FFT \ NTT总结(多项式的构造方法)
前言.FFT \ NTT 算法
网上有很多,这里不再赘述。
模板见我的代码库:
正经向:FFT题目解题思路
\(FFT\)这个玩意不可能直接裸考的.....
其实一般\(FFT\)的题目难点不在于\(FFT\),而在于构造多项式与卷积。
两个经典例题:
[ZJOI2014]力
给定序列\(\{ q[1],q[2],....q[n]\}\)
定义:\(Ej = \sum_{i<j} \frac{q[i]}{(i-j)^2} - \sum_{i>j} \frac{q[i]}{(i-j)^2}\)
求\(E_1,E_2,E_3....E_{n-1},E_n\) , 数据范围:\(n\leq 10^5\)
.
[HNOI2017]礼物
给定两个节点带权的环,
\(<\ x_1,x_2,...x_n\ >\)与\(<\ y_1,y_2,...y_n\ >\),
现在你可以任意对齐,
对齐后,此时代价为\(\sum_{i=1}^n x_i y_j\) , 其中\(x_i\)与\(y_j\)对齐。
请求方案最小化此代价,数据范围\(n\leq 5\times 10^4\)
下文中,我们以 [HNOI2017]礼物 为主讲题, [ZJOI2014]对照训练。
下文中,为了方便描述,
我们用花括号表示 多项式系数元素 ,
如:\(f<x> = \{a_0,a_1,a_2,...,a_{n-1}\}\)
我们用中括号表示 多项式系数,
如:\(f(x)=a_0+a_1x+a_2x^2+.....+a_n x^n = [a_0,a_1,a_2,.....,a_n]\)
.
一般遇到这种构造多项式的题目,分三步走。
Step1 定元素
首先确定多项式系数元素是什么。
比如礼物这一题,我们假设第一个串的\(x_1\)对应第二个串的\(y_k\),那么:
\]
显然前后两项分开考虑一下,下文中以分析\(\sum_{i=1}^{n-k+1} x_i y_{i+k-1}\)为例。
我们要让\(\sum_{i=1}^{n-k+1} x_i y_{i+k-1}\)成为卷积的一个系数。
显然多项式的系数元素为:
\(f1 = \{ x_1,x_2,x_3.....x_n\}\) $\ \ \ \ \ \ \ \ \ \ $$f2 = { y_1,y_2,y_3.....y_n}$
[ZJOI2014]力 这题类似,可以得到:
\(f1 = \{ q[1],q[2],q[3].....q[n]\}\)
\(f2 = \{ \frac{1}{1^2},\frac{1}{2^2},\frac{1}{3^2}.....\frac{1}{(n+1)^2}\}\)
Step2 定顺序
显然多项式元素应该是单调递增或者单调递减排列的。
我们的第二步就是确定这个顺序。
考虑一下卷积系数的特性,
对于卷积的每一个系数,它的未知数次数来源为两个多项式。
所以如果我们想要把答案聚集在一个系数上,就应该保证对应元素未知数的次数和不变。
那么只会有两种情况:
( 1 )形如\(\sum x_i y_{k-i}\) , 此时下标和不变,两个的顺序相同
( 2 )形如\(\sum x_i y_{k+i}\) , 此时下标差不变,两个的顺序相反
利用这个就可以确定我们构造的两个多项式系数排列顺序关系。
看[HNOI2017]礼物这题,\(\sum_{i=1}^{n-k+1} x_i y_{i+k-1}\)这个东西,
两个元素的下标差相同,所以两个多项式的系数顺序相反,即:
\(f1 = [ x_1,x_2,x_3.....x_n]\) $\ \ \ \ \ \ \ \ \ \ $$f2 = [y_n,y_{n-1},.....y_2,y_1]$
再看[ZJOI2014]力 :
我们以后面这一项为例:\(\sum_{i<j} \frac{q[i]}{(i-j)^2}\)
随着\(q[i]\)下标的增加,\(\frac{1}{(i-j)^2}\)下标减小 (\(i-j\)减小)。
所以 两者下标的和应该不变(或者手玩一把即可),即:
\(f1 = [q[1],q[2],q[3],....q[n]]\)
\(f2 = [\frac{1}{1^2},\frac{1}{2^2},\frac{1}{3^2}....\frac{1}{(n+1)^2}]\)
Step3 定答案
此时构造出来的卷积的某一项系数一定就是此时的对应答案。
关键是我们怎么确定这个答案。
这个其实并没有什么技巧,带特殊值手玩即可。
但是手玩的思路也要清晰,不然玩半天也玩不出来。
下面给一个比较清晰的思路:
.
[HNOI2017]礼物
这题的两个多项式:
\(f1 = x_1 a^0 +x_2 a^1+x_3 a^2.....x_n a^{n-1}\)
\(f2 = y_n a^0 + y_{n-1} a^1 ,.....y_2 a^{n-2} + y_1 a^{n-1}\)
考虑\(k = 1\)时,\(x_1\)与\(y_1\)对应,\(x_2\)与\(y_2\)对应.....
