FFT/NTT 总结
本总结主要用于帮助个人理解,讲得不足之处,还请各位看官谅解
FFT
补充知识
\(n\)次单位复根(\(w_n\)):
使得\(z^n=1\)的一类复数,这些复数一共有\(n\)个,它们都分布在复平面的单位圆上,并且连线构成一个正\(n\)边形
点值表示:
多项式\(f(x)=\sum_{i=0}^{n-1}{a_ix^i}\)的点值表示为\(n\)个点\((x_i,y_i)\),其中\(y_i=f(x_i)\)
递归算法主要思路
由折半引理\(w_{2n}^{2k}=w_n^k\),将其代入可得:
\[f(w_{n}^{k})=\sum_{i=0}^{n-1}{a_iw_{n}^{ki}}\]
\[=\sum_{i=0}^{\frac{n}{2}-1}{a_{2i}w_n^{2ki}}+w_n^{k}\sum_{i=0}^{\frac{n}{2}-1}{a_{2i+1}w_n^{2ki}}\]
\[=\sum_{i=0}^{\frac{n}{2}-1}{a_{2i}w_{\frac{n}{2}}^{ki}}+w_n^{k}\sum_{i=0}^{\frac{n}{2}-1}{a_{2i+1}w_{\frac{n}{2}}^{ki}}\]
而且由于\(w_n^{k+\frac{n}{2}}=-w_n^k\),
所以
\[f(w_{n}^{k+\frac{n}{2}})=\sum_{i=0}^{\frac{n}{2}-1}{a_{2i}w_{\frac{n}{2}}^{ki}}+w_n^{k+\frac{n}{2}}\sum_{i=0}^{\frac{n}{2}-1}{a_{2i+1}w_{\frac{n}{2}}^{ki}}\]
\[=\sum_{i=0}^{\frac{n}{2}-1}{a_{2i}w_{\frac{n}{2}}^{ki}}-w_n^k\sum_{i=0}^{\frac{n}{2}-1}{a_{2i+1}w_{\frac{n}{2}}^{ki}}\]
逐步递归下去,最终只需要代入\(w_1^0\)的值\((1)\)并在回溯的过程中不断更新该表达式的项即可
最后每一个系数\(a_i\)都会被转换成点值表示中的\(y_i(f(w_n^{i}))\)
非递归算法主要思路
Rader:由于最后递归完毕的编号为该编号对应下标的二进制表示的倒序
故将系数预先排好序,最后再一层层向上更新即可
Rader实现的一行代码(r[i]表示i倒序后对应的编号):
for(RG int i=0;i<n;++i)r[i]=(r[i>>1]>>1)|((i&1)<<(l-1));
主要思想其实就是把\(\times2\)的操作转换成了\(>>1\),再根据情况考虑是否要在最高位\(+1\)
极大地减小了常数啊
代码
#include<bits/stdc++.h>
#include<algorithm>
#include<iostream>
#include<cstdlib>
#include<iomanip>
#include<complex>
#include<cstring>
#include<vector>
#include<cstdio>
#include<string>
#include<bitset>
#include<cmath>
#include<queue>
#include<stack>
#include<map>
#include<set>
#define isr(i) (t[t[i].fa].s[1]==i)
#define ls t[i].s[0]
#define rs t[i].s[1]
#define pb push_back
#define RG register
#define il inline
using namespace std;
const double pi=acos(-1);
const int mod=666623333;
const int N=3000010;
typedef unsigned long long ull;
typedef vector<int>VI;
typedef long long ll;
typedef double dd;
il ll read(){
RG ll data=0,w=1;RG char ch=getchar();
while(ch!='-'&&(ch<'0'||ch>'9'))ch=getchar();
if(ch=='-')w=-1,ch=getchar();
while(ch<='9'&&ch>='0')data=data*10+ch-48,ch=getchar();
return data*w;
}
struct Complex{double r,i;};
Complex operator +(Complex a,Complex b)
{return (Complex){a.r+b.r,a.i+b.i};}
Complex operator -(Complex a,Complex b)
{return (Complex){a.r-b.r,a.i-b.i};}
Complex operator *(Complex a,Complex b)
{return (Complex){a.r*b.r-a.i*b.i,a.i*b.r+a.r*b.i};}
typedef Complex CD;
int n,m,l,r[N];
CD A[N],B[N];
il void fft(CD *A,int n,int opt){
for(RG int i=0;i<n;i++)if(i<r[i])swap(A[i],A[r[i]]);
for(RG int i=2;i<=n;i<<=1){
RG CD w=(CD){cos(2*pi/i),opt*sin(2*pi/i)};
for(RG int j=0;j<n;j+=i){
RG CD wn=(CD){1,0};
for(RG int k=j;k<j+(i>>1);k++,wn=wn*w){
RG CD x=wn*A[k+(i>>1)];
A[k+(i>>1)]=A[k]-x;
A[k]=A[k]+x;
