傅里叶变换(FFT)学习笔记

command_block

2018-08-19 08:59:28

算法·理论

——傅里叶变换在信息学竞赛中主要作用是利用卷积思想,化乘为加,快速计算多项式乘法。

我太蒟了,看了F(x)篇博文,还是没看懂。

关于多项式,有了O(nlogn)乘法,就有了全世(jia)界(tong)!

$update(2019.10.28):$发现模板题时限缩小,开始修锅(去冗余)。 当年写这篇文章的时候比较菜(现在仍然很菜),所以讲的比较含混不清,现在更新和精简了一些内容,希望能对大家有所帮助~ 源码删去了17KB,更新了9KB内容。 文章中的代码已经进一步优化,可以通过模板题。 由于文章前后内容有所变化,已将讨论区清空。 ------------ **警告** : 本文对数学水平有一定要求,如果发现看不懂,可以先存着。 另外,如果你掌握**和式**的话,学习速度将会大幅度提高。 此外,由于前面的内容太掉逼格,**建议水平高的选手直接跳到“单位根”**。 -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=- ------------ # -1.前置知识 1.线段树(或者基本分治):[题目](https://www.luogu.org/problemnew/show/P3372) 2.基本数论:[题目](https://www.luogu.org/problemnew/show/P3811) 3.码力:[题目](https://www.luogu.org/problemnew/show/P1074) 4.基本数学:[题目](https://www.luogu.org/problemnew/show/P2261) 然后在你刷完这些题之后,发现题和下面的内容并没什么关系。 附上一句,这是$\color{purple}\textsf{省选}$内容哦!(然而并没有什么影响) $\color{Black}\colorbox{lightgreen}{总结一下}

这里不会满屏都是三角函数!!,没有e^i和什么欧拉定理!!

不需要你会高数,只要用过平面直角坐标系,就可以看。

这篇文章源码40KB,写的时候挑战洛谷Blog(浏览器)性能极限

-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-

0.概(che)论(dan)

FFT全称(Fast Fourier Transformation)

中文名:快速傅里叶离散变换

作用 : 以O(nlogn)的复杂度计算多项式乘法(你以为呢?Of course more than that!)。

大家在学多项式乘法的时候,是不是觉得拆括号特别麻烦。

比如说计算(x^2+3x-1)*(2x^2+x-5)

很复杂...

现在我们就要用计算机把两个多项式乘起来(所谓多项式问题)。

P.S:下面提及的多项式均只有一元,你可以认为只有x这一元。

为了表述方便,下面定义一些记号(请仔细阅读):

亮出模板题

暴力卷积Code(用于上述模板题,44'):

#include<algorithm>
#include<cstdio>
#define Maxn 1000500
using namespace std;
inline int read()
{
  register int X=0;
  register char ch=0;
  while(ch<48||ch>57)ch=getchar();
  while(ch>=48&&ch<=57)X=X*10+(ch^48),ch=getchar();
  return X;
}
int n,m;
long long f[Maxn],g[Maxn],s[Maxn];
void mul(long long *s,long long *f,long long *g)
{
  for (int k=0;k<n+m-1;k++)
    for (int i=0;i<=k;i++)
      s[k]+=f[i]*g[k-i];
}
int main()
{
  scanf("%d%d",&n,&m);n++;m++;
  for (int i=0;i<n;i++)f[i]=read();
  for (int i=0;i<m;i++)g[i]=read();
  mul(s,f,g);
  for (int i=0;i<n+m-1;i++)printf("%lld ",s[i]);
  return 0;
}
\color{Black}\colorbox{lightgreen}{总结一下}

要用计算机把两个多项式乘起来就是所谓多项式问题。

数学家为了偷懒发明了麻烦的记号

\color{Black}\colorbox{yellow}{习题}

-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-

1.DFT & IDFT的思想

首先说一下多项式的点值表达

如果把多项式看作函数,画出图像

比如一个一次函数(多项式)F(x)=2x+1

如果一开始不告诉你解析式,只跟你说这个一次函数经过点(0,1)和(1,3),你能搞出解析式吗?

待定系数法(两点确定一条直线)即可。

我们这里不讲待定系数法,我们只讲待定系数法的推论

在平面直角坐标系中,n+1 个点就能唯一确定一个 n 次多项式。

如果对这方面的知识感兴趣,可以查看 从拉插到快速插值求值

所以我们可以用n+1个点值(有序数对)来描述一个多项式

比如两个n次多项式F(x)P(x)

令数列X=\{x_0,x_1,x_2,...,x_n\}

把数列X=\{x_0,x_1,...,x_n\}代入多项式F(x),得到的n+1个点分别为(x_0,y_0)(x_1,y_1)...(x_n,y_n)

同样的,多项式P(x)得到的的n+1个点分别为(x_0 , y_0^*)(x_1 , y_1^*)...(x_n , y_n^*)

比如说F(x)=x^2/2+x-1;(绿色)\ \ P(x)=-x^2/4+2x(红色)

X=\{-1,0,1\}(这里次数n=2)

函数图像与得到的点如下。

三个红点的函数值分别为Fy=\{-2.25;\ 0;\ 1.75\}

三个绿点的函数值分别为Py=\{-1.5;\ -1;\ 0.5\}(均为从左到右)

让你求两个多项式之积W(x)=F(x)*P(x)点值表达,你会怎么干?

点值表达有一个好处,给你两个多项式点值表达,让你求两个多项式之积的点值表达,直接将对应项乘起来就好了。

(点值的乘法对应着整个多项式的乘法,也就是浓缩了整个多项式)

比如上文F(x)P(x)这两个多项式的第一个有序数对(-1,-2.25)(-1,-1.5)

就相当于告诉我们F(-1)=-2.25,G(-1)=-1.5

那么F(-1)*G(-1)呢?

废话,肯定等于-2.25*-1.5

所以W(-1)=F(-1)*G(-1)=-2.25*-1.5=3.375

W(0)=F(0)*G(0)=0*-1=0 W(1)=F(1)*G(1)=1.75*0.5=0.875

所以W在X处的函数值为Wy=\{3.375;\ 0;\ 0.875\}

验算一下?

