}$带入$g(x)$，得到$g(x)$的点值$$c_k=g({\omega }_n^{-k})=\sum _{i=0}^{n-1}{b}_i({\omega }_n^{-k}{)}^i,$$可以证明$f(x)$的系数表示$a_k=\frac{c_k}{n}$。

证明：$$c_k=\sum _{i=0}^{n-1}{b}_i({\omega }_n^{-k}{)}^i$$$$=\sum _{i=0}^{n-1}(\sum _{j=0}^{n-1}{a}_j({\omega }_n^i{)}^j)({\omega }_n^{-k}{)}^i$$$$=\sum _{i=0}^{n-1}\sum _{j=0}^{n-1}{a}_j({\omega }_n^{j-k}{)}^i$$$$=\sum _{j=0}^{n-1}{a}_j\sum _{i=0}^{n-1}({\omega }_n^{j-k}{)}^i$$1）当$j-k=0$时，${\omega }_n^0=1$，${\sum }_{i=0}^{n-1}({\omega }_n^0{)}^i=n.$
2）当$j-k̸=0$时，根据等比数列求和公式，${\sum }_{i=0}^{n-1}({\omega }_n^{j-k}{)}^i=\frac{({\omega }_n^{j-k}{)}^n-1}{{\omega }_n^{j-k}-1}=\frac{1-1}{{\omega }_n^{j-k}-1}=0.$
综上所述：$c_k=n{a}_k.$

所以我们只要把现有的点值表示用${\omega }_n^{-k}$带入到$\text{DFT}$中即可得到$n{a}_k$，除以$n$后即可得到系数表示。

三.快速傅里叶变换（FFT）

1.分治加速

首先我们要把$n$上调至$2$的幂，后面本来没有的系数设置为$0$就好了。
然后我们将$n$个$n$次单位根带入$f(x)$得：$$f({\omega }_n^k)=\sum _{j=0}^{n-1}{a}_j({\omega }_n^k{)}^j$$设$f(x)$的奇数项为$g(x)$，偶数项为$h(x)$，令$m=\frac{n}{2}$我们分别拆出奇数项和偶数项得到：$$\sum _{j=0}^{n-1}{a}_j({\omega }_n^k{)}^j=\sum _{j=0}^{m-1}{a}_{2j}({\omega }_n^k{)}^{2j}+{\omega }_n^k\sum _{j=0}^{m-1}{a}_{2j+1}({\omega }_n^k{)}^{2j}$$$$=\sum _{j=0}^{m-1}{a}_{2j}({\omega }_n^{2k}{)}^j+{\omega }_n^k\sum _{j=0}^{m-1}{a}_{2j+1}({\omega }_n^{2k}{)}^j$$$$=\sum _{j=0}^{m-1}{a}_{2j}({\omega }_m^k{)}^j+{\omega }_n^k\sum _{j=0}^{m-1}{a}_{2j+1}({\omega }_m^k{)}^j$$$$=g({\omega }_m^k)+{\omega }_n^{k}h({\omega }_m^k)$$如果我们已经求出所有$g({\omega }_m^k),h({\omega }_m^k)$的值，那么我们就能在$O(n)$的时间复杂度之内计算出所有$f({\omega }_n^k)$的值了，而求$g({\omega }_m^k),h({\omega }_m^k)$的值是完全相同的子问题。
由${\omega }_n^{k+\frac{n}{2}}=-{\omega }_n^k$，可以推出${\omega }_n^{n+k}={\omega }_n^k$，所以在程序实际实现的过程中，对于本层的$f({\omega }_n^k)$的值，我们只需要计算出$g({\omega }_m^k),h({\omega }_m^k)$的前$m$项即可，即：$$f({\omega }_n^k)=\{\begin{array}{ll}g({\omega }_m^k)+{\omega }_n^{k}h({\omega }_m^k),& k<m\\ g({\omega }_m^{k-m})-{\omega }_n^{k-m}h({\omega }_m^{k-m}),& m\le k<n\end{array}$$当$n=1$时，$f({\omega }_1^0)=a_0$。
终上所述，我们通过递归的方法就可以实现FFT了。

• 代码

void fft(Com *a, int n, int inv){
	if(n == 1) return;
	int m = n/2;
	//按奇偶分开
	for(int i = 0; i < m; i ++) tmp[i] = a[2*i], tmp[i+m] = a[2*i+1];
	for(int i = 0; i < n; i ++) a[i] = tmp[i];
	//递归调用
	fft(a, m, inv), fft(a+m, m, inv);
	//减少三角函数的计算，提高精度和速度
	Com x(1, 0), mi(cos(2*pi/n), sin(2*pi/n) * inv);
	//合并奇偶项的值
	for(int i = 0; i < m; i ++, x = x * mi)
		tmp[i] = a[i] + x * a[i+m], tmp[i+m] = a[i] - x * a[i+m];
	for(int i = 0; i < n; i ++) a[i] = tmp[i];
}