}
}
}
}
int main()
{
n=read();m=read();
for(RG int i=0;i<=n;i++)A[i].r=read();
for(RG int i=0;i<=m;i++)B[i].r=read();
for(m+=n,n=1;n<=m;n<<=1)l++;
for(RG int i=0;i<n;i++)r[i]=(r[i>>1]>>1)|((i&1)<<(l-1));
fft(A,n,1);fft(B,n,1);
for(RG int i=0;i<n;i++)A[i]=A[i]*B[i];
fft(A,n,-1);
for(RG int i=0;i<=m;i++)printf("%d ",(int)(A[i].r/n+0.5));
return 0;
}
NTT
补充知识
原根:
(个人理解)对于一个给定的质数\(p\),它的原根\(g\)指使得\(g^k(k=0,1,2,...,p-2)\)在\(mod\) \(p\)意义下两两不同的最小值
由于在FFT时我们需要求出\(w_2,w_4,w_8,...w_{\frac{n}{2}},w_n\),因此我们希望\(p-1\)是一个\(r\times2^k\)的形式
正好,\(998244353=119*2^{23}+1\),在\(n\leq20\)的情况下够我们用的了
主要思路
---
可以知道在FFT下的单位复根\(w_i\)就是在NTT下的\(g^{\frac{p-1}{i}}(i=2^k)\)
其他过程和FFT大致相同,其正变换的旋转向量为\(g\),逆变换的旋转向量设为\(g^{-1}\)即可
代码
与上面FFT代码不同的地方已在代码中标出
#include<bits/stdc++.h>
#include<algorithm>
#include<iostream>
#include<cstdlib>
#include<iomanip>
#include<cstring>
#include<complex>
#include<vector>
#include<cstdio>
#include<string>
#include<bitset>
#include<cmath>
#include<queue>
#include<stack>
#include<map>
#include<set>
#define mp make_pair
#define pb push_back
#define RG register
#define il inline
using namespace std;
typedef unsigned long long ull;
typedef vector<int>VI;
typedef long long ll;
typedef double dd;
const int mod=998244353;//模数
const int rev=332748118;//原根的逆元
const int N=3000010;
const dd eps=1e-10;
const int g=3;//原根
il ll read(){
RG ll data=0,w=1;RG char ch=getchar();
while(ch!='-'&&(ch<'0'||ch>'9'))ch=getchar();
if(ch=='-')w=-1,ch=getchar();
while(ch<='9'&&ch>='0')data=data*10+ch-48,ch=getchar();
return data*w;
}
il void file(){
//freopen(".in","r",stdin);
//freopen(".out","w",stdout);
}
int n,m,l,r[N],A[N],B[N];
il ll poww(ll a,ll b){
RG ll ret=1;
for(a%=mod;b;b>>=1,a=a*a%mod)
if(b&1)ret=ret*a%mod;
return ret;
}
il void NTT(int *A,int n,bool opt){
for(RG int i=0;i<n;i++)if(i<r[i])swap(A[i],A[r[i]]);
for(RG int i=2;i<=n;i<<=1){
RG int w=poww((opt?g:rev),(mod-1)/i);//这里变成了原根的次幂
for(RG int j=0;j<n;j+=i){
RG int wn=1;
for(RG int k=j;k<j+(i>>1);k++,wn=1ll*w*wn%mod){
RG int x=1ll*wn*A[k+(i>>1)]%mod;
A[k+(i>>1)]=(A[k]-x+mod)%mod;
A[k]=(A[k]+x)%mod;
}
}
}
}
int main()
{
n=read();m=read();
for(RG int i=0;i<=n;i++)A[i]=read();
for(RG int i=0;i<=m;i++)B[i]=read();
for(m+=n,n=1;n<=m;n<<=1)l++;
for(RG int i=0;i<n;i++)r[i]=(r[i>>1]>>1)|((i&1)<<(l-1));
NTT(A,n,1);NTT(B,n,1);
for(RG int i=0;i<n;i++)A[i]=1ll*A[i]*B[i]%mod;
NTT(A,n,0);
for(RG int i=0,rv=poww(n,mod-2);i<=m;i++)
printf("%lld ",1ll*A[i]*rv%mod);
//这里除n的时候记得变成乘逆元
puts("");
return 0;
}
FFT/NTT 总结的更多相关文章
- 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: FFT:戳我 NTT:戳我 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\(FF ...
