- Q: 什么是 (FFT)?
A: (Fast Fourier Transform) 快速傅里叶变换。 - Q: 什么是 (DFT)?
A: (Discrete Fourier Transform) 离散傅里叶变换。 - Q: 什么是 (IDFT)?
A: (Inverse Discrete Fourier Transform) 逆·离散傅里叶变换。 - Q: 什么是 (NTT)?
A: (number theory Transform) 数论变换。 - Q: 什么是 (MTT)?
A: 任意模数数论变换。
(FFT)
或许有很多人会在这里强调好些引理，但我觉得在推导到那步时能够继续推下去就可以了。
没有必要过分强调。。。
这里将多项式和函数直接对应
其中 (f_{x_i}=f(x_i))
该方法用于在(O(nlog n))求离散卷积。
什么是离散卷积？
给出定义，令(y=f imes g)
或者这么表示。
此时 所构成的多项式({y}) (=) (f imes g)
所以譬如我们都知道的十进制竖式乘法就是一种卷积。
引入概念：点值表达式
一个多项式可以表达成 (f=sumlimits_{i=0}^{n}a_i imes x^i)，我们称为其为系数表达式
而此时的多项式我们可以理解成一个 (n) 次的函数
而在初中二年级我们就知道，任意 (n+1) 个点都可以确定一个 (n) 次的函数。
这就是为什么小学一些让你找规律的题其实并没有准确答案。
记点集为(egin{Bmatrix}(x_0,y_0),(x_1,y_1)cdots(x_n,y_n)end{Bmatrix})
则(forall iin[0,n] f(x_i)=y_i)
由此我们将系数表达 (egin{Bmatrix} a_0,a_1cdots a_nend{Bmatrix}) 转换到点值表达 (egin{Bmatrix}(x_0,y_0),(x_1,y_1)cdots(x_n,y_n)end{Bmatrix}) 的操作称为一次傅里叶变换
而从点值重新转回系数表达的插值操作称为一次逆傅里叶变换
点值表达式的好处就在于，当两个点值表达式相乘时：
即( h(x_i)=y_i imes z_i),(h) 的点值表达则为 (egin{Bmatrix}(x_0,y_0 imes z_0),(x_1,y_1 imes z_1)cdots(x_n,y_n imes z_n)end{Bmatrix})
我们实现了 (O(n)) 的离散卷积乘法。
但是我们还不知道如何将系数表达式转换为点值表达式
一般的我们可以，随便找 (n+1) 个数然后代入计算。
但 (O(2n)) 的复杂度我们并不允许。
我们突然意识到，随便取 (n+1) 个数是不可能的，这辈子都不可能。
这里我们引入概念，(n) 次单位根的概念：
满足 (x^n=1) 的所有的复数 (x)。
引入复数概念
没啥特别的，高中基础吧。
其中 记 (Re(z) = a) 表示复数 (z)的实部。
记 (Im(z)=b)表示复数 (z) 的虚部。
记 (mid z mid=sqrt{a^2+b^2}) 表示复数 (z) 的模长。
复数加法法则：实部相加，虚部相加。
而加法的实质意义是平行四边形法则。
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-1000.jpg %}
复数乘法法则：相当于拆括号。
而乘法的实质意义是旋转相似。
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-1001.jpg %}
每一个复数 (z) 将 ((Re(z),Im(z))) 在平面上表示出。
发现对于任意的一个复数都可以在平面上表示。
于是乎，我们将这个平面称为复平面。
复数相乘几何意义：模长相乘，副角相加。
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-1002.jpg %}
引入单位根概念
2次单位根：(1),(-1)。
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-0800.jpg %}
3次单位根：(1),(omega),(omega ^{2})。
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-0801.jpg %}
4次单位根：(1),(i),(-1),(,-i)。
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-0802.jpg %}
我们发现 (2^k)这种单位根有很好的轴对称以及中心对称性，为了简化问题，下文所说的 (n) 均默认 (n=2^k,kin Z)。
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-0803.jpg %}
我们沿逆时针一圈把单位根标序号，对于第 (i) 个我们记录为 (omega_{n}^{i-1}).
于是我们生成了
(omega_{n}^{0}),(omega_{n}^{1}cdots omega_{n}^{n-1})
(omega_{n}^{k}) 性质何在？
首先我们这么理解为 (omega_{n})的 (k) 次幂
由欧拉定理：
其中 (varTheta) 为复数的辐角。
根据其定义，有以下性质。
-
[omega_{2n}^{2k}=omega_{n}^{k} ]
-
[omega_{n}^{k}=-omega_{n}^{k+frac{n}{2}} ]
我们已经确定了选那些数了，剩下的只剩带入求出该点的函数值！
快速傅里叶变换
我们如何快速求出他们 (omega_{n}^{0}) , (omega_{n}^{1}cdots omega_{n}^{n-1}) 的函数值？
按次数奇偶划分。
划分成两个多项式。
发现：
发现什么了吗？ 在 (omega_{n}^{k}) 和 (omega_{n}^{k+frac{n}{2}}) 的函数值，只差个负号。
而我们每次这么操作时所需求解的区间就会折半，分治的思想。
所以快速傅里叶复杂度保证在 (O(nlog n)) 了。
逆·快速傅里叶变换
我们引进范德蒙德矩阵
这里的 ((x_i,y_i)) 即为点值表达。
(a_i) 为系数表达。
我们记录
在得知 ((x_i,y_i)) 后我们只要算出 (V) 的逆矩阵 (V^{-1})
好了，现在大力求逆矩阵就完了，所以我们开始高斯消元。
ちょっとまって
这尼玛不还是 (O(n^3))?