W(x)=F(x)*P(x)=(x^2/2+x-1)(-x^2/4+2x) =-x^4/8+x^3-x^3/4+2x^2+x^2/4-2x =-x^4/8+3x^3/4+9x^2/4-2x

代入X=\{-1,0,1\}

得到W(-1)=-1/8-3/4+9/4+2=3.375

W(0)=0 W(1)=-1/8+3/4+9/4-2=0.875

总结一下就是F(x)G(x)=(F*G)(x)

好像那里不对,W的次数明摆着是2n

在平面直角坐标系中,给你(n+1)个点就能确定一个n次多项式。

所以需要2n+1个点才行,还差n个,肿么办?

反正点都是你自己找的,再多来几个不就好了……

现在F(x)P(x)两个多项式各有2n+1个点

所以W的点值表达为(0, Fy_0*Py_0)(1,Fy_1*Py_1)...(4,Fy_{2n}*Py_{2n})

只需要做2n+1次乘法即可。

看起来很好用,其实只是几个点而已,和系数表达差着十万八千里。

于是我们就想,能不能把系数表达转换为点值表达呢?

算法流程:

把系数表达转换为点值表达->点值表达相乘->把点值表达转换为系数表达。

这就是 FFT 的算法流程。

“把系数表达转换为点值表达”的算法叫做DFT

“把点值表达转换为系数表达”的算法叫做IDFT(DFT的逆运算)

P.S:

\color{Black}\colorbox{lightgreen}{总结一下}

在平面直角坐标系中,给你(n+1)个点就能确定一个n次多项式(函数)。

点值表示相乘(点乘)远快于暴力卷积。

-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-

2.单位根(复数)及其性质

(如果你不知道i的故事,请百度“虚数i”)

P.S:学会了复数计算之后推荐给自己出点计算题来做

DFT有一个妙处,就是代入什么由你自己决定,只要点值个数足够。

我们这些蒟蒻第一感觉都会选择人畜无害的正整数,或者有理数什么的。

但是这些东西虽然在普通人看来计算简单,但并没有什么能够加以利用的优秀性质。

事实证明,找一些毒瘤东西代入进去是个好想法。

上古之时,有一位dalao横空出世,他就是傅里叶

好像是个搞复数的专家,有一天他突发奇想:

单位根\omega_{n+1}^0~\omega_{n+1}^n代入了多项式想求点值表达(什么鬼)

然后\omega_{n+1}^0~\omega_{n+1}^n有一些性质(蛤玩意儿)

然后分治,就O(nlogn)了(好像只有最后一个分句看得懂)

好吧先来介绍复数。

复数,即形为a+bi的数,这里\large i^2=-1

比如说数轴原来是一条直线:

某个实数一定可以用数轴上一个点来代表。

多么和谐自然。

然而复数来了。

数轴原来是一条横着的直线,现在又多了一条竖着的,变成了一个坐标系。

原来的那条直线(横)称为实轴

新的那条直线(竖)称为虚轴

每个复数一定可以用这个坐标系上一个点来代表。

比如蓝点是-1+2i,红点是1+i

其实形为a+bi的复数也可以理解为一个点(a,b)

精妙之处在于,复数之间能做运算

不懂的话就多琢磨下我写完这些之后就懂了

我们来介绍下复数运算

而且这些运算在几何(也就是上面的坐标系)里面也有神奇的性质。

复数相乘

这里画的是复数(3+2i)(1+4i)相乘的结果(-5+14i)

看出来什么没有?

好吧,看见那些从A,B,C点连向原点的细线了么。

以你做几何题的直觉??

没错!如果设原点为点O,数5表示的那个点为P(忘记画点P)。

有性质 : ∠POC=∠BOA , OB*OC=OA

我们把一个复数表示的点到原点的距离叫做这个复数的模长,也就是这里的OB;OC;OA,复数x=(a+bi)的模长称作|x|

也即 : 复数相乘时,模长相乘,幅角相加!

原点到该点的射线与实轴正方向射线组成的角 (逆时针旋转) 的角度乘坐这个复数的幅角,复数a+bi的幅角称作arg(a+bi)

(不清楚的看图)

接下来是证明(最好跟着把图画出来):

为保证一般性,下面涉及到的都是字母。

接下来我们介绍单位根

看起来很高大上,这是傅里叶快速变换的重要内容。

换句话说,就是方程\large x^n=1的复数解。

到这里你也许会有一点不懂,我们来一起推导一下。

学过三角函数的话应该对单位圆很熟悉。

不熟悉的话也没事,单位圆就是:

圆心在原点且半径为1的圆(如图)

我们在复平面上放一个单位圆,在这个单位圆上的点表示的复数都有一个性质:

模长为1(圆上每一点到圆心的距离都相等)

可还记得?n次单位根是n次幂为1的复数,1的模长就是1

考虑一个复数x

如果|x|>1,即|x^n|=|x|^n>1(模长乘模长,越乘越大)

如果|x|<1,即|x^n|=|x|^n<1(模长乘模长,越乘越小)

所以只有模长等于1的复数才有可能成为n次单位根。

也就是说,只有单位圆上的点表示的复数才有可能成为n次单位根(必要性)

我们成功缩小了探究范围,只在这一个圆上研究

(下面提及的复数,均是在单位圆上的复数!!!)

