用途

在\(O(n\log^2 n)\)的时间内做诸如
\[
f_n=\sum_{i=0}^{n-1} f_ig_{n-i}
\]
或是
\[
f_n=\sum_{i=0}^{n-1} f_if_{n-i}
\]
或是
\[
f_{k,n}=\sum_s\sum_t \sum_i f_{s,i}f_{t,n-i}
\]
等“我 卷 我 自 己”的式子。

(如果你觉得这东西多项式求逆也可以做,那么请你认真看一下第三个式子)

思想

式子一

用CDQ分治的思想:先递归做出左边,考虑左边对右边的贡献,然后递归右边。

这其实就是最简单的分治FFT,用多项式求逆也可以实现。

式子二

现在\(g\)也被\(f\)替换了,考虑仍然用上面的做法,但你会发现:你挂了。

为什么会挂呢?

上面的统计贡献的过程是这样的:分治\([l,r]\)时,先做出\([l,mid]\)的\(f\),然后把\([l,mid]\)的\(f\)和\([1,r-l+1]\)的\(g\)卷在一起,把贡献算到\([mid+1,r]\)上面去。

但是现在发现一个漏洞:如果\(g\)替换成了\(f\),那么\([1,r-l+1]\)的\(f\)可能还没有被完全算出来。

什么时候会发生这种情况呢?考虑分治结构其实和线段树结构相同,满足左边的大小\(\ge\)右边的大小,所以只有在最左边的那个区间可能会发生这种事,也就是\(l=1\)时。

那怎么办?怎么提前算出右边?

我也不知道

既然不能提前算出来,那就不算,只算出\(f\)在\([l,mid]\)的值对右边的贡献之后直接往右边递归。

显然,一个点不能对自己产生贡献,所以递归到一个点的时候肯定是对的。

而两个点时可以算出\(l\)对\(r\)的贡献,也是对的。

以此类推,它就是对的。

(完全严谨的证明我也不会啊qwq)

注意:当\(l\ne 1\)时把\([l,mid]\)和\([1,r-l+1]\)卷起来时相当于钦定一个指针在\([l,mid]\),而另一个在\([1,r-l+1]\),但实际上他们有可能会交换位置,所以要乘2。

update:我都写了些啥……其实就是把两个卷起来的时候有两个指针,在右边的那个指针位置统计贡献,所以直接递归右边完全莫得问题。当卷积并不是二次方而是三次方、四次方的时候也照样可以在最右边的那个位置统计贡献。

式子三

这个式子真是丑呢……

然而直接用式子二的方法就可以了,方法并没有太大不同,除了……

注意:当\([l\ne 1]\)时¥%……&@&¥%¥,也相当于钦定了指针的位置,所以还要交换来一遍。

这么说可能比较难理解,考虑这么一个式子:
\[
f1_n=\sum_i f1_if2_{n-i}\\
f2_n=\sum_i f2_if1_{n-i}
\]
这时你不能简单地把\(f1[l,mid]\)和\(f2[1,r-l+1]\)卷起来,还要把\(f2[l,mid]\)和\(f1[1,r-l+1]\)卷起来,这才能做到不重不漏。

代码

代码现在不在我电脑上,我又那么懒,所以——

咕咕咕……

(建议去 https://www.cnblogs.com/yinwuxiao/p/9570533.html 食用代码/kel)

分治FFT学习笔记的更多相关文章

  1. 分治 FFT学习笔记

    先给一道luogu板子题:P4721 [模板]分治 FFT 今天模拟有道题的部分分做法是分治fft,于是就学了一下.感觉不是很难,国赛上如果推出式子的话应该能写出来. 分治fft用来解决这么一个式子\ ...

  2. 多项式求逆/分治FFT 学习笔记

    一.多项式求逆 给定一个多项式 \(F(x)\),请求出一个多项式 \(G(x)\), 满足 \(F(x) * G(x) \equiv 1 ( \mathrm{mod\:} x^n )\).系数对 \ ...

  3. 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 ...

  4. 快速傅里叶变换(FFT)学习笔记

    定义 多项式 系数表示法 设\(A(x)\)表示一个\(n-1\)次多项式,则所有项的系数组成的\(n\)维向量\((a_0,a_1,a_2,\dots,a_{n-1})\)唯一确定了这个多项式. 即 ...

