【知识总结】快速傅里叶变换（FFT）

这可能是我第五次学FFT了……菜哭qwq

先给出一些个人认为非常优秀的参考资料：

一小时学会快速傅里叶变换（Fast Fourier Transform） - 知乎

小学生都能看懂的FFT！！！ - 胡小兔 - 博客园

快速傅里叶变换（FFT）用于计算两个(n)次多项式相乘，能把复杂度从朴素的(O(n^2))优化到(O(nlog_2n))。一个常见的应用是计算大整数相乘。

本文中所有多项式默认(x)为变量，其他字母均为常数。所有角均为弧度制。

一、多项式的两种表示方法

我们平时常用的表示方法称为“系数表示法”，即

[A(x)=sum _{i=0}^n a_ix^i ]

上面那个式子也可以看作一个以(x)为自变量的(n)次函数。用(n+1)个点可以确定一个(n)次函数（自行脑补初中学习的二次函数）。所以，给定(n+1)组(x)和对应的(A(x))，就可以求出原多项式。用(n+1)个点表示一个(n)次多项式的方式称为“点值表示法”。

在“点值表示法”中，两个多项式相乘是(O(n))的。因为对于同一个(x)，把它代入(A)和(B)求值的结果之积就是把它带入多项式(A imes B)求值的结果（这是多项式乘法的意义）。所以把点值表示法下的两个多项式的(n+1)个点的值相乘即可求出两多项式之积的点值表示。

线性复杂度点值表示好哇好

但是，把系数表示法转换成点值表示法需要对(n+1)个点求值，而每次求值是(O(n))的，所以复杂度是(O(n^2))。把点值表示法转换成系数表示法据说也是(O(n^2))的（然而我只会(O(n^3))的高斯消元qwq）。所以暴力取点然后算还不如直接朴素算法相乘……

但是有一种神奇的算法，通过取一些具有特殊性质的点可以把复杂度降到(O(nlog_2n))。

二、单位根

从现在开始，所有(n)都默认是(2)的非负整数次幂，多项式次数为(n-1)。应用时如果多项式次数不是(2)的非负整数次幂减(1)，可以加系数为(0)的项补齐。

先看一些预备知识：

复数(a+bi)可以看作平面直角坐标系上的点((a,b))。这个点到原点的距离称为模长，即(sqrt{a^2+b^2})；原点与((a,b))所连的直线与实轴正半轴的夹角称为辐角，即(sin^{-1}frac{b}{a})。复数相乘的法则：模长相乘，辐角相加。

把以原点为圆心，(1)为半径的圆（称为“单位圆”）(n)等分，(n)个点中辐角最小的等分点（不考虑(1)）称为(n)次单位根，记作(omega_n)，则这(n)个等分点可以表示为(omega_n^k(0leq k < n))

这里如果不理解，可以考虑周角是(2pi)，(n)次单位根的辐角是(frac{2pi}{n})。(w_n^k=w_n^{k-1} imes w_n^1)，复数相乘时模长均为(1)，相乘仍为(1)。辐角(frac{2pi (k-1)}{n})加上单位根的辐角(frac{2pi}{n})变成(frac{2pi k}{n})。

单位根具有如下性质：

1.折半引理

[w_{2n}^{2k}=w_n^k ]

模长都是(1)，辐角(frac{2pi imes 2k}{2n}=frac{2pi k}{n})，故相等。

2.消去引理

[w_n^{k+frac{n}{2}}=-w_n^k ]

这个从几何意义上考虑，(w_n^{k+frac{n}{2}})的辐角刚好比(w_n^k)多了(frac{2pi imes frac{n}{2}}{n}=pi)，刚好是一个平角，所以它们关于原点中心对称。互为相反数的复数关于原点中心对称。

3.（不知道叫什么的性质）其中(k)是整数

[w_n^{a+kn}=w_n^a ]

这个也很好理解：(w_n^n)的辐角是(2pi)，也就是转了一整圈回到了实轴正半轴上，这个复数就是实数(1)。乘上一个(w_n^n)就相当于给辐角加了一个周角，不会改变位置。

三、离散傅里叶变换（DFT）

DFT把多项式从系数表示法转换到点值表示法。

我们大力尝试把(n)次单位根的(0)到(n-1)次幂分别代入(n-1)次多项式(A(x))。首先先对(A(x))进行奇偶分组，得到：

[A_1(x)=sum_{i=0}^{frac{n-1}{2}}a_{2i}·x^i ]

[A_2(x)=sum_{i=0}^{frac{n-1}{2}}a_{2i+1}·x^i ]

则有：

[A(x)=A_1(x^2)+x·A_2(x^2) ]

把(w_n^k)代入，得：

[A(w_n^k)=A_1(w_n^{2k})+w_n^k·A_2(w_n^{2k}) ]

根据折半引理，有：

[A(w_n^k)=A_1(w_{frac{n}{2}}^k)+w_n^k·A_2(w_{frac{n}{2}}^k) ]