接下来,我们要单位根。

这些单位根的模长都是1,只有幅角存在差别,下面我们就不考虑模长

容易找到 : 幅角0,\dfrac{1}{n}\text{圆周},\dfrac{2}{n}\text{圆周},...,\dfrac{n-1}{n}\text{圆周}\ 的复数,都是单位根,共n个。

也就是说,假如一个复数,其幅角为\dfrac{a}{n}(0\leq a<n,a∈Z),那么这就是一个单位根。

容易知道这玩意的n次方幅角是a倍圆周,那么就和1重合。

根据代数基本定理 : n次方程在复数域内有且只有n个根

所以这些不重不漏,就是所有的单位根了。

还不懂也没关系,我们来实践一下。

n=3;

有一个模长为1的复数为3次单位根,它的幅角为(*圆周$a$**)

它的3次方的幅角为3a*圆周

那么,如果它是3次单位根,幅角的3倍(3a*圆周)一定是圆周的自然数倍。

所以3a是自然数。

a=0时,它的幅角为0(其实这个复数就是1)

a=1/3时,它的幅角为(圆周/3)

a=2/3时,它的幅角为(2圆周/3)

幅角0,\dfrac{1}{n}\text{圆周},\dfrac{2}{n}\text{圆周},...,\dfrac{n-1}{n}\text{圆周}\ 的单位根,共n个。

每一个都比上一个"多转了"\dfrac{1}{n}\text{圆周}

所以n次单位根n等分单位圆。(重要)。

怎么称呼这些单位根呢

\omega”是单位根的符号,偶尔也写作w(颜文字请走开,LaTeX是$\omega$)

我们从1开始(1一定是单位根),沿着单位圆逆时针把单位根标上号。

\omega_{n}^0=1 ... $\omega_{n}^{n-1}$为第n个n次单位根 ![](https://cdn.luogu.com.cn/upload/pic/29504.png) 比如上图,最右边的点就是$\omega_{3}^0$,左上角的点就是$\omega_{3}^1$,左下角的点就是$\omega_{3}^2$. **P.S** 虽然我们只承认$\omega_{n}^0,\omega_{n}^1,\omega_{n}^2$~$\omega_{n}^{n-1}$, 但是也有$\omega_{n}^{k}$的$k>=n$或$k<0$的情况([带正负的角](https://baike.baidu.com/item/%E8%A7%92/3555592?fr=aladdin#1))。 有$\large\omega_{n}^k=\omega_{n}^{k\%n}$。 随意称呼,切了书写方便,一般不取模。 ------------ 关于单位根的基本定义相信你已经Get到了。单位根的世界,就是一个单位圆。 下面还有一些性质(类比**切蛋糕**记忆) - -1.对任意的n,$\ \ \large{\omega_{n}^{0}=1}

显而易见,不懂的把上面的图看一看。

好啦,关于单位根想必你已经掌握啦(终于!!)。

坐稳了,前方高能!!!

\color{Black}\colorbox{lightgreen}{总结一下}

复数把数轴扩展到了复平面上,复数可以对应复平面上一个点。

复数也有四则运算。复数相乘时,模长相乘,幅角相加。

n次单位根(n为正整数)是n次幂为1的复数。

把单位根画到单位圆上之后,就能整出一些性质

\color{Black}\colorbox{yellow}{习题}

-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-

3.DFT的加速版本

我们来讲讲FFT的分治方式

傅里叶一巴掌把这个多项式拍成碎片,然后按奇偶拼成两块

考虑n-1次(也就是说有n项)多项式F(x)

的每一项按照下标(次数)的奇偶分成两部分:

F(x)=(F[0]+F[2]x^2+...+F[n-2]x^{n-2})+(F[1]x+F[3]x^3+...+F[n-1]x^{n-1})

这里保证n是2的整幂,不会出现分得不均匀的情况。

又设两个有n/2项的多项式FL(x)FR(x),

他们的系数依赖于F(x)(具体看式子)

FL(x)=F[0]+F[2]x+...+F[n-2]x^{n/2-1} FR(x)=F[1]+F[3]x+...+F[n-1]x^{n/2-1}

(又把多项式忘了的,赶紧回去看)

则可以得出F(x)=FL(x^2)+xFR(x^2)(非常重要)

我们要把ω^k_n代入F(x)

F(ω^k_n)=FL((ω^k_n)^2)+ω^k_nFR((ω^k_n)^2)

因为(ω^k_n)^2=ω^k_{n/2}(不理解这个的请见第二节)

\large{F(ω^k_n)=Fl(ω^k_{n/2})+ω^k_nFR(ω^k_{n/2})} F(ω^{k+n/2}_n)=FL((ω^{k+n/2}_n)^2)+ω^{k+n/2}_nFR((ω^{k+n/2}_n)^2)

(下一步用到了(ω^k_n)^j=ω_n^{kj})

\qquad\qquad\ \ \ =FL(ω^{2k+n}_n)+ω^{k+n/2}_nFR(ω^{2k+n}_n)

(下一步用到了\omega_{n}^k=\omega_{n}^{k\%n})

\qquad\qquad\ \ \ =FL(ω^{2k}_n)+ω^{k+n/2}_nFR(ω^{2k}_n)

(下一步用到了\omega_{2n}^{2k}=\omega_{n}^{k})

\qquad\qquad\ \ \ =FL(ω^{k}_{n/2})+ω^{k+n/2}_nFR(ω^{k}_{n/2})

(下一步用到了\omega_{n}^{k+n/2}=-\omega_{n}^k)

\qquad\qquad\ \ \ =FL(ω^{k}_{n/2})-ω^k_nFR(ω^{k}_{n/2})

最后得到\large{F(ω^{k+n/2}_n)=FL(ω^{k}_{n/2})-ω^k_nFR(ω^{k}_{n/2})}

比对一下上一个式子F(ω^k_n)=Fl(ω^k_{n/2})+ω^k_nFR(ω^k_{n/2})

等式右边不就是只有一个正负号的区别吗?

这两条式子有什么用呢?

到这里,如果我们知道两个多项式FL(x)FR(x)分别在ω^0_{n/2},ω^1_{n/2},ω^2_{n/2},...,ω^{n/2-1}_{n/2}的点值表示,

套用F(ω^k_n)=Fl(ω^k_{n/2})+ω^k_nFR(ω^k_{n/2})可以O(n)求出F(x)ω^0_{n},ω^1_{n},ω^2_{n},...,ω^{n/2-1}_{n}处的点值表示。

套用F(ω^{k+n/2}_n)=FL(ω^{k}_{n/2})-ω^k_nFR(ω^{k}_{n/2})可以O(n)求出F(x)ω^{n/2}_{n},ω^{n/2+1}_{n},ω^{n/2+2}_{n},...,ω^{n-1}_{n}处的点值表示。

所以如果我们知道两个多项式FL(x)FR(x)分别在ω^0_{n/2},ω^1_{n/2},ω^2_{n/2},...,ω^{n/2-1}_{n/2}的点值表示,就可以O(n)求出F(x)ω^0_{n},ω^1_{n},ω^2_{n},...,ω^{n-1}_{n}处的点值表示。

我们就成功的获得了F(x)的点值标示。

(懵逼不怕,具体见代码)

好像有哪里不对?

