引入
如果给你一个多项式
A
(
x
)
=
∑
a
n
x
n
A(x) = ∑a_nx^n
A ( x ) = ∑ a n x n 和
B
(
x
)
=
∑
b
n
x
n
B(x) = ∑b_nx^n
B ( x ) = ∑ b n x n ,求
A
(
x
)
⋅
B
(
x
)
A(x) · B(x)
A ( x ) ⋅ B ( x ) ,你会怎么做,可能只能选择
O
(
n
2
)
O(n^2)
O ( n 2 ) ,做
∑
i
=
1
n
∑
j
=
1
m
a
i
∗
b
j
\sum_{i=1}^n\sum_{j=1}^mai*bj
∑ i = 1 n ∑ j = 1 m a i ∗ b j 但是你觉得那些毒瘤出题dalao,会让你轻轻松松
O
(
n
2
)
O(n^2)
O ( n 2 ) 水过去吗? 如此之高的时间复杂度永远成为了多项式乘法的一个瓶颈… 直到伟大的
F
F
T
FFT
F F T 就出现了,将其优化到
O
(
n
l
o
g
n
)
O(nlogn)
O ( n l o g n )
系数和点值表示法
对于求一个
n
−
1
n-1
n − 1 次的多项式
f
(
x
)
f(x)
f ( x ) ,可以有两种表示方法,并且可以互相转化
系数表示法
概念
f
(
x
)
=
∑
i
=
0
n
−
1
c
i
∗
x
i
f(x)=\sum_{i=0}^{n-1}c_i*x^i
f ( x ) = i = 0 ∑ n − 1 c i ∗ x i 什么意思呢?举个栗子:设
f
(
x
)
=
(
a
0
∗
x
0
+
a
1
∗
x
1
+
a
2
∗
x
2
)
∗
(
b
0
∗
x
0
+
b
1
∗
x
1
+
b
2
∗
x
2
)
f(x)=(a_0*x^0+a_1*x^1+a_2*x^2)*(b_0*x^0+b_1*x^1+b_2*x^2)
f ( x ) = ( a 0 ∗ x 0 + a 1 ∗ x 1 + a 2 ∗ x 2 ) ∗ ( b 0 ∗ x 0 + b 1 ∗ x 1 + b 2 ∗ x 2 ) , 那么一一相乘将之拆成了九项式子相加,即
f
(
x
)
=
a
0
b
0
∗
x
0
+
a
0
b
1
∗
x
1
+
a
0
b
2
∗
x
2
+
a
1
b
0
∗
x
1
+
a
1
b
1
∗
x
2
+
a
1
b
2
∗
x
3
+
a
2
b
0
∗
x
2
+
a
2
b
1
∗
x
3
+
a
2
b
2
∗
x
4
f(x)=a_0b_0*x^0+a_0b_1*x^1+a_0b_2*x^2+a_1b_0*x^1+a_1b_1*x^2+a_1b_2*x^3+a_2b_0*x^2+a_2b_1*x^3+a_2b_2*x^4
f ( x ) = a 0 b 0 ∗ x 0 + a 0 b 1 ∗ x 1 + a 0 b 2 ∗ x 2 + a 1 b 0 ∗ x 1 + a 1 b 1 ∗ x 2 + a 1 b 2 ∗ x 3 + a 2 b 0 ∗ x 2 + a 2 b 1 ∗ x 3 + a 2 b 2 ∗ x 4 , 进行同类项合并变成
f
(
x
)
=
a
0
b
0
∗
x
0
+
(
a
0
b
1
+
a
1
b
0
)
∗
x
1
+
(
a
0
b
2
+
a
1
b
1
+
a
2
b
0
)
∗
x
2
+
(
a
1
b
2
+
a
2
b
1
)
∗
x
3
+
a
2
b
2
∗
x
4
f(x)=a_0b_0*x^0+(a_0b_1+a_1b_0)*x_1+(a_0b_2+a_1b_1+a_2b_0)*x^2+(a_1b_2+a_2b_1)*x^3+a_2b_2*x^4
f ( x ) = a 0 b 0 ∗ x 0 + ( a 0 b 1 + a 1 b 0 ) ∗ x 1 + ( a 0 b 2 + a 1 b 1 + a 2 b 0 ) ∗ x 2 + ( a 1 b 2 + a 2 b 1 ) ∗ x 3 + a 2 b 2 ∗ x 4 那么这里的
c
0
=
a
0
b
0
,
c
1
=
(
a
0
b
1
+
a
1
b
0
)
,
c
2
=
(
a
0
b
2
+
a
1
b
1
+
a
2
b
0
)
,
c
3
=
(
a
1
b
2
+
a
2
b
1
)
,
c
4
=
a
2
b
2
c_0=a_0b_0,c_1=(a_0b_1+a_1b_0),c2_=(a_0b_2+a_1b_1+a_2b_0),c_3=(a_1b_2+a_2b_1),c_4=a_2b_2