此时有一个特殊情况。当(frac{n}{2}leq k < n)，记(a=k-frac{n}{2})，则根据消去引理和上面第三个性质，有：

[w_n^a=-w_n^k ]

[w_{frac{n}{2}}^a=w_{frac{n}{2}}^k ]

所以

[A(w_n^k)=A_1(w_{frac{n}{2}}^a)-w_n^a·A_2(w_{frac{n}{2}}^a) ]

这样变换主要是为了防止右侧式子里出现(w_n)的不同次幂。

按照这个式子可以递归计算。共递归(O(log_2n))层，每层需要(O(n))枚举(k)，因此可以在(O(nlog_2n))内把系数表示法变为点值表示法。

四、离散傅里叶反变换（IDFT）

设(w_n^k(0leq k<n))代入多项式(A(x))后得到的点值为(b_k)，令多项式(B(x))：

[B(x)=sum_{i=0}^{n-1}b_ix^i ]

一个结论：设(w_n^{-k}(0leq k<n))代入(B(x))后得到的点值为(c_k)，则多项式(A(x))的系数(a_k=frac{c_k}{n})。下面来证明这个结论。

[egin{aligned} c_k&=sum_{i=0}^{n-1}b_i·w_n^{-ik}\ &=sum_{i=0}^{n-1}sum_{j=0}^{n-1}a_j·w_n^{ij}·w_n^{-ik}\ &=sum_{j=0}^{n-1}a_jsum_{i=0}^{n-1}w_n^{i(j-k)} end{aligned} ]

脑补一下(sum_{i=0}^{n-1}w_n^{i(j-k)})怎么求。可以看出这是一个公比为(w_n^{j-k})的等比数列。

当(j=k)，(w_n^0=1)，所以上式的值是(n)。

否则，根据等比数列求和公式，上式等于(w_n^{j-k}·frac{w_n^{n(j-k)}-1}{w_n^{j-k}-1})。(w_n^{n(j-k)})相当于转了整整((j-k))圈，所以值为(1)，这个等比数列的和为(0)。

由于当(j eq k)时上述等比数列值为(0)，所以(c_k=a_kn)，即(a_k=frac{c_k}{n})

至此，已经可以写出递归的FFT代码了。（常数大的一批qwq

实测洛谷3803有(77)分，会TLE两个点。

下面放上部分代码。建议继续阅读之前先充分理解这种写法。

const int N = (1e6 + 10) * 4;
const double PI = 3.141592653589793238462643383279502884197169399375105820974944;
struct cpx
{
	double a, b;
	cpx(){}
	cpx(const double x, const double y = 0)
		: a(x), b(y){}
	cpx operator + (const cpx &c) const
	{
		return (cpx){a + c.a, b + c.b};
	}
	cpx operator - (const cpx &c) const
	{
		return (cpx){a - c.a, b - c.b};
	}
	cpx operator * (const cpx &c) const
	{
		return (cpx){a * c.a - b * c.b, a * c.b + b * c.a};
	}
};
int n, m;
cpx a[N], b[N], buf[N];
inline cpx omega(const int n, const int k)
{
	return (cpx){cos(2 * PI * k / n), sin(2 * PI * k / n)};
}
void FFT(cpx *a, const int n, const bool inv)
{
	if (n == 1)
		return;
	static cpx buf[N];
	int mid = n >> 1;
	for (int i = 0; i < mid; i++)
	{
		buf[i] = a[i << 1];
		buf[i + mid] = a[i << 1 | 1];
	}
	memcpy(a, buf, sizeof(cpx[n]));
	//now a[i] is coefficient
	FFT(a, mid, inv), FFT(a + mid, mid, inv);
	//now a[i] is point value
	//a[i] is A1(w_n^i), a[i + mid] is A2(w_n^i)
	for (int i = 0; i < mid; i++)
	{//calculate point value of A(w_n^i) and A(w_n^{i+n/2})
		cpx x = omega(n, i * (inv ? -1 : 1));
		buf[i] = a[i] + x * a[i + mid];
		buf[i + mid] = a[i] - x * a[i + mid];
	}
	memcpy(a, buf, sizeof(cpx[n]));
}
int work()
{
	read(n), read(m);
	for (int i = 0; i <= n; i++)
	{
		int tmp;
		read(tmp);
		a[i] = tmp;
	}
	for (int i = 0; i <= m; i++)
	{
		int tmp;
		read(tmp);
		b[i] = tmp;
	}
	for (m += n, n = 1; n <= m; n <<= 1);
	FFT(a, n, false), FFT(b, n, false);
	for (int i = 0; i < n; i++)
		a[i] = a[i] * b[i];
	FFT(a, n, true);
	for (int i = 0; i <= m; i++)
		write((int)((a[i].a / n) + 0.5)), putchar(' ');
	return 0;
}