上文: 如果我们知道两个多项式FL(x)FR(x)分别在ω^0_{n/2},ω^1_{n/2},ω^2_{n/2},...,ω^{n/2-1}_{n/2}的点值表示...就可以O(n)求出F(x)ω^0_{n},ω^1_{n},ω^2_{n},...,ω^{n-1}_{n}处的点值表示。

问题在于我们不知道啊?

FL(x)FR(x)暴力代入?

NO~NO~NO~

上面的工作,其实是一个分治的过程。

这个可以一直**分治**下去,直到多项式只剩下一个项为止(此时什么操作也不用做)。 ![](https://cdn.luogu.com.cn/upload/pic/50500.png) ### 实践出真知,我们现在就用代码来表现丰富多彩的数学吧! $\color{Black}\colorbox{lightgreen}{总结一下}

FFT分治的过程,就是根据:

\large{F(ω^k_n)=Fl(ω^k_{n/2})+ω^k_nFR(ω^k_{n/2})} \large{F(ω^{k+n/2}_n)=FL(ω^{k}_{n/2})-ω^k_nFR(ω^{k}_{n/2})}

这两个式子,实现子问题的合并。

记忆方法:\large F(x)=FL(x^2)+xFR(x^2),将单位根分上下半圆代入讨论。

\color{Black}\colorbox{yellow}{习题}

-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-

4.DFT的代码实现

还有一个小细节。

上文有一句话:“保证n是2的整幂,不会出现分得不均匀的情况。”

实际应用中,n不一定是2的正整数次幂。

我们可以补项,在最高次强行添加一些系数为0的项(类似于高精度补0)。不影响我们的计算结果,却占了位置。(具体见代码)

讲完了这些我们可以开始写DFT

1.复数结构体

根据上文复数的四则运算重载。

CPcomplex 的简称。

#include <iostream>
using namespace std;
struct CP
{
  CP (double xx=0,double yy=0){x=xx,y=yy;}
  double x,y;
  CP operator + (CP const &B) const
  {return CP(x+B.x,y+B.y);}
  CP operator - (CP const &B) const
  {return CP(x-B.x,y-B.y);}
  CP operator * (CP const &B) const
  {return CP(x*B.x-y*B.y,x*B.y+y*B.x);}
  CP operator / (CP const &B) const {
    double t=B.x*B.x+B.y*B.y;
    return CP((x*B.x+y*B.y)/t,
              (y*B.x-x*B.y)/t);
  } 
}a,b;
int main()
{
  cin>>a.x>>a.y>>b.x>>b.y;
  CP c;
  c=a+b;
  cout<<'('<<c.x<<','<<c.y<<")\n";
  c=a-b;
  cout<<'('<<c.x<<','<<c.y<<")\n";
  c=a*b;
  cout<<'('<<c.x<<','<<c.y<<")\n";
  c=a/b;
  cout<<'('<<c.x<<','<<c.y<<")\n";
  return 0;
}

(别用STL,会被卡常)

2.预处理单位根

之前我们一直在说“把单位根代入...”

现在我们来学习如何求单位根。

前面我们说过\ \large{\omega_{n}^k=(\omega_{n}^1)^k}

也就是说只要求出ω^1_n然后把它乘n次,就能得到\{ω^0_n,ω^1_n,ω^2_n,ω^3_n,...,ω^{n-1}_n\}

我们怎么求ω^1_n呢?

点A就是ω^1_n,我们需要求出它的横坐标OB和纵坐标AB

RT三角形OAB中,我们已知∠AOB=\dfrac{1}{n}圆,∠OBA=90°,OA=1

其他什么也不知道。我们需要求OBAB

百度百科

英文缩写 表达式 语言描述 函数名称
sin a/c ∠A的对边比斜边 正弦函数
cos b/c ∠A的邻边比斜边 余弦函数
tan a/b ∠A的对边比邻边 正切函数

观察上图,需要求OBAB,它们俩分别是∠O的邻边和对边.

所以$OB=cos(∠O)*AO=cos(∠O);\ AB=sin(∠O)*AO=sin(∠O)

模长AO=1

所以ω^1_n的坐标为(cos(∠O),sin(∠O))

C++的三角函数采用弧度制。一个整圆不再是360°,而是

所以∠O=\dfrac{1}{n}=\dfrac{2π}{n},ω^1_n的坐标为\left(cos(\dfrac{2π}{n}),sin(\dfrac{2π}{n})\right)

只要求出ω^1_n然后把它乘n次,就能得到\{ω^0_n,ω^1_n,ω^2_n,ω^3_n,...,ω^{n-1}_n\}

代码:

#include<cstdio>
#include<cmath>
#define Maxn 1000500
//用这句话能得到得到精确的π,可以当做结论来记
const double Pi=acos(-1);
using namespace std;
struct CP
{
  CP (double xx=0,double yy=0){x=xx,y=yy;}
  double x,y;
  CP operator + (CP const &B) const
  {return CP(x+B.x,y+B.y);}
  CP operator - (CP const &B) const
  {return CP(x-B.x,y-B.y);}
  CP operator * (CP const &B) const
  {return CP(x*B.x-y*B.y,x*B.y+y*B.x);}
  //除法没用
}w[Maxn];
//w长得是不是很像ω?
int n;
int main()
{
  scanf("%d",&n);
  CP sav(cos(2*Pi/n),sin(2*Pi/n)),buf(1,0);
  for (int i=0;i<n;i++){
    w[i]=buf;
      buf=buf*sav;
  }
  for (int i=0;i<n;i++)
      printf("w[%d][n]=(%.4lf,%.4lf)\n",i,w[i].x,w[i].y);
  //由于精度问题会出现-0.0000的情况,将就看吧
  return 0;
}