c 0 = a 0 b 0 , c 1 = ( a 0 b 1 + a 1 b 0 ) , c 2 = ( a 0 b 2 + a 1 b 1 + a 2 b 0 ) , c 3 = ( a 1 b 2 + a 2 b 1 ) , c 4 = a 2 b 2 用中国话来理解就是
c
i
c_i
c i 是我们整合后的对于
x
i
x^i
x i 的系数和,将这些相加就是最后的
f
(
x
)
f(x)
f ( x )
系数表示法–>点值表示法
就是把
i
i
i 点带进去就可以算出来每一个点
i
i
i 的函数值
y
i
=
∑
j
=
0
n
−
1
c
j
∗
x
i
j
y_i=\sum_{j=0}^{n-1}c_j*x_i^j
y i = j = 0 ∑ n − 1 c j ∗ x i j
系数表示法的优缺点
优
点
优点
优 点 多项式的求值计算效率高,对于
A
(
x
)
=
a
0
+
a
1
∗
x
1
+
a
2
∗
x
2
.
.
.
a
n
∗
x
n
A(x)=a_0+a_1*x^1+a_2*x^2...a_n*x^n
A ( x ) = a 0 + a 1 ∗ x 1 + a 2 ∗ x 2 . . . a n ∗ x n ,提一个同类项
x
x
x ,变成
A
(
x
)
=
a
0
+
x
(
a
1
+
a
2
∗
x
+
.
.
.
a
n
∗
x
n
−
1
)
A(x)=a_0+x(a_1+a_2*x+...a_n*x^{n-1})
A ( x ) = a 0 + x ( a 1 + a 2 ∗ x + . . . a n ∗ x n − 1 ) ,不停地提
x
x
x 出来,我们就可以在
a
0
a_0
a 0 处通过霍纳法则
O
(
n
)
O(n)
O ( n ) 算出来
多项式的加减计算效率也高,对于
A
(
x
)
=
a
0
+
a
1
∗
x
1
+
a
2
∗
x
2
+
.
.
.
+
a
n
−
1
∗
x
n
−
1
,
B
(
x
)
=
b
0
+
b
1
∗
x
1
+
.
.
.
+
b
n
−
1
∗
x
n
−
1
A(x)=a_0+a_1*x^1+a_2*x^2+...+a_{n-1}*x^{n-1},B(x)=b_0+b_1*x^1+...+b_{n-1}*x^{n-1}
A ( x ) = a 0 + a 1 ∗ x 1 + a 2 ∗ x 2 + . . . + a n − 1 ∗ x n − 1 , B ( x ) = b 0 + b 1 ∗ x 1 + . . . + b n − 1 ∗ x n − 1 ,可以通过
O
(
n
)
O(n)
O ( n ) ,算出
C
(
x
)
=
c
0
+
c
1
∗
x
1
+
.
.
.
+
c
n
−
1
∗
x
n
−
1
C(x)=c_0+c_1*x^1+...+c_{n-1}*x^{n-1}
C ( x ) = c 0 + c 1 ∗ x 1 + . . . + c n − 1 ∗ x n − 1 ,对于每一个
i
∈
[
0
,
n
)
i∈[0,n)
i ∈ [ 0 , n ) ,都有
c
i
=
a
i
+
b
i
c_i=a_i+b_i
c i = a i + b i ,其实就是直接系数方面的相加减
缺
点
缺点
缺 点 多项式的乘法计算时间复杂度将达到
O
(
n
2
)
O(n^2)
O ( n 2 ) 1.感性理解就是我们要枚举
A
A
A 里面的每一项,再与
B
B
B 里面的每一项进行相乘再合并同类项 2.数学公式表达则是:解释一下为什么上界是
2
n
−
2
2n-2
2 n − 2 ,额其实很好想,
A
,
B
A,B
A , B 的最高项都是
x
n
−
1
x^{n-1}
x n − 1 相乘肯定就是
C
C
C 的最高项也就是
x
2
n
−
2
x^{2n-2}
x 2 n − 2
C
(
x
)
=
∑
i
=
0
2
n
−
2
c
i
∗
x
i
,
c
i
=
∑
j
=
0
j
a
j
b
i
−
j
C(x)=\sum_{i=0}^{2n-2}c_i*x^i,c_i=\sum_{j=0}^ja_jb_{i-j}
C ( x ) = i = 0 ∑ 2 n − 2 c i ∗ x i , c i = j = 0 ∑ j a j b i − j
点值表示法
概念
给一堆点对
(
x
1
,
x
2
,
x
3
.