五、优化

递归太慢了，我们用迭代。

考虑奇偶分组的过程。每一次把奇数项分到前面，偶数项分到后面，如({a_0,a_1,a_2,a_3,a_4,a_5,a_6,a_7})，按照这个过程分组，最终每组只剩一个数的时候是({a_0,a_4,a_2,a_6,a_1,a_5,a_3,a_7})。经过仔mo细bai观da察lao，发现(1_{(10)}=001_{(2)})，(4_{(10)}=100_{(2)})，一个数最终变成的数的下标是它的下标的二进制表示颠倒过来（并不知道为什么）。我们可以递推算这个（其中lg2是(log_2n)）：

rev[i] = rev[i >> 1] >> 1 | ((i & 1) << (lg2 - 1))

可以先生成原数组经过(log_2n)次奇偶分组的最终状态，然后一层一层向上合并即可。

另外，标准库中的三角函数很慢，可以打出(w_n^k)和(w_n^{-k})的表（或者只打一个表，因为(w_n^{-k}=w_n^{n-k})）。当前分治的区间长度为(l)时，查询(w_l^k)相当于查询(w_n^{frac{nk}{l}})（这里要小心(nk)爆int……血的教训）。

代码如下（洛谷1919）

#include <cstdio>
#include <algorithm>
#include <cstring>
#include <cctype>
#include <cmath>
#include <string>
using namespace std;

namespace zyt
{
	template<typename T>
	inline void read(T &x)
	{
		char c;
		bool f = false;
		x = 0;
		do
			c = getchar();
		while (c != '-' && !isdigit(c));
		if (c == '-')
			f = true, c = getchar();
		do
			x = x * 10 + c - '0', c = getchar();
		while (isdigit(c));
		if (f)
			x = -x;
	}
	inline void read(char &c)
	{
		do
			c = getchar();
		while (!isgraph(c));
	}
	template<typename T>
	inline void write(T x)
	{
		static char buf[20];
		char *pos = buf;
		if (x < 0)
			putchar('-'), x = -x;
		do
			*pos++ = x % 10 + '0';
		while (x /= 10);
		while (pos > buf)
			putchar(*--pos);
	}
	const int N = (1 << 17) + 11;
	const double PI = acos(-1.0L);
	struct cpx
	{
		double a, b;
		cpx(const double x = 0, const double y = 0)
			:a(x), b(y) {}
		cpx operator + (const cpx &c) const
		{
			return (cpx){a + c.a, b + c.b};
		}
		cpx operator - (const cpx &c) const
		{
			return (cpx){a - c.a, b - c.b};
		}
		cpx operator * (const cpx &c) const
		{
			return (cpx){a * c.a - b * c.b, a * c.b + b * c.a};
		}
		cpx conj() const
		{
			return (cpx){a, -b};
		}
		~cpx(){}
	}omega[N], inv[N];
	int rev[N];
	void FFT(cpx *a, const int n, const cpx *w)
	{
		for (int i = 0; i < n; i++)
			if (i < rev[i])
				swap(a[i], a[rev[i]]);
		for (int len = 1; len < n; len <<= 1)
			for (int i = 0; i < n; i += (len << 1))
				for (int k = 0; k < len; k++)
				{
					cpx tmp = a[i + k] - w[k * (n / (len << 1))] * a[i + len + k];
					a[i + k] = a[i + k] + w[k * (n / (len << 1))] * a[i + len + k];
					a[i + len + k] = tmp;
				}
	}
	void init(const int lg2)
	{
		for (int i = 0; i < (1 << lg2); i++)
		{
			rev[i] = rev[i >> 1] >> 1 | (i & 1) << (lg2 - 1);
			omega[i] = (cpx){cos(2 * PI * i / (1 << lg2)), sin(2 * PI * i / (1 << lg2))};
			inv[i] = omega[i].conj();
		}
	}
	int work()
	{
		int n;
		static cpx a[N], b[N];
		read(n);
		for (int i = 0; i < n; i++)
		{
			char c;
			read(c);
			a[i] = c - '0';
		}
		for (int i = 0; i < n; i++)
		{
			char c;
			read(c);
			b[i] = c - '0';
		}
		for (int i = 0; (i << 1) < n; i++)
			swap(a[i], a[n - i - 1]), swap(b[i], b[n - i - 1]);
		int lg2 = 0, tmp = n << 1;
		for (n = 1; n < tmp; ++lg2, n <<= 1);
		init(lg2);
		FFT(a, n, omega), FFT(b, n, omega);
		for (int i = 0; i < n; i++)
			a[i] = a[i] * b[i];
		FFT(a, n, inv);
		bool st = false;
		static int ans[N];
		for (int i = 0; i < n; i++, n += (ans[n]))
		{
			ans[i] += (int)(a[i].a / n + 0.5);
			ans[i + 1] += ans[i] / 10;
			ans[i] %= 10;
		}
		for (int i = n - 1; i >= 0; i--)
			if (st || ans[i])
				write(ans[i]), st = true;
		return 0;
	}
}
int main()
{
	return zyt::work();
}