3.递归实现DFT(简单版)

具体见代码,多说无益。

#include <cstdio>
#include <cmath>
#define Maxn 1350000
using namespace std;
const double Pi=acos(-1);
int n,m;
struct CP
{
  CP (double xx=0,double yy=0){x=xx,y=yy;}
  double x,y;
  CP operator + (CP const &B) const
  {return CP(x+B.x,y+B.y);}
  CP operator - (CP const &B) const
  {return CP(x-B.x,y-B.y);}
  CP operator * (CP const &B) const
  {return CP(x*B.x-y*B.y,x*B.y+y*B.x);}
  //除法没用
}f[Maxn<<1],sav[Maxn<<1];
void dft(CP *f,int len)
{
  if (len==1)return ;//边界
  //指针的使用比较巧妙 
  CP *fl=f,*fr=f+len/2;
  for (int k=0;k<len;k++)sav[k]=f[k];
  for (int k=0;k<len/2;k++)//分奇偶打乱
    {fl[k]=sav[k<<1];fr[k]=sav[k<<1|1];}
  dft(fl,len/2);
  dft(fr,len/2);//处理子问题
  //由于每次使用的单位根次数不同(len次单位根),所以要重新求。
  CP tG(cos(2*Pi/len),sin(2*Pi/len)),buf(1,0);
  for (int k=0;k<len/2;k++){
    //这里buf = (len次单位根的第k个) 
    sav[k]=fl[k]+buf*fr[k];//(1)
    sav[k+len/2]=fl[k]-buf*fr[k];//(2)
    //这两条语句具体见Tips的式子
    buf=buf*tG;//得到下一个单位根。
  }for (int k=0;k<len;k++)f[k]=sav[k];
}
int main()
{
  scanf("%d",&n);
  for (int i=0;i<n;i++)scanf("%lf",&f[i].x);
  //一开始都是实数,虚部为0
  for(m=1;m<n;m<<=1);
  //把长度补到2的幂,不必担心高次项的系数,因为默认为0
  dft(f,m);
  for(int i=0;i<m;++i)
    printf("(%.4f,%.4f)\n",f[i].x,f[i].y);
  return 0;
}

Tips :

(1)F(ω^{k+n/2}_n)=FL(ω^{k}_{n/2})-ω^k_nFR(ω^{k}_{n/2})

(2)F(ω^k_n)=FL(ω^k_{n/2})+ω^k_nFR(ω^k_{n/2})

现在问题来了,DFT输出的都是些杂乱的点值表达,所以解决不了问题。

上文说过,IDFT是DFT的逆(CP),她可以把点值还原成多项式,最终完成乘法。

现在到了讲IDFT的时候了!!!

-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-

5.IDFT理论与FFT初步实现

IDFT和DFT就是两句话的区别,这个结论实在太好记了。

结论 : 把DFT中的ω^1_n换成ω^{-1}_n,做完之后除以n即可。(记忆)

当然,证明还是要有的,而且很有价值,从这里可以延伸出 单位根反演。

我们知道DFT就是求点值,我们不需要再去证明点值的相关性质,我们只要弄出一个DFT的逆运算就好了。

还是多项式F(x),设我们变换之后,得到的点值数列为G

G=DFT(F)

脑补代入的过程,可得\large G[k]=\sum\limits_{i=0}^{n-1}(ω^k_n)^iF[i]

那么结论就是\large n*F[k]=\sum\limits_{i=0}^{n-1}(ω^{-k}_n)^iG[i]

通过这个式子我们可以把点值还原。

证明:

右边=\sum\limits_{i=0}^{n-1}(ω^{-k}_n)^iG[i]

代入可得:

=\sum\limits_{i=0}^{n-1}\sum\limits_{j=0}^{n-1}ω^{ij}_nω^{-ik}_nF[j] =\sum\limits_{i=0}^{n-1}\sum\limits_{j=0}^{n-1}ω^{i(j-k)}_nF[j]

分类讨论:

那么贡献就是\sum\limits_{i=0}^{n-1}ω^{0}_nF[k]=nF[k]

那么贡献就是\sum\limits_{i=0}^{n-1}ω^{ip}_nF[k+p]

=ω^{p}_n(\sum\limits_{i=0}^{n-1}ω^{i}_n)F[k+p]

等比数列求和可以得到:

(\sum\limits_{i=0}^{n-1}ω^{i}_n)=\dfrac{ω_n^{np}-1}{ω_n^{p}-1}=\dfrac{ω_n^{0}-1}{ω_n^{p}-1}=0

所以这部分贡献为0,我们就成功地证明了上述结论。

如果你想知道的多一些,我可以告诉你这个东西本质是单位根反演。

或者可以理解成范德蒙德矩阵求逆。

nF[k]=\sum\limits_{i=0}^{n-1}(ω^{-k}_n)^iG[i]

就是相当于把G数列当做系数,再代入一遍求值。

不同的是,这次代入的是\{ω^{0}_n,ω^{-1}_n,ω^{-2}_n,...,ω^{-n+1}_n\}

这里就要求找到一个东西能求出\{ω^{0}_n,ω^{-1}_n,ω^{-2}_n,...,ω^{-n+1}_n\}

我悄悄告诉你$ω^{-1}_n$长这个样子 ![](https://cdn.luogu.com.cn/upload/pic/29750.png ) 得$(ω^{-1}_n)^j=ω_n^{-j}

也就是说只要求出ω^{-1}_n然后把它乘n次,就能得到\{ω^{0}_n,ω^{-1}_n,ω^{-2}_n,...,ω^{-n+1}_n\}

它的各方面和ω^{1}_n都很像,其实就是\left(cos(\dfrac{2π}{n}),-sin(\dfrac{2π}{n})\right)

题目Link

至此我们已经写出了第一个版本的FFT(蛤?还有几个?)