  5. 快速傅里叶变换(FFT)学习笔记(其一)

    再探快速傅里叶变换(FFT)学习笔记(其一) 目录 再探快速傅里叶变换(FFT)学习笔记(其一) 写在前面 为什么写这篇博客 一些约定 前置知识 多项式卷积 多项式的系数表达式和点值表达式 单位根及其 ...

  6. 快速傅里叶变换(FFT)学习笔记(其二)(NTT)

    再探快速傅里叶变换(FFT)学习笔记(其二)(NTT) 目录 再探快速傅里叶变换(FFT)学习笔记(其二)(NTT) 写在前面 一些约定 前置知识 同余类和剩余系 欧拉定理 阶 原根 求原根 NTT ...

  7. 口胡FFT现场(没准就听懂了)&&FFT学习笔记

    前言(不想听的可以跳到下面) OK.蒟蒻又来口胡了. 自从ZJOI2019上Day的数论课上的多项式听到懵逼了,所以我就下定决心要学好多项式.感觉自己以前学的多项式都是假的. 但是一直在咕咕,现在是中 ...

  8. 【笔记篇】(理论向)快速傅里叶变换(FFT)学习笔记w

    现在真是一碰电脑就很颓废啊... 于是早晨把电脑锁上然后在旁边啃了一节课多的算导, 把FFT的基本原理整明白了.. 但是我并不觉得自己能讲明白... Fast Fourier Transformati ...

  9. 【文文殿下】快速傅里叶变换(FFT)学习笔记

    多项式 定义 形如\(A(x)=\sum_{i=0}^{n-1} a_i x^i\)的式子称为多项式. 我们把\(n\)称为该多项式的次数界. 显然,一个\(n-1\)次多项式的次数界为\(n\). ...

随机推荐

  1. Linux 内核错误码

    #define    EPERM         1    /* Operation not permitted */#define    ENOENT        2    /* No such ...

  2. VMWare打开centos,提示内部错误

    如题,VMWare打开centos,提示内部错误.该原因是因为服务被停止了之后没有将其启动,将其启动就解决了. CMD客户端输入命令 services.msc 将关于VM的服务启动就可以了

  3. 雷达无线电系列(三)经典CFAR算法门限因子alpha计算(matlab)

    前言 本文汇集CA.SO.GO.OS.杂波图等恒虚警算法的门限因子求解方法及其函数 1,CA-CFAR [非常简单,可以直接求解] %% 均值恒虚警_门限因子计算公式 %% 版本:v1 %% 时间:2 ...

  4. javascript获取url参数的方式

     方式一: 推荐使用此方式: url链接为:newsDetail.html?id=8a8080e35f90d9fd015f90dac7750001&modelId=123456 var URL ...

  5. JAVA操作ORACLE大对象

    一:操作CLOB  (1)数据库表结构如下:         create table CLOB_TEST      (         ID      VARCHAR2(5) not null,   ...

  6. 【转载】 C#中使用Sum方法对List集合进行求和操作

    在C#的List操作中,有时候我们需要对List集合对象的某个属性进行求和操作,此时可以使用Lambda表达式中的Sum方法来快速实现此求和操作,使用Sum方法可使代码简洁易读,并且省去写for循环或 ...

  7. ElementUI+命名视图实现复杂顶部和左侧导航栏

    在了解了命名视图的用途后,发现用命名视图来实现复杂导航更加省力.更多知识请参考这里 这里只说明重要配置内容,其他内容配置请参考上一篇初始版本: ElementUI 复杂顶部和左侧导航栏实现 或参考文末 ...

  8. 【转】equals和==的区别

    ==: == 用于比较两个对象的内存地址值(引用值)是否相等,也就是比较的是变量(栈)内存中存放的对象的(堆)内存地址,用来判断两个对象的地址是否相同,即是否是指相同一个对象.比较的是真正意义上的指针 ...

  9. 关于Vue中,使用watch同时监听两个值的实现方法

    1. 先在computed中,用需要监听的两个值(start.end)定义一个对象(dateRange) computed: { dateRange () { const { start, end } ...

  10. pdm文件打开方式

    转自:https://blog.csdn.net/qq_36855191/article/details/79299216 pdm打开网站:http://www.dmanywhere.cn/