- [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/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模板 既 HDU1402 A * B Problem Plus
@(学习笔记)[FFT, NTT] Problem Description Calculate A * B. Input Each line will contain two integers A a ...
- FFT/NTT基础题总结
在学各种数各种反演之前把以前做的$FFT$/$NTT$的题整理一遍 还请数论$dalao$口下留情 T1快速傅立叶之二 题目中要求求出 $c_k=\sum\limits_{i=k}^{n-1}a_i* ...
- $FFT/NTT/FWT$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 ...
- HDU-4609(FFT/NTT)
HDU-4609(FFT/NTT) 题意: 给出n个木棒,现从中不重复地选出3根来,求能拼出三角形的概率. 计算合法概率容易出现重复,所以建议计算不合法方案数 枚举选出的最大边是哪条,然后考虑剩下两条 ...
随机推荐
- php define和const的区别
1.使用const使得代码简单易读,const本身就是一个语言结构,而define是一个函数2.const用于类成员变量的定义,一经定义,不可修改.3.Define不可以用于类成员变量的定义,可用于全 ...
- 在Windows下为PHP5.5安装redis扩展
使用phpinfo()函数查看PHP的版本信息,这会决定扩展文件版本 根据PHP版本号,编译器版本号和CPU架构, 选择php_redis-2.2.5-5.5-ts-vc11-x86.zip和ph ...
- EntityFrameWork连接多Db配置
如题所示,EF作为微软主推的ORM工具,最新版本已经是7,说明有很多人在使用它做项目.在使用过程中,可能会连接不同的数据库,本文介绍的是连接SqlServer,MySql和SQLite三种,并且可以互 ...
- Thinkpad USB 经典键盘使用体验
先上图,这就是一个键盘,不是笔记本电脑. 优点: 1. 键盘完胜各类巧克力式键盘. 2. 小红点和老thinkpad 上的小红点一样好用. 3. ESC 和Delete 放大后,盲摸很方便. 缺点: ...
- linux开放80 端口
1.使用su登录管理员用户 2.编辑防火墙配置文件 vim /etc/sysconfig/iptables 3.在里面加入后保存 #open port 80 -A INPUT -p TCP -m st ...
- R语言包的安装
pheatmap包的安装 1: 首先R语言的安装路径里面最好不要有中文路径 2: 在安装其他依存的scales和colorspace包时候要关闭防火墙 错误提示: 试开URL'https://mirr ...
- Yii2 给iOS App写推送的接口
public function actionApns() { //手机注册时候返回的设备号,在xcode中输出的,复制过来去掉空格 $deviceToken = '7217a01836349b194b ...
- alter 和 update的区别?
alter用来增加或者减少列,alter stuednt add name vachar2(30): update用来更改表中的数据:update student set sutudent.name ...
- 买帽子 (hash)
思路:表示数字i出现的次数,在输入的同时记录每个数字出现的次数.最后从0枚举到1000判断第三个是否存在,存在则记录该数字. #include <stdio.h> #include < ...
- MacOS下SVN迁移Git踩坑记
1. First Blood 之前在Windows环境下进行svn到git的迁移是很简单的,(参考官方文档:https://git-scm.com/book/zh/v1/Git-%E4%B8%8E%E ...