显然此时乘出来的未知数次数为\(n-1\)。
考虑\(k = 2\)时,\(x_1\)与\(y_2\)对应,\(x_2\)与\(y_3\)对应....
显然此时乘出来的未知数次数为\(n-2\)。
手玩出两个后就可以不玩了,因为答案肯定是连续的一段系数。
综上所述,当\(k=r\)时,答案系数 对应的未知数次数为 \(n-r\)。
.
定答案的时候,一定要注意答案是否有存在的意义。
例如 [HNOI2017]礼物这题的另一项:$\sum_{i=1}^{k-1} x_{i+(n-k+1)} y_i \(
显然,当\)k = 1$的时候是没有任何意义的。
所以最后统计答案不能统计,从\(2\)开始\(for\)。
for(RG int i = 2; i <= N; i ++)ans[i] += (int)(f1[2*N-i].r+0.5);
注意细节,思路清晰,这一步也还是不难的。
[ZJOJ2014]力
\(f1 = q[1]a^0 + q[2]a^1 + q[3]a^2....q[n]a^{n-1}\)
\(f2 = \frac{1}{1^2}a^0 + \frac{1}{2^2}a^1 + \frac{1}{3^2}a^2 ....\frac{1}{(n+1)^2}a^{n-1}\)
\(\sum_{i<j} \frac{q[i]}{(i-j)^2}\)
当\(j = 1\)时,显然无意义舍去。
当\(j = 2\)时,\(res = \frac{q[1]}{\frac{1}{1^2}}\) , 未知数次数为 \(0\)
当\(j = 3\)时,$res = \frac{q[1]}{\frac{1}{2^2}} + \frac{q[2]}{\frac{1}{1^2}} $ , 未知数次数为 \(1\)
综上所述,当\(j = r(j \neq 1)\)时 ,对应的未知数次数为 \(r - 2\)。
附录: [HNOI 2017]礼物 的具体实现代码
#include<bits/stdc++.h>
#define IL inline
#define RG register
#define ll long long
#define _ 300005
using namespace std;
const double PI = acos(-1);
int n,m,N,M,l, a[_] , b[_] ,Ans1,F1,F2,Ans, ans[_] , R[_];
struct Complex{
double r,i;
IL Complex(){ r = 0; i = 0; }
IL Complex(RG double a,RG double b){ r = a; i = b; }
IL Complex operator + (Complex B){return Complex(r+B.r,i+B.i);}
IL Complex operator - (Complex B){return Complex(r-B.r,i-B.i);}
IL Complex operator * (Complex B){
return Complex(r*B.r - i*B.i , r*B.i + i*B.r);
}
};
Complex f1[_] , f2[_] , X , Y;
IL void FFT(RG Complex *P , RG int opt){
for(RG int i = 0; i < n; i ++)
if(i < R[i]) swap(P[i] , P[R[i]]);
for(RG int i = 1; i < n; i <<= 1){
RG Complex W(cos(PI/i),opt*sin(PI/i));
for(RG int j = 0 , p = i<<1; j < n; j += p){
RG Complex w(1,0);
for(RG int k = 0; k < i; k ++,w = w*W){
X = P[j+k]; Y = w*P[j+k+i];
P[j+k] = X+Y; P[j+k+i] = X-Y;
}
}
}
if(opt == -1)for(RG int i = 0; i < n; i ++)P[i].r /= n;
}
IL void Solve(){
n = N - 1; m = 2*n; l = 0;
for(n = 1; n <= m; n<<=1) ++ l;
for(RG int i = 0; i <= N-1; i ++)
f1[i].r = a[i+1] , f2[i].r = b[N-i];
for(RG int i = 0; i < n; i ++)
R[i] = (R[i>>1]>>1) | ((i&1)<<(l-1));
FFT(f1,1); FFT(f2,1);
for(RG int i = 0; i < n; i ++)f1[i] = f1[i]*f2[i];
FFT(f1,-1);
for(RG int i = 1; i <= N; i ++)ans[i] = (int)(f1[N-i].r+0.5);
for(RG int i = 2; i <= N; i ++)ans[i] += (int)(f1[2*N-i].r+0.5);
Ans1 = 0;
for(RG int i = 1; i <= N; i ++)Ans1 = max(Ans1,ans[i]);
}
int main(){
freopen("gift.in","r",stdin);
cin >> N >> M;
for(RG int i = 1; i <= N; i ++)cin >> a[i];
for(RG int j = 1; j <= N; j ++)cin >> b[j];
Solve();
for(RG int i = 1; i <= N; i ++)F1 += a[i]*a[i] + b[i]*b[i];
for(RG int i = 1; i <= N; i ++)F2 += a[i] - b[i];
Ans = 2147483640;
for(RG int c = -100; c <= 100; c ++)
Ans = min(Ans,F1+N*c*c+2*c*F2-2*Ans1);
cout<<Ans; return 0;
}
FFT \ NTT总结(多项式的构造方法)的更多相关文章
- [学习笔记&教程] 信号, 集合, 多项式, 以及各种卷积性变换 (FFT,NTT,FWT,FMT)
目录 信号, 集合, 多项式, 以及卷积性变换 卷积 卷积性变换 傅里叶变换与信号 引入: 信号分析 变换的基础: 复数 傅里叶变换 离散傅里叶变换 FFT 与多项式 \(n\) 次单位复根 消去引理 ...
- FFT/NTT复习笔记&多项式&生成函数学习笔记Ⅰ
众所周知,tzc 在 2019 年(12 月 31 日)就第一次开始接触多项式相关算法,可到 2021 年(1 月 1 日)才开始写这篇 blog. 感觉自己开了个大坑( 多项式 多项式乘法 好吧这个 ...
- FFT/NTT复习笔记&多项式&生成函数学习笔记Ⅲ
第三波,走起~~ FFT/NTT复习笔记&多项式&生成函数学习笔记Ⅰ FFT/NTT复习笔记&多项式&生成函数学习笔记Ⅱ 单位根反演 今天打多校时 1002 被卡科技了 ...
- FFT&NTT&多项式相关
打了FFT 感觉以后多项式不虚了 ~滑稽~ PS 关于详见没写完.... code #include<cmath> #include<cstdio> #include<c ...
- FFT/NTT/MTT学习笔记
FFT/NTT/MTT Tags:数学 作业部落 评论地址 前言 这是网上的优秀博客 并不建议初学者看我的博客,因为我也不是很了解FFT的具体原理 一.概述 两个多项式相乘,不用\(N^2\),通过\ ...
- FFT&NTT总结
FFT&NTT总结 一些概念 \(DFT:\)离散傅里叶变换\(\rightarrow O(n^2)\)计算多项式卷积 \(FFT:\)快速傅里叶变换\(\rightarrow O(nlogn ...
- 快速构造FFT/NTT
@(学习笔记)[FFT, NTT] 问题概述 给出两个次数为\(n\)的多项式\(A\)和\(B\), 要求在\(O(n \log n)\)内求出它们的卷积, 即对于结果\(C\)的每一项, 都有\[ ...
- $FFT/NTT/FWT$题单&简要题解
打算写一个多项式总结. 虽然自己菜得太真实了. 好像四级标题太小了,下次写博客的时候再考虑一下. 模板 \(FFT\)模板 #include <iostream> #include < ...
- FFT&NTT数学解释
FFT和NTT真是噩梦呢 既然被FFT和NTT坑够了,坑一下其他的人也未尝不可呢 前置知识 多项式基础知识 矩阵基础知识(之后会一直用矩阵表达) FFT:复数基础知识 NTT:模运算基础知识 单位根介 ...
随机推荐
- SSE图像算法优化系列十六:经典USM锐化中的分支判断语句SSE实现的几种方法尝试。
分支判断的语句一般来说是不太适合进行SSE优化的,因为他会破坏代码的并行性,但是也不是所有的都是这样的,在合适的场景中运用SSE还是能对分支预测进行一定的优化的,我们这里以某一个算法的部分代码为例进行 ...
- 阿里云学习之IOT物联网套件(配置篇)
文档时间:2018.-1-24 首注:此文章是参照以下文章的整合与补充: https://bbs.aliyun.com/read/309106.html?amp;displayMode=1&p ...
- Ios App上传步骤
前言:作为一名IOS开发者,把开发出来的App上传到App Store是必须的.下面就来详细介绍下具体流程. 1.打开苹果开发者中心:https://developer.apple.com 打开后点击 ...
- phpstudy如何安装景安ssl证书 window下apache服务器网站https访问
1. 下载景安免费证书 https://www.zzidc.com/help/helpDetail?id=555 2.文件解压上传至服务器,位置自己决定 3. 调整apache配置 景安原文链接:ht ...
- Ansible playbook循环实践总结<一>
1.标准Loops 标准loops可以直接减少task的次数,如下: [root@zero01 playbook]# vi loops.yaml --- - hosts: all gather_fac ...
- ubuntu16.04~qt 5.8无法输入中文
编译fcitx-qt需要cmake,安装cmake命令,如果已经安装,请略过. sudo apt-get install cmake 安装 fcitx-libs-dev sudo apt-get in ...
- MysqL碎片整理优化
先来说一下什么是碎片,怎么知道碎片有多大! 简单的说,删除数据必然会在数据文件中造成不连续的空白空间,而当插入数据时,这些空白空间则会被利用起来.于是造成了数据的存储位置不连续,以及物理存储顺序与理论 ...
- 基础--Redis在Linux环境下的安装
1. 安装redis服务 1.1 检查安装依赖程序 yum install gcc-c++yum install -y tclyum install wget 1.1.1 下载redis安装包 (或者 ...
- session 与 coolie 的区别与联系
cookie 和session 的区别: session 在服务器端,cookie 在客户端(浏览器) cookie不是很安全,别人可以分析存放在本地的COOKIE并进行COOKIE欺骗考虑到安全应当 ...
- 用线性单元(LinearUnit)实现工资预测的Python3代码
功能:通过样本进行训练,让线性单元自己找到(这就是所谓机器学习)工资计算的规律,然后用两组数据进行测试机器是否真的get到了其中的规律. 原文链接在文尾,文章中的代码为了演示起见,仅根据工作年限来预测 ...