2.迭代加速

在分治加速的基础上还能通过将递归改为迭代来减小算法的常数。
考虑奇偶分类的过程，每次把二进制最后一位是$0$的放在前面，$1$的放在后面，然后在下一轮中去掉这个二进制位，这就相当于把所有的数按照前后颠倒的二进制进行排序。
那么一个数最后的位置就是把其二进制左右翻转后的数值大小。
设$R_x$表示数字$x$的二进制左右翻转后的值，我们按照从小到大的顺序求$R_x$，当我们在求$R_x$时$R_{x>>1}$的值一定已知，如果我们把$R_{x>>1}$的值右移一位，再把$x$最低位补在最高位上，就可以得到$R_x$了。
例如：$$10101101\to 01010110\to 01101010\to 10110101$$红色部分的翻转值我们已经知道，所以只需要处理$x$的最后一位就可以求出$R_x$了。

	for(int i = 0; i < n; i ++) R[i]= (R[i>>1] >> 1) | ((i&1)<<(BIT-1));

其中$\text{BIT}$是$n$的二进制中最高$1$的位置。
这样我们就可以直接把$a_i$按$R[i]$的位置重新排放，通过依此对长度为$2^k$的数进行计算，来代替之前递归的过程。（这个过程完全可以类比zkw线段树）

• 代码

void fft(Com *a, int n, int inv){
	if(R[n-1] != n-1) for(int i = 0; i < n; i ++) R[i] = (R[i>>1]>>1) | ((i&1)<<(BIT-1));
	//如果所有的都交换会把已经换对的又换回去，所以只换小编号在前的。
	for(int i = 0; i < n; i ++) if(i < R[i]) std::swap(a[i], a[R[i]]);
	//枚举要计算的单个子函数的长度
	for(int i = 1; i < n; i <<= 1){
		Com mi(cos(pi/i), sin(pi/i) * inv);
		//枚举一次操作开始的位置
		for(int j = 0; j < n; j += (i<<1)){
			Com x(1, 0);
			//执行本次操作
			for(int k = 0; k < i; k ++, x = x * mi){
				Com t1 = a[j+k], t2 = x * a[j+k+i];
				a[j+k] = t1 + t2, a[j+k+i] = t1 - t2;
			}
		}
	}
}

四.快速数论变换（NTT）

由于我们希望可以在取模意义下也可以实现上面的过程，所以我们需要找到整数中模意义下的${\omega }_n^k$。
首先分析在上面的过程中用到的${\omega }_n^k$的性质：

1. ${\omega }_n^0,...,{\omega }_n^{n-1}$互不相同。
2. ${\omega }_n^0={\omega }_n^n=1$。
3. ${\omega }_n^{k+\frac{n}{2}}=-{\omega }_n^k$，${\omega }_{2n}^{2k}={\omega }_n^k$
4. ${\omega }_n^a{\omega }_n^b={\omega }_n^{a+b}$

可以证明：$${\omega }_n^k=g^{\frac{k\times (P-1)}{n}}$$其中：根据定义可知$P$为质因数分解中$2$的幂大于$n$（$n$为$2$的幂）的素数，$g$是$P$的原根，定义为$g^i̸=g^j(i̸=j)\mathrm{m}\mathrm{o}\mathrm{d}P$。

1. 当$n\le P-1$时，根据定义可知$g_n^0,...,g_n^{n-1}$互不相同，条件$1$成立。
2. 根据欧拉定理：$g_n^n=g^{P-1}=1$，条件2成立。
3. 由于$P$是素数，并且$g_n^n\equiv 1\mathrm{m}\mathrm{o}\mathrm{d}P$，这样$g_n^{\frac{n}{2}}\mathrm{m}\mathrm{o}\mathrm{d}P$必然是$1$或$-1$，因为所有$g_n^k(0\le k<n)$互不相同，所以$g_n^{\frac{n}{2}}\mathrm{m}\mathrm{o}\mathrm{d}P=-1$，条件$3$成立。
4. 带入即可验证，条件$4$成立。

根据以上条件可以说明：

1. 在分治优化的时候，$m=\frac{n}{2}$只需要计算出$g({\omega }_m^k),h({\omega }_m^k)$的前$m$项。
2. 当$j-k=0$时，${\omega }_n^0=1$，当$j-k̸=0$时，根据等比数列求和公式，${\sum }_{i=0}^{n-1}({\omega }_n^{j-k}{)}^i=\frac{({\omega }_n^{j-k}{)}^n-1}{{\omega }_n^{j-k}-1}=\frac{1-1}{{\omega }_n^{j-k}-1}=0$，所以快速数论逆变化方法与FFT相同。
3. 综上所述：除改变单位根之外，只需要把FFT中的除法操作换为乘逆元，即可完成NTT。

