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$$f(i) = \sum _ {j = 1} ^ {i} f(j) * g(i - j)$$
如果暴力fft的话,复杂度\(O(n ^ 2logn)\)还没有暴力优秀。
我们可以用cdq分治的思想,对于区间\([L, R]\),假设\([L, mid]\)已经求出,现在要算\([mid + 1, R]\)。
那么我们考虑对于\([mid + 1, R]\)中的某一项\(x\),前面\([L, mid]\)对他的贡献:$$f(x) = \sum _{i = L} ^ {mid} f(i) * g(x - i)$$
为了方便,我们把循环到\(mid\)改为\(x\),反正\(mid\)~\(x\)这些项还没有被计算,暂且为0。于是有
f(x)
&= \sum _ {i = L} ^ {x} f(i)* g(x - i) \\
&= \sum _ {i = 0} ^ {x - L} f(i + L) * g(x - L - i)
\end{align*}\]
我们令\(A(i) = f(i + L), B(i) = g(i)\),于是式子就变成了$$f(x) = C(x - L) = \sum _ {i = 0} ^{x - L} A(i) *B(x - L - i)$$
这个时候能看出后面是一个卷积的形式,直接FFT即可。然后把\(C(x - L)\)加到\(f(x)\)上,左边对右边的贡献就算完了。再递归右边。
递归的每一层是\(O(len log len)\)的(区间长度),有\(logn\)层,因此总时间复杂度为\(O(nlog ^ 2n)\)。
#include<cstdio>
#include<iostream>
#include<cmath>
#include<algorithm>
#include<cstring>
#include<cstdlib>
#include<cctype>
#include<vector>
#include<queue>
#include<assert.h>
#include<ctime>
using namespace std;
#define enter puts("")
#define space putchar(' ')
#define Mem(a, x) memset(a, x, sizeof(a))
#define In inline
#define forE(i, x, y) for(int i = head[x], y; ~i && (y = e[i].to); i = e[i].nxt)
typedef long long ll;
typedef double db;
const int INF = 0x3f3f3f3f;
const db eps = 1e-8;
const int maxn = 3e5 + 5;
const ll mod = 998244353;
const ll G = 3;
inline ll read()
{
ll ans = 0;
char ch = getchar(), last = ' ';
while(!isdigit(ch)) last = ch, ch = getchar();
while(isdigit(ch)) ans = (ans << 1) + (ans << 3) + ch - '0', ch = getchar();
if(last == '-') ans = -ans;
return ans;
}
inline void write(ll x)
{
if(x < 0) x = -x, putchar('-');
if(x >= 10) write(x / 10);
putchar(x % 10 + '0');
}
In void MYFILE()
{
#ifndef mrclr
freopen("ha.in", "r", stdin);
freopen("ha.out", "w", stdout);
#endif
}
int n;
ll f[maxn], g[maxn];
In ll inc(ll a, ll b) {return a + b < mod ? a + b : a + b - mod;}
In ll quickpow(ll a, ll b)
{
ll ret = 1;
for(; b; b >>= 1, a = a * a % mod)
if(b & 1) ret = ret * a % mod;
return ret;
}
int rev[maxn];
ll A[maxn], B[maxn];
In void ntt(ll* a, int len, bool flg)
{
for(int i = 0; i < len; ++i) if(i > rev[i]) swap(a[i], a[rev[i]]);
for(int i = 1; i < len; i <<= 1)
{
ll gn = quickpow(G, (mod - 1) / (i << 1));
for(int j = 0; j < len; j += (i << 1))
{
ll g = 1;
for(int k = 0; k < i; ++k, g = g * gn % mod)
{
ll tp1 = a[j + k], tp2 = a[j + k + i] * g % mod;
a[j + k] = inc(tp1, tp2), a[j + k + i] = inc(tp1, mod - tp2);
}
}
}
if(flg) return;
reverse(a + 1, a + len); ll inv = quickpow(len, mod - 2);
for(int i = 0; i < len; ++i) a[i] = a[i] * inv % mod;
}
In void fftSolve(int L, int R)
{
if(L == R) return;
int mid = (L + R) >> 1;
fftSolve(L, mid);
int n = R - L + 1, len = 1, lim = 0;
while(len <= n + n) len <<= 1, ++lim;
for(int i = 0; i < len; ++i) rev[i] = (rev[i >> 1] >> 1) | ((i & 1) << (lim - 1));
fill(A, A + len, 0), fill(B, B + len, 0);
for(int i = L; i <= mid; ++i) A[i - L] = f[i];
for(int i = 0; i < n; ++i) B[i] = g[i];
ntt(A, len, 1), ntt(B, len, 1);
for(int i = 0; i < len; ++i) A[i] = A[i] * B[i] % mod;
ntt(A, len, 0);
for(int i = mid + 1; i <= R; ++i) f[i] = inc(f[i], A[i - L]);
fftSolve(mid + 1, R);
}
int main()
{
// MYFILE();
n = read();
for(int i = 1; i < n; ++i) g[i] = read();
f[0] = 1, fftSolve(0, n - 1);
for(int i = 0; i < n; ++i) write(f[i]), space; enter;
return 0;
}
分治 FFT学习笔记的更多相关文章
- 分治FFT学习笔记
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 ...
- 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 \ ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 【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 ...
- 【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
- Dockerfile编写,以及设置一个自启动脚本
FROM:指定基础镜像,必须为第一个命令 MAINTAINER: 维护者信息 RUN:构建镜像时执行的命令 ADD:将本地文件添加到容器中,tar类型文件会自动解压(网络压缩资源不会被解压),可以访问 ...
- ELK搜索条件
1.要搜索一个确切的字符串,即精确搜索,需要使用双引号引起来:path:”/app/logs/nginx/access.log” 2.如果不带引号,将会匹配每个单词:uid token 3.模糊搜索: ...
- python入门-windows下anaconda环境搭建
1. anaconda下载 根据根据自己系统下载32位还是64位,还有版本 python3.6——64bit python3.6——32bit python2.7——64bit python2.7—— ...
- springboot笔记02——快速入门quickstart
前言 学习一个新的框架,往往会用一个quickstart快速入门,这次就写一下springboot的quickstart程序. 开发环境 JDK 1.8 Springboot 2.1.6 Maven ...
- 自己用ansible加shell 写的自动安装kubernetes的脚本
脚本地址:https://github.com/shatianxiaozi/auto_install_k8s.git 1. 下载 git clone https://github.com/shatia ...
- 搭建一个简单的React项目
我是使用了create-react-app来搭建的基本框架,其中的原理和vue-cli差不多的脚手架.(当然也可以自己配置项目目录,这里我偷了一下懒) npm install -g create-re ...
- djangoNotes
学员管理 <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF- ...
- Flutter——AlertDialog组件、SimpleDialog组件、showModalBottomSheet组件(弹窗组件)
AlertDialog组件 import 'package:flutter/material.dart'; void main() { runApp(MaterialApp( title: " ...
- git命令——git commit
功能 将暂存区中的更改记录到仓库. 加到staging area里面的文件,是表示已经准备好commit的.所以在commit修改之前,务必确定所有修改文件都是staged的.对于unstaged的文 ...
- 5.Kafka消费者-从Kafka读取数据(转)
http://www.dengshenyu.com/%E5%88%86%E5%B8%83%E5%BC%8F%E7%B3%BB%E7%BB%9F/2017/11/14/kafka-consumer.ht ...