哦，我们突然发现（真的是发现）好像(V^{-1}_{i , j}=dfrac{omega _{n}^{-ij}}{n})
你丫不是扯淡？
证明
发现(omega_{n}^{k(i-j)})为等比数列
当 (i
eq j) 时
当 (i=j) 时，原式 (=dfrac{n imes omega_{n}^{0}}{n}=1)
综上：得出 (P) 为 (n) 阶单位阵。
根据逆矩阵定义
这时我们只要在 (FFT) 的过程中记录一个 (flag) 在系数上(×-1) 即可
void fft(Complex* a,int len,int f)
{
if(len==1) return;
Complex a0[len/2],a1[len/2];
for(int i=0;i<len;i++,i++)
{
a0[i/2]=a[i];
a1[i/2]=a[i+1];
}
fft(a0,len/2,f); fft(a1,len/2,f);
Complex wn(cos(f*2.0*pie/len),sin(f*2.0*pie/len));
Complex w(1,0);
for(int i=0;i<(len/2);i++)
{
a[i]=a0[i]+w*a1[i];
a[i+len/2]=a0[i]-w*a1[i];
w=w*wn;
}
}
还没完！
(FFT)还没完，我们还要减小常数
1.小trick
w*a1[i] 被算了两遍，没意义，所以
for(int i=0;i<(len/2);i++)
{
Complex t=w*a1[i];
a[i]=a0[i]+t;
a[i+len/2]=a0[i]-t;
w=w*wn;
}
说实话，仅仅这么改屁用没有。
2.我不用递归啦
观察最后得到的数列：
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-1003.jpg %}
{% fb_img https://cdn.jsdelivr.net/gh/protons-z/cdn@6.1.3/images/Sol/2020-04-1004.jpg %}
观察化成二进制后正好反转了。
最后的数列我们得到了。
得到递推式：
for(int i=0;i<=lim;i++)
rev[i]=(rev[i>>1]>>1)|((i&1)<<(len-1));
然后从底层向上迭代。
具体如下：
const double p=acos(-1.0);
inline void fft(Complex *a,int f)
{
for(int i=0;i<lim;i++) if(i<rev[i]) swap(a[i],a[rev[i]]);
for(int mid=1;mid<lim;mid=mid<<1)
{
Complex wn(cos(1.0*p/mid),f*sin(1.0*p/mid));
for(int r=mid<<1,j=0;j<lim;j+=r)
{
Complex w(1.0,0.0);
for(int k=0;k<mid;k++,w=w*wn)
{
Complex x=a[k+j],y=w*a[k+j+mid];
a[k+j]=x+y;
a[k+j+mid]=x-y;
}
}
}
}
(FFT) 到此结束了。
(NTT)
由于(FFT) 炸精还慢，在模数特别时，(NTT)诞生了。
阶
在(mod m) 意义下，当 ((m,a)=1) 时，使得 (a^requiv 1 pmod m) 的最小的 (r) ，叫做 (a) 关于 (m) 的阶。记为 (delta_{n}(a)=r) 。
性质：
- 若 ((a,m)=1),且 (a^n=1pmod m),则 (delta_{m}(a)mid n)。
- (delta_{m}(a)mid varphi(m))。
原根
若 (delta_{m}(a)=varphi(m)) 则称 (a) 是 (mod m)的一个原根。
性质：
- 原根存在 (Leftrightarrow) (m=2,4,p^e,2p^e)。
- (m) 有 (varphi(varphi(m))) 个原根。
- 设 (g) 为 (m) 的一个原根，那么所有的原根为(g,g^2,g^3, cdots ,g^{varphi(i)})。
发现有些性质和单位根相同，所以我们就使用原根代替单位根，实现快速数论卷积。
实现与 (FFT) 类似。
(MTT)
我们的 (NTT) 十分依赖模数，这使 (NTT) 很鸡肋。
理论基础（雾（
一般认为,两个FFT跑得比三个NTT稍微快一点。
- 有一种方法是将非 (NTT) 模数拆成 (3) 个原根模数，最后 (Crt) 合并。但是这是九次 (NTT) 慢死你。。。
- 根据command_block大佬的博客,这里提供一种五次 (FFT) 的思路。
首先是拆系数我们将 (f) 拆成 (f=a_1 imes d + b_1,d=2^{15})；(g=a_2 imes d + b_2,d=2^{15})
(f imes g=a_1 imes a_2 imes d^2+(a_1 imes b_2+a_2 imes b_1) imes d+b_1 imes b_2)
emmm 四次 (DFT)，三次 (IDFT)，相当于 (7)次(FFT) 慢死了。。
ちょっとまって
我们看：这种结构让我们想到了虚数乘法时的样子。
我们设 (A_1) 代表 (a_1),(B_1) 代表 (b_1),(A_2) 代表 (a_2),(B_2) 代表 (b_2)。
设复多项式 (F=A_1+iA_2) , (G=B_1+iB_2)
(P_1=F imes G=(A_1 imes B_1-A_2 imes B_2)+i(A_1 imes B_2+A_2 imes B_1))
再设 (H=A_1-iA_2)
(P_2=H imes G=(A_1 imes B_1+A_2 imes B_2)+i(A_1 imes B_2-A_2 imes B_1))
那么 (P_1+P_2=2(A_1 imes B_1+iA_1 imes B_2))
(A_1 imes B_1=Re(P_1+P_2)) , (A_1 imes B_2=Im(P_1+P_2))
所以现在可以将(A_1 imes A_2,A_1 imes B_2,A_2 imes B_1,B_1 imes B_2)
所以将 (F,G,H) 转为点值表达花费 (3) 次 (FFT)。
(P_1,P_2) 转回系数表达花费 (2) 次 (FFT)。
总记 (5) 次 (FFT)
(5FFT<9NTT-FFT) 优化胜利啦{% emoji_coda 2233/daxiao.png %}
(FWT)
待更。。。