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. Android预置Apk方法

    这一套8.0过时了 需要修改pms代码 否则apk会被pms删除掉 因为工作需要,经常要开发和合入系统App,所以在此开篇作为收集和记录Android合入系统应用的方法,以备日后查阅. 一.预置apk ...

  2. web.xml设置过滤直接访问

    <security-constraint> <web-resource-collection> <web-resource-name>JSPs</web-re ...

  3. 【Spring】application.xml文件配置

    什么是Spring? Spring是分层的javaEE full-stack(一站式)轻量级开源框架. ---注解配置--针对SSM <?xml version="1.0" ...

  4. docker-compose编排项目redis容器实现主从复制

    一.pip管理工具安装 docker-compose是python项目,所以安装需要通过python下的包管理工具pip安装.一般linux服务器都会预安装有python环境,所以优先检查python ...

  5. es crul查询(一)

    C:\Users\Administrator>elasticdump --input=D:\test --output=http://localhost:9200/logs_apipki_201 ...

  6. django-debug-toolbar使用指南

    好久没发新博客,凑个数... django-debug-toolbar 介绍 django-debug-toolbar 是一组可配置的面板,可显示有关当前请求/响应的各种调试信息,并在单击时显示有关面 ...

  7. 堡垒机paramiko模块

    paramiko简介: 模拟ssh客户端,使用ssh协议,基于sftp协议等做批量管理.例如处理用ssh登陆一千台机器执行同一个命令,或下载上传文件等需求 基于用户名密码登录执行命令: import ...

  8. 一篇文章搞定mongodb

    一 安装 1 安装目录下新建文件夹data,etc,logs #在bin文件下启动cmd,指定数据存储的路径mongod --dbpath D:\MongoDB\data\db 2 etc文件夹中新建 ...

  9. Python脱产8期 Day13 2019/4/28

    一 函数的嵌套定义 1在一个函数的内部定义另一个函数. 2.为什么有函数的嵌套定义: # 1)函数fn2想直接使用fn1函数的局部变量,可以讲fn2直接定义到fn1的内部,这样fn2就可以直接访问fn ...

  10. 学号 20175329 2018-2019-3《Java程序设计》第九周学习总结

    学号 20175329 2018-2019-3<Java程序设计>第八周学习总结 教材学习内容总结 第十五章 泛型 可以使用"class 名称"声明一个类,为了和普通的 ...