代码很好写,和DFT不同的地方很少:

#include <cstdio>
#include <cmath>
#define Maxn 1350000
using namespace std;
const double Pi=acos(-1);
int n,m;
struct CP
{
  CP (double xx=0,double yy=0){x=xx,y=yy;}
  double x,y;
  CP operator + (CP const &B) const
  {return CP(x+B.x,y+B.y);}
  CP operator - (CP const &B) const
  {return CP(x-B.x,y-B.y);}
  CP operator * (CP const &B) const
  {return CP(x*B.x-y*B.y,x*B.y+y*B.x);}
  //除法没用
}f[Maxn<<1],p[Maxn<<1],sav[Maxn<<1];
void dft(CP *f,int len)
{
  if (len==1)return ;//边界
  //指针的使用比较巧妙 
  CP *fl=f,*fr=f+len/2;
  for (int k=0;k<len;k++)sav[k]=f[k];
  for (int k=0;k<len/2;k++)//分奇偶打乱
    {fl[k]=sav[k<<1];fr[k]=sav[k<<1|1];}
  dft(fl,len/2);
  dft(fr,len/2);//处理子问题
  //由于每次使用的单位根次数不同(len次单位根),所以要重新求。
  CP tG(cos(2*Pi/len),sin(2*Pi/len)),buf(1,0);
  for (int k=0;k<len/2;k++){
    //这里buf = (len次单位根的第k个) 
    sav[k]=fl[k]+buf*fr[k];//(1)
    sav[k+len/2]=fl[k]-buf*fr[k];//(2)
    //这两条语句具体见Tips的式子
    buf=buf*tG;//得到下一个单位根。
  }for (int k=0;k<len;k++)f[k]=sav[k];
}
void idft(CP *f,int len)
{
  if (len==1)return ;//边界
  //指针的使用比较巧妙 
  CP *fl=f,*fr=f+len/2;
  for (int k=0;k<len;k++)sav[k]=f[k];
  for (int k=0;k<len/2;k++)//分奇偶打乱
    {fl[k]=sav[k<<1];fr[k]=sav[k<<1|1];}
  idft(fl,len/2);
  idft(fr,len/2);//处理子问题
  CP tG(cos(2*Pi/len),  -  sin(2*Pi/len)),buf(1,0);
               //注意这 ↑ 个负号! 
  for (int k=0;k<len/2;k++){
    //这里buf = (len次反单位根的第k个) 
    sav[k]=fl[k]+buf*fr[k];
    sav[k+len/2]=fl[k]-buf*fr[k];
    buf=buf*tG;//得到下一个反单位根。
  }for (int k=0;k<len;k++)f[k]=sav[k];
}
int main()
{
  scanf("%d%d",&n,&m);
  for (int i=0;i<=n;i++)scanf("%lf",&f[i].x);
  for (int i=0;i<=m;i++)scanf("%lf",&p[i].x);
  for(m+=n,n=1;n<=m;n<<=1);//把长度补到2的幂
  dft(f,n);dft(p,n);//DFT
  for(int i=0;i<n;++i)f[i]=f[i]*p[i];//点值直接乘
  idft(f,n);//IDFT
  for(int i=0;i<=m;++i)printf("%d ",(int)(f[i].x/n+0.49));
  //注意结果除以n
  return 0;
}

提交记录

可以看到因为常数过大而TLE了,看来我们需要一个常数更小的写法。

先别着急卡常,前文我们说过,IDFT和DFT只有一个符号的区别。

那么我们何不减少一下代码量呢:

#include <cstdio>
#include <cmath>
#define Maxn 1350000
using namespace std;
const double Pi=acos(-1);
int n,m;
struct CP
{
  CP (double xx=0,double yy=0){x=xx,y=yy;}
  double x,y;
  CP operator + (CP const &B) const
  {return CP(x+B.x,y+B.y);}
  CP operator - (CP const &B) const
  {return CP(x-B.x,y-B.y);}
  CP operator * (CP const &B) const
  {return CP(x*B.x-y*B.y,x*B.y+y*B.x);}
  //除法没用
}f[Maxn<<1],p[Maxn<<1],sav[Maxn<<1];
//flag=1 -> DFT     flag=0 -> IDFT
void fft(CP *f,int len,bool flag)
{
  if (len==1)return ;
  CP *fl=f,*fr=f+len/2;
  for (int k=0;k<len;k++)sav[k]=f[k];
  for (int k=0;k<len/2;k++)
    {fl[k]=sav[k<<1];fr[k]=sav[k<<1|1];}
  fft(fl,len/2,flag);
  fft(fr,len/2,flag);
  CP tG(cos(2*Pi/len),sin(2*Pi/len)),buf(1,0);
  if (!flag)tG.y*=-1; 
  for (int k=0;k<len/2;k++){
    sav[k]=fl[k]+buf*fr[k];
    sav[k+len/2]=fl[k]-buf*fr[k];
    buf=buf*tG;
  }for (int k=0;k<len;k++)f[k]=sav[k];
}
int main()
{
  scanf("%d%d",&n,&m);
  for (int i=0;i<=n;i++)scanf("%lf",&f[i].x);
  for (int i=0;i<=m;i++)scanf("%lf",&p[i].x);
  for(m+=n,n=1;n<=m;n<<=1);//把长度补到2的幂
  fft(f,n,1);fft(p,n,1);//DFT
  for(int i=0;i<n;++i)f[i]=f[i]*p[i];
  fft(f,n,0);
  for(int i=0;i<=m;++i)printf("%d ",(int)(f[i].x/n+0.49));
  return 0;
}

-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-

6.FFT的精细实现

卡常的方法分为以下几类:

0.硬件优化:浮点加速器,CPU等等。

1.编译优化:编译开关,inline,register 之类的。

2.封装优化:把代码的封装拆开,封装得过死会使效率降低(stl)。

3.编写优化:细节优化,手写栈之类。

4.时空互易: 空间换时间以达到时空均衡(常数层面上)。

硬件优化没什么指望,编译优化能力有限又太玄学。

咱们这份代码如果硬要把封装拆开就会显得十分丑陋。

只剩下编写优化,时空互易两条路子了。

首先观察这个程序片段:

for (int k=0;k<len/2;k++){
  sav[k]=fl[k]+buf*fr[k];
  sav[k+len/2]=fl[k]-buf*fr[k];
  buf=buf*tG;
}

复数的乘法代价是很高的,而buf*fr[k]我们计算了两次!