.
.
x
n
)
,
(
y
1
,
y
2
,
y
3
.
.
.
y
n
)
(x_1,x_2,x_3...x_n),(y_1,y_2,y_3...y_n)
( x 1 , x 2 , x 3 . . . x n ) , ( y 1 , y 2 , y 3 . . . y n ) ,满足
f
(
x
i
)
=
y
i
f(x_i)=y_i
f ( x i ) = y i ,即
(
x
i
,
y
i
)
(x_i,y_i)
( x i , y i ) 是曲线上
y
=
f
(
x
)
y=f(x)
y = f ( x ) 的点 用中国话来讲就是我们知道了平面直角坐标系上某条函数的
n
n
n 对点,然后就可以勾勒出这一条唯一的函数图象
拓展一下:举个例子
f
(
y
)
=
x
3
+
1
f(y)=x^3+1
f ( y ) = x 3 + 1 就必须要至少知道函数图象上的四个点才能勾勒出这一条唯一的图象,否则可能出现多个图象 简单证明一下: 1.感性理解,我们说两个点确定一条直线,也就是说要两个点才能画出一次函数,而我们的抛物线又要三个点才能画出二次函数。。。以此类推我们需要四个点勾勒出三次函数 2.运用解方程的方法,我们面对四个点会设
f
(
x
)
=
a
∗
x
3
+
b
∗
x
2
+
c
∗
x
1
+
d
f(x)=a*x^3+b*x^2+c*x^1+d
f ( x ) = a ∗ x 3 + b ∗ x 2 + c ∗ x 1 + d ,四个不同的方程对应四个解, 感觉好像是一样的证明,别管这么多了,反正都是简单证明,口胡口胡
点值表达式–>系数表达式
f
(
x
)
=
∑
i
=
0
n
−
1
y
i
∏
j
≠
i
(
x
−
x
j
)
∏
j
≠
i
(
x
i
−
x
j
)
f(x)=\sum_{i=0}^{n-1}y_i\frac{\prod_{j\neq i}(x-x_j)}{\prod_{j\ne i}(x_i-x_j)}
f ( x ) = i = 0 ∑ n − 1 y i ∏ j = i ( x i − x j ) ∏ j = i ( x − x j ) 这个证明要用到拉格朗日插值法 ,但是因为我们一般不用这玩意儿,老子就不搞了,太现实了
点值表达式的优缺点
优
点
优点
优 点 加减法计算效率高:对两个点值表达的次数界为
n
n
n 的多项式,计算只有
O
(
n
)
O(n)
O ( n ) 如果
C
(
x
)
=
A
(
x
)
+
b
(
x
)
C(x)=A(x)+b(x)
C ( x ) = A ( x ) + b ( x ) ,那么
C
(
x
k
)
=
A
(
x
k
)
+
B
(
x
k
)
C(x_k)=A(x_k)+B(x_k)
C ( x k ) = A ( x k ) + B ( x k ) 更具体而言:对于给定的
A
(
x
0
,
y
0
)
,
(
x
1
,
y
1
)
.
.
.
(
x
n
−
1
,
y
n
−
1
)
)
,
B
(
x
0
,
y
0
′
)
,
(
x
1
,
y
1
′
)
.
.
.