• 常用的素数原根表
• 代码

void ntt(ll *a, int n, int inv){
	if(R[n-1] != n-1) for(int i = 0; i < n; i ++) R[i] = (R[i>>1]>>1) | ((i&1) << (BIT-1));
	for(int i = 0; i < n; i ++) if(i < R[i]) swap(a[i], a[R[i]]);
	for(int i = 1; i < n; i <<= 1){
		ll mi = inv == 1 ? pow(g, (mod-1)/(2*i)) : ni(pow(g, (mod-1)/(2*i)));
		for(int j = 0; j < n; j += (i<<1)){
			ll x = 1;
			for(int k = 0; k < i; k ++, x = (x * mi) % mod){
				ll t1 = a[j+k], t2 = (x * a[j+k+i]) % mod;
				a[j+k] = (t1 + t2) % mod;
				a[j+k+i] = (t1 - t2) % mod;
			}
		}
	}
}

五.例题

0.模板题

例1：大数乘法 V2
给出$2$个大整数$A,B$，计算$A\times B$的结果。($A,B$的长度$\le 100000$，$A,B\ge 0$）
解析：
我们把一个整数当做一个多项式，当$f(x=10)$时即可把每个数都当成多项式的系数，这样求两个整数的和就变成了求两个多项式的卷积。

• 点击查看代码

1.普通的卷积构造

例1：A+B Problem
给$n$个数，$a_1,a_2,a_3\dots a_n$ 问有多少组 $i,j,k$ , 满足$a[i]+a[j]=a[k]$ （$i,j,k$互不相同）（$-50000\le a[i]\le 50000,1\le N\le 200000$）
解析：
我们可以把所有的数$+50000$（记为$mx$），认为数字范围是$0\to 100000$，设一个数$x$的数量是$num[x]$，那么答案可以表示为：$$ans=\sum _{k=mx}^{3\times mx}num[k-mx]\sum _{i+j=k}num[i]num[j],i̸=j̸=k-mx$$其中$c_k={\sum }_{i+j=k}num[i]num[j]$可以用$\text{FFT}$求得，在统计答案的时候要去掉$x+x$的情况（即$i=j$，会在$k$是偶数的时候出现，位置为$\frac{k}{2}$），去掉$0+x=x$和$x+0=x$的情况（即减去$2\times num[mx]\times num[k-mx]$），在处理$0+0=0$时（即$k=2\times mx$）单独处理，相当于从$0$的个数个数中取出$3$个的排列数。

• 点击查看代码

例2：Rock Paper Scissors
定义一种游戏，给定$5$种牌，每种牌恰好赢两种其他不同的牌，同时输给两种不同的牌，输赢关系已经给出。分别给出他们的出牌序列，长度分别为$n,m$，第二个人可以跳过第一个人的前$i(0\le i<n)$个出牌（第一个人的$i+1$个与第二个人的第$1$个开始），求第二个人最多赢多少次。（$1\le n,m\le 10^6$）
具体的：$R\to S,L|P\to R,K|S\to P,L|L\to P,K|K\to R,S$其中$\to$表示赢过。

输入样例：
12 4
RRRRRRRRRLLL
RRRS

解析：
枚举$5$种符号：
将第二个串中这个符号设为$1$，其他设为$0$ ，然后倒序（倒序后正好对应位置相乘）；
将第一个串中被这个符号打败的两个符号设为$1$，其他设为$0$。
定义结果数组$res$的第$i$个位置意味着从第二个人的$i(1\le i\le n)$位置开始，两个数组做$\text{FFT}$以后结果数组为$c$，则$res[i]=c[i+m-2]$（$c$从$0$开始）。
将五次$\text{FFT}$的结果累加进$res$中，取最大的即为答案。

如果一直重复使用数组做FFT，每一轮初始化的时候一定要把复数的实部和虚部一起初始化。

• 点击查看代码

2.生成函数的构造与多项式的(分治/启发式)合并

例1：挑选队友
有$m$个不同的盒子$n$个不同球，输入第$i$个盒子的球的个数$a_i$（至少有$1$个），总共取$k$个球，每个盒子至少取一个球（$k\ge m$），求取出球的方案数（对$998244353$取模）。
解析：
每个盒子构造一个多项式，形如$(x+x^2+...+x^{a_i})$，最后答案就是所有多项式乘积的$x^n$的系数。
可以考虑我们从每个多项式里面取出一项$x$的幂代表选择的人数，最后总共选择了$n$人，即$x^n$的系数。
在合并两个多项式的时候需要使用分治合并或启发式合并。

• 点击查看代码(启发式合并)

3.单位根循环性的利用

---

1. 类似于平面直角坐标系的$x,y$轴，复数平面（complex plane）是用水平的实轴与垂直的虚轴建立起来的复数的几何表示。一个复数的实部用沿着$x$轴的位移表示，虚部用沿着 $y$轴的位移表示。
   ↩︎