换成下面的操作,常数就小多了:

for (int k=0;k<len/2;k++){
  CP tt=buf*fr[k];
  sav[k]=fl[k]+tt;
  sav[k+len/2]=fl[k]-tt;
  buf=buf*tG;
}

代码中我们使用了大量数组拷贝,这会影响性能。我们能否通过某些手段规避数组拷贝呢?

这个分治究竟在干什么?

分治过程 : 先按照某种顺序把东西分开排列,然后再合并上去。

具体的来说:

原来的递归版(数组下标,先偶后奇,从0开始):
0 1 2 3 4 5 6 7 第1层
0 2 4 6|1 3 5 7 第2层
0 4|2 6|1 5|3 7 第3层
0|4|2|6|1|5|3|7 第4层

我们要想办法求出第4层的数组状况,然后才能往上合并。

(这个东西叫做蝴蝶变换来着)

具体怎么求呢?多多观察可得,最后的序列是原序列的二进制反转

比如6=(110)_2反过来就是(011)_2=3

“6”确实排在原来“3”的位置。

如何得到二进制翻转后的数列呢?

可以用递推$O(n)$搞定。 ``` for(int i=0;i<limit;i++) tr[i]=(tr[i>>1]>>1)|((i&1)?limit>>1:0); //tr[i]是i的二进制翻转 ``` 这玩意是怎么得到的呢? 我们可以把一个二进制数的反转拆成两部分来看: ``` ~~~~~ x 其他部分 最后一位 翻转的话就相当于 x 连接上 其他部分的反转 其他部分的反转=r[i>>1]>>1 然后判一下最后一位,如果是1则加上Limit>>1 ``` 可以类比数位DP理解。 - “**合并**”的优化 观察合并的代码片段。 ```cpp CP *fl=f,*fr=f+len/2; for (int k=0;k<len/2;k++){ CP tt=buf*fr[k]; sav[k]=fl[k]+tt; sav[k+len/2]=fl[k]-tt; buf=buf*tG; }for (int k=0;k<len;k++)f[k]=sav[k]; ``` 注意到指针`fl[k] <--> f[k] . . . fr[k] <--> f[k+len/2]` 那么我们完全可以用如下代码来代替: ```cpp fft(f,len/2,flag); fft(f+len/2,len/2,flag); for (int k=0;k<len/2;k++){ CP tt=buf*f[k+len/2]; f[k+len/2]=f[k]-tt; f[k]=f[k]+tt;//注意赋值顺序! buf=buf*tG; } ``` 这就规避了所有的数组拷贝。 可以写出如下代码: ```cpp #include<algorithm> #include<cstdio> #include<cmath> #define Maxn 1350000 using namespace std; const double Pi=acos(-1); int n,m; struct CP { CP (double xx=0,double yy=0){x=xx,y=yy;} double x,y; CP operator + (CP const &B) const {return CP(x+B.x,y+B.y);} CP operator - (CP const &B) const {return CP(x-B.x,y-B.y);} CP operator * (CP const &B) const {return CP(x*B.x-y*B.y,x*B.y+y*B.x);} }f[Maxn<<1],p[Maxn<<1]; //flag=1 -> DFT flag=0 -> IDFT void fft(CP *f,int len,bool flag) { if (len==1)return ; fft(f,len/2,flag); fft(f+len/2,len/2,flag); CP tG(cos(2*Pi/len),sin(2*Pi/len)),buf(1,0); if (!flag)tG.y*=-1; for (int k=0;k<len/2;k++){ CP tt=buf*f[k+len/2]; f[k+len/2]=f[k]-tt; f[k]=f[k]+tt;//注意赋值顺序! buf=buf*tG; } } int tr[Maxn<<1]; int main() { scanf("%d%d",&n,&m); for (int i=0;i<=n;i++)scanf("%lf",&f[i].x); for (int i=0;i<=m;i++)scanf("%lf",&p[i].x); for(m+=n,n=1;n<=m;n<<=1);//把长度补到2的幂 for(int i=0;i<n;i++) tr[i]=(tr[i>>1]>>1)|((i&1)?n>>1:0); for (int i=0;i<n;i++) if (i<tr[i])swap(f[i],f[tr[i]]); for (int i=0;i<n;i++) if (i<tr[i])swap(p[i],p[tr[i]]); fft(f,n,1);fft(p,n,1);//DFT for(int i=0;i<n;++i)f[i]=f[i]*p[i]; for (int i=0;i<n;i++) if (i<tr[i])swap(f[i],f[tr[i]]); fft(f,n,0); for(int i=0;i<=m;++i)printf("%d ",(int)(f[i].x/n+0.49)); return 0; } ``` [提交记录](https://www.luogu.org/record/25870016) 可以看到还是TLE一个点QAQ 三角函数求值很慢,我们却使用了$O(nlogn)$次三角函数求值,可以考虑预处理来减小常数。 不过一种更有效的方式是:迭代实现(**嘴巴讲不清楚的,看代码秒懂**)。 还有一点,`/2`可以用位运算优化,我们把`/2`统一换成`>>1`。 迭代版代码: ```cpp #include<algorithm> #include<cstdio> #include<cmath> #define Maxn 1350000 using namespace std; const double Pi=acos(-1); int n,m; struct CP { CP (double xx=0,double yy=0){x=xx,y=yy;} double x,y; CP operator + (CP const &B) const {return CP(x+B.x,y+B.y);} CP operator - (CP const &B) const {return CP(x-B.x,y-B.y);} CP operator * (CP const &B) const {return CP(x*B.x-y*B.y,x*B.y+y*B.x);} }f[Maxn<<1],p[Maxn<<1]; int tr[Maxn<<1]; void fft(CP *f,bool flag) { for (int i=0;i<n;i++) if (i<tr[i])swap(f[i],f[tr[i]]); //枚举区间长度 for(int p=2;p<=n;p<<=1){ int len=p>>1;//待合并的长度 CP tG(cos(2*Pi/p),sin(2*Pi/p)); if(!flag)tG.y*=-1;//p次单位根 for(int k=0;k<n;k+=p){//枚举起始点 CP buf(1,0);//遍历一个子问题并合并 for(int l=k;l<k+len;l++){ CP tt=buf*f[len+l]; f[len+l]=f[l]-tt; f[l]=f[l]+tt; buf=buf*tG; } } } } int main() { scanf("%d%d",&n,&m); for (int i=0;i<=n;i++)scanf("%lf",&f[i].x); for (int i=0;i<=m;i++)scanf("%lf",&p[i].x); for(m+=n,n=1;n<=m;n<<=1); for(int i=0;i<n;i++) tr[i]=(tr[i>>1]>>1)|((i&1)?n>>1:0); fft(f,1);fft(p,1);//DFT for(int i=0;i<n;++i)f[i]=f[i]*p[i]; fft(f,0); for(int i=0;i<=m;++i)printf("%d ",(int)(f[i].x/n+0.49)); return 0; } ``` 怎么觉得比递归版好写? 这个版本是最经典的,建议背诵全文。 三句话记忆: ```cpp //F(x)=FL(x^2)+x*FR(x^2) //F(W^k)=FL(w^k)+W^k*FR(w^k) //F(W^{k+n/2})=FL(w^k)-W^k*FR(w^k) ``` [评测记录](https://www.luogu.org/record/25876484) 可以看到已经成功地通过了这道题。 ## 附 : "三次变两次"优化 根据$(a+bi)*(c+di)=a(c+di)*bi(c+di)=ac-bd+adi+bci