(
x
n
−
1
,
y
n
−
1
′
)
)
A{(x_0,y_0),(x_1,y_1)...(x_{n-1},y_{n-1}))},B{(x_0,y_0'),(x_1,y_1')...(x_{n-1},y_{n-1}'))}
A ( x 0 , y 0 ) , ( x 1 , y 1 ) . . . ( x n − 1 , y n − 1 ) ) , B ( x 0 , y 0 ′ ) , ( x 1 , y 1 ′ ) . . . ( x n − 1 , y n − 1 ′ ) ) ,那么
A
A
A 和
B
B
B 对相同的
n
n
n 个点对求和,
C
C
C 的点对就表示成
C
(
x
0
,
y
0
+
y
0
′
)
,
(
x
1
,
y
1
+
y
1
′
)
.
.
.
(
x
n
−
1
,
y
n
−
1
+
y
n
−
1
′
)
)
C{(x_0,y_0+y_0'),(x_1,y_1+y_1')...(x_{n-1},y_{n-1}+y_{n-1}'))}
C ( x 0 , y 0 + y 0 ′ ) , ( x 1 , y 1 + y 1 ′ ) . . . ( x n − 1 , y n − 1 + y n − 1 ′ ) )
乘法计算效率也高:对两个点值表达的次数界为
n
n
n 的多项式,计算只有
O
(
n
)
O(n)
O ( n ) 如果
C
(
x
)
=
A
(
x
)
∗
b
(
x
)
C(x)=A(x)*b(x)
C ( x ) = A ( x ) ∗ b ( x ) ,那么
C
(
x
k
)
=
A
(
x
k
)
∗
B
(
x
k
)
C(x_k)=A(x_k)*B(x_k)
C ( x k ) = A ( x k ) ∗ B ( x k ) 这样只需要将
A
,
B
A,B
A , B 进行逐点相乘就可以求出了
C
C
C ,但是
C
C
C 的次数界要达到
2
n
2n
2 n ,
A
,
B
A,B
A , B 次数界也只有
n
n
n ,所以我们必须对
A
,
B
A,B
A , B 进行扩点处理,将其扩大成
C
C
C 的次数界 更具体而言:扩充
A
(
x
0
,
y
0
)
,
(
x
1
,
y
1
)
.
.
.
(
x
2
n
−
1
,
y
2
n
−
1
)
)
,
B
(
x
0
,
y
0
′
)
,
(
x
1
,
y
1
′
)
.
.
.
(
x
2
n
−
1
,
y
2
n
−
1
′
)
)
A{(x_0,y_0),(x_1,y_1)...(x_{2n-1},y_{2n-1}))},B{(x_0,y_0'),(x_1,y_1')...(x_{2n-1},y_{2n-1}'))}
A ( x 0 , y 0 ) , ( x 1 , y 1 ) . . . ( x 2 n − 1 , y 2 n − 1 ) ) , B ( x 0 , y 0 ′ ) , ( x 1 , y 1 ′ ) . . . ( x 2 n − 1 , y 2 n − 1 ′ ) ) ,
C
C
C 的点对就表示成
C
(
x
0
,
y
0
+
y
0
′
)
,
(
x
1
,
y
1
+
y
1
′
)
.
.
.
(
x
n
−
1
,
y
2
n
−
1
+
y
2
n
−
1
′
)
)
C{(x_0,y_0+y_0'),(x_1,y_1+y_1')...(x_{n-1},y_{2n-1}+y_{2n-1}'))}
C ( x 0 , y 0 + y 0 ′ ) , ( x 1 , y 1 + y 1 ′ ) . . . ( x n − 1 , y 2 n − 1 + y 2 n − 1 ′ ) )
缺
点
缺点
缺 点 我们如何求一个新点的值呢?是不是只能转化成系数表达式,用
O
(
n
)
O(n)
O ( n ) 计算,但是时间复杂度就在转化这里达到了
O
(
n
2
)
O(n^2)
O ( n 2 )
换言之:对于多项式
A
(
x
)
A(x)
A ( x ) 和
B
(
x
)
B(x)
B ( x ) ,假设
d
e
g
A
+
d
e
g
B
<
n
degA + degB < n
d e g A + d e g B < n (deg是数学中的表示多项式的次数的玩意儿),如果有
A
A
A 和
B
B
B 在
x
0
,
x
1
,
.
.
.
,
x
n
−
1
{x_0, x_1, . . . , x_{n-1}}
x 0 , x 1 , . . . , x n − 1 处的点值表示,则
(
A
⋅
B
)
(A · B)
( A ⋅ B ) 的点值表示可以通过
(
A
⋅
B
)
(
x
i
)
=
A
(
x
i
)
⋅
B
(
x
i
)
(A · B)(x_i) