Miskcoo大佬的多项式全家桶传送门

rvalue大佬的FFT讲解传送门

用途

将多项式快速(nlogn)变成点值表达,或将点值表达快速变回系数表达(逆变换),(多数时候)来达到求卷积的目的

做法

(为了方便,用wn代表n次单位根的ωn

考虑选取特殊点,并用分治缩小问题规模

首先在多项式高位补零使其项数为2的幂,方便分治

然后我们选择代入单位根($w_n^k$),设结果是$y_k$

首先有:$F(x)=\sum{a_ix^i}$

将$a_ix^i$按照幂次奇偶性分组,得到$F(x)=(a_0x^0+a_2x^2+...+a_{n-2}x^{n-2})+(a_1x^1+a_3x^3..a_{n-1}x^{n-1})$

然后设$F_0(x)=a_0x^0+a_2x^1+a_4x^2+...+a_{n-2}x^{\frac{n}{2}-1} $,$F_1(x)=a_1x^0+a_3x^1+a_5x^2+...+a_{n-1}x^{\frac{n}{2}-1}$

则$F(x)=F_0(x^2)+xF_1(x^2)$

于是现在我们将系数完成了分治,但需要代入的值的数量没变所以并没有什么卵用

现在带入n次单位根,$F(w^k_n)=F_0(w^{2k}_n)+w^k_nF_1(w^{2k}_n)$

然后单位根有一个比较喵喵的性质$w^{xk}_{xn}=w^k_n$

于是得到了$F(w^k_n)=F_0(w^k_{\frac{n}{2}})+w^k_nF_1(w^k_{\frac{n}{2}})$

还有一个更喵喵的性质$w^{k}_{n}=-w^{k+\frac{n}{2}}_n$

于是得到了$F(w^{k+\frac{n}{2}}_n)=F_0(w^k_{\frac{n}{2}})-w^k_nF_1(w^k_{\frac{n}{2}}) $

于是成功地完成了对代入的值的分治,可以递归来求了

然而递归太慢了,所以考虑怎么递推来做

    (图是偷的)

我们可以从底向上做,将做出来的当前点的结果,用索引值加上这个节点的位置,存在一个大数组中(比如第三层{a2,a6}得出的两个结果存在A[2]和A[3]中,这个索引值可以根据现在在做的长度方便的计算出来)

这样的话,在我们向上推新的一层的时候,设旧一层长度为L,新一层所在节点的第一个编号为i,则有$A[i+k]=A[i+k]+w^k_{2L}A[i+L+k],A[i+k+L]=A[i+k]-w^k_{2L}A[i+L+k] ,k=0..L-1$

然后我们只需要知道最底下一层元素的顺序就可以了

然后观察一下...发现一个很神奇的性质:最后一层第i个元素就对应arev[i],其中rev[i]表示将i的二进制表示翻转后对应的数

原位置 0 1 2 3 4 5 6 7
原位置的二进制表示 000 001 010 011 100 101 110 111
重排后下标的二进制表示 000 100 010 110 001 101 011 111
重排结果 0 4 2 6 1 5 3 7

(表格也是偷的)

 

所以我们在读入系数后,直接把ai的值给到A[rev[i]]就可以了

于是就得到了点值表达$\{(w^k_n,A[k])\}$

那么现在,只要再根据点值表达推回系数表达就行了

然后经过一系列神奇的推导(我反正不会),我们得到$a_j=\frac{1}{n}\sum_{k=0}^{n-1}y_kw_n^{-kj}$

它的形式和刚刚的定义十分类似,只有$w_n$的指数上多出了个负号,所以我们只要再把刚求出的$y_k$作为系数,把过程中的$w_n^k$改为$w_n^{-k}$,再做一次FFT,然后除以n就是最终结果

快速数论变换(NTT)

有的题要求取模,这时候复数的精度就比较爆炸

考虑在模一类特殊质数($a*2^k+1$,多为998244353)的情况下(任意模数我哪会啊)

可以发现原根(用g表示)和原来单位根的性质非常相似

于是我们用$g^{\frac{P-1}{n}}$代替$w_n$

关于原根怎么求..先记住998244353的原根是3吧233

实现

关于rev的求法:rev[i]=rev[i>>1]>>1|(i&1?(n>>1):0) n是长度

然后对于每个i<rev[i],交换$a_i$和$a_{rev[i]}$ (为了防止交换两次)

可以预处理出所有$w_L^i$(或$g^{\frac{P-1}{L}i}$),记到$g[i]$里(L是一个长度的上界)

然后用的时候,如果要用$w_n^k$,就可以直接用$g[L/n*k]$

随便上一个NTT的代码吧 FFT的效果差不多

 inline void fft(int *a,int n,bool flag){
for(int i=;i<n;i++){
rev[i]=(rev[i>>]>>)|((i&)?(n>>):);
if(i<rev[i]) swap(a[i],a[rev[i]]);
}
for(int i=;i<=n;i<<=){
int l=i>>;
for(int j=;j<n;j+=i){
for(int k=;k<l;k++){
int x=a[j+k],y=1ll*g[flag][L/i*k]*a[j+k+l]%P;
a[j+k]=(x+y)%P,a[j+k+l]=(x-y)%P;
}
}
}
if(flag){
int in=fpow(n,P-);
for(int i=;i<n;i++) a[i]=1ll*a[i]*in%P;
}
} inline void init{
L=<<;
g[][]=g[][]=,g[][]=fpow(,(P-)/L),g[][]=fpow(g[][],P-);
for(int i=;i<L;i++) g[][i]=1ll*g[][i-]*g[][]%P,g[][i]=1ll*g[][i-]*g[][]%P;
}

[模板]快速傅里叶变换(FFT)的更多相关文章

  1. [模板] 快速傅里叶变换/FFT/NTT

    简介 FFT是多项式乘法的一种快速算法, 时间复杂度 \(O(n \log n)\). FFT可以用于求解形如\(C_i = \sum_{j=0}^i A_jB_{i-j}\)的式子. 如果下标有偏差 ...

  2. 快速傅里叶变换(FFT)_转载

    FFTFFT·Fast  Fourier  TransformationFast  Fourier  Transformation快速傅立叶变换 P3803 [模板]多项式乘法(FFT) 参考上文 首 ...

  3. Algorithm: 多项式乘法 Polynomial Multiplication: 快速傅里叶变换 FFT / 快速数论变换 NTT

    Intro: 本篇博客将会从朴素乘法讲起,经过分治乘法,到达FFT和NTT 旨在能够让读者(也让自己)充分理解其思想 模板题入口:洛谷 P3803 [模板]多项式乘法(FFT) 朴素乘法 约定:两个多 ...

  4. 再探快速傅里叶变换(FFT)学习笔记(其三)(循环卷积的Bluestein算法+分治FFT+FFT的优化+任意模数NTT)

    再探快速傅里叶变换(FFT)学习笔记(其三)(循环卷积的Bluestein算法+分治FFT+FFT的优化+任意模数NTT) 目录 再探快速傅里叶变换(FFT)学习笔记(其三)(循环卷积的Blueste ...

  5. 快速傅里叶变换FFT

    多项式乘法 #include <cstdio> #include <cmath> #include <algorithm> #include <cstdlib ...

  6. [学习笔记] 多项式与快速傅里叶变换(FFT)基础

    引入 可能有不少OIer都知道FFT这个神奇的算法, 通过一系列玄学的变化就可以在 $O(nlog(n))$ 的总时间复杂度内计算出两个向量的卷积, 而代码量却非常小. 博主一年半前曾经因COGS的一 ...

  7. 快速傅里叶变换FFT& 数论变换NTT

    相关知识 时间域上的函数f(t)经过傅里叶变换(Fourier Transform)变成频率域上的F(w),也就是用一些不同频率正弦曲线的加 权叠加得到时间域上的信号. \[ F(\omega)=\m ...

  8. 多项式 之 快速傅里叶变换(FFT)/数论变换(NTT)/常用套路【入门】

    原文链接https://www.cnblogs.com/zhouzhendong/p/Fast-Fourier-Transform.html 多项式 之 快速傅里叶变换(FFT)/数论变换(NTT)/ ...

  9. 快速傅里叶变换(FFT)

    扯 去北京学习的时候才系统的学习了一下卷积,当时整理了这个笔记的大部分.后来就一直放着忘了写完.直到今天都腊月二十八了,才想起来还有个FFT的笔记没整完呢.整理完这个我就假装今年的任务全都over了吧 ...

随机推荐

  1. python集合使用范例的代码

    在代码过程中中,将代码过程中比较好的代码段珍藏起来,如下的代码是关于python集合使用范例的代码,希望能对大伙有用. # sets are unordered collections of uniq ...

  2. Xshell连接linux主机

    一.获取linux主机的ip地址.用户名.密码 二.xshell里面建立连接 三.打开连接,操作远程linux主机

  3. Cs231n课堂内容记录-Lecture 4-Part2 神经网络

    Lecture 7 神经网络二 课程内容记录:https://zhuanlan.zhihu.com/p/21560667?refer=intelligentunit 1.协方差矩阵: 协方差(Cova ...

  4. ideal中项目resources下txt文件读取不到的问题。

    这次做项目,原来用到了一个txt文件,在ideal中项目启动后报读取不到txt文件.项目原来是在eclipse中的. 在网上找了些文章,发现ideal中要读取到resources下的文件需要加上下面红 ...

  5. SQL NULL 值

    NULL 值是遗漏的未知数据. 默认地,表的列可以存放 NULL 值. 本章讲解 IS NULL 和 IS NOT NULL 操作符. SQL NULL 值 如果表中的某个列是可选的,那么我们可以在不 ...

  6. 入门 Webpack,一篇就够了

    阅读本文之前,先看下面这个webpack的配置文件,如果每一项你都懂,那本文能带给你的收获也许就比较有限,你可以快速浏览或直接跳过:如果你和十天前的我一样,对很多选项存在着疑惑,那花一段时间慢慢阅读本 ...

  7. 启动Hadoop总是需要输入密码的问题.

    start-all.sh 总是需要输入当前密码. 一开始以为是权限不够. 1.修改sudo配置文件 sudo visudo 增加 hduser ALL=(ALL) NOPASSWD:ALL 解决了 权 ...

  8. springBoot2.0+redis+fastJson+自定义注解实现方法上添加过期时间

    springBoot2.0集成redis实例 一.首先引入项目依赖的maven jar包,主要包括 spring-boot-starter-data-redis包,这个再springBoot2.0之前 ...

  9. 追逐心目中的那个Ta

    申明:全篇皆为作者臆想,浪漫主义代表派作品,若有雷同,纯属巧合 人生最难过的不就是在一无所有的年纪里遇到了最想呵护一生的人,而在拥有一切的时候却失去了不顾一切的心. 长夜漫漫,本是相思人,偏听多情曲, ...

  10. KeyError: 'Spider not found: test'

    Error Msg: File "c:\python36\lib\site-packages\scrapy\cmdline.py", line 157, in _run_comma ...