假设我们需要求F(x)*G(x)

复多项式P(x)=F(x)+G(x)i 也就是实部为F(x),虚部为G(x).

P(x)^2=(F(x)+G(x)i)^2=F(x)^2-G(x)^2+2F(x)G(x)i

发现P(x)^2的虚部为 2F(x)G(x)i

也就是说求出P(x)^2之后,把它的虚部除以2即可.

Code:

为了卡常数还写了个快读……

#include<algorithm>
#include<cstdio>
#include<cmath>
#define Maxn 1350000
using namespace std;
const double Pi=acos(-1);
inline int read()
{
  register char ch=0;
  while(ch<48||ch>57)ch=getchar();
  return ch-'0';
}
int n,m;
struct CP
{
  CP (double xx=0,double yy=0){x=xx,y=yy;}
  double x,y;
  CP operator + (CP const &B) const
  {return CP(x+B.x,y+B.y);}
  CP operator - (CP const &B) const
  {return CP(x-B.x,y-B.y);}
  CP operator * (CP const &B) const
  {return CP(x*B.x-y*B.y,x*B.y+y*B.x);}
}f[Maxn<<1];//只用了一个复数数组 
int tr[Maxn<<1];
void fft(CP *f,bool flag)
{
  for (int i=0;i<n;i++)
    if (i<tr[i])swap(f[i],f[tr[i]]);
  for(int p=2;p<=n;p<<=1){
    int len=p>>1;
    CP tG(cos(2*Pi/p),sin(2*Pi/p));
    if(!flag)tG.y*=-1;
    for(int k=0;k<n;k+=p){
      CP buf(1,0);
      for(int l=k;l<k+len;l++){
        CP tt=buf*f[len+l];
        f[len+l]=f[l]-tt;
        f[l]=f[l]+tt;
        buf=buf*tG;
      }
    }
  }
}
int main()
{
  scanf("%d%d",&n,&m);
  for (int i=0;i<=n;i++)f[i].x=read();
  for (int i=0;i<=m;i++)f[i].y=read();
  for(m+=n,n=1;n<=m;n<<=1);
  for(int i=0;i<n;i++)
    tr[i]=(tr[i>>1]>>1)|((i&1)?n>>1:0);
  fft(f,1);
  for(int i=0;i<n;++i)f[i]=f[i]*f[i];
  fft(f,0);
  for(int i=0;i<=m;++i)
    printf("%d ",(int)(f[i].y/n/2+0.49));
  return 0;
}

相信经过上面的学习,这份代码大家都能够理解,我就不再赘述了.

评测记录 \quad( 2020.5.12 更新 : 评测记录)

快了一点吧!虽然本蒟蒻的常数还是很大QwQ

比如说F(x)的系数均在[10^{-5},10^{-6}]之间,G(x)的系数均在[10^5,10^6]之间。

直接做FFT,涉及的精度跨度上限是{10^{12}}

假如使用三次变两次优化,由于平方项的存在,涉及的精度跨度上限是{10^{24}},严重掉精度。

下方例题第二题直接铁头硬上会WA。

至于修正方法,可以把两个多项式数乘到相同的值域范围,这样子就不会产生平方项的大误差了。

注意最后要除回去。

附 : 点值的性质

我们的点值代表了整个多项式,加法和乘法都是对应的。

这可以用于某些(初等)卡常,比如我们如果要计算A*B+B*C+A*C

如果完全封装,每次乘法就要计算3次FFT,一共就是9次FFT。

化为A*(B+C)+B*C就是两次乘法,需要6次FFT。

我们也不必对A*(B+C),B*C分别IDFT,可以加在一起统一做,这样一共就是5次FFT。

又注意到DFT(B+C)=DFT(B)+DFT(C),又可以省去一次。

采用"三次变两次"优化,构造H1=(A+(B+C)i);H2=(B+Ci)

平方之后也不需要分别IDFT,这样做是3次FFT,只折合原来的一次暴力。

\color{Black}\colorbox{lightgreen}{总结一下}

卡常有什么好总结的?去吊打集训队wys吧。

\color{Black}\colorbox{yellow}{习题}

5.后话

那么讲到这里,想必FFT的大部分内容你已经掌握了,到了说再见的时候了……

再见啦~(挥手)

欲知后事如何,请看下集:NTT与多项式全家桶! (看完你会了解更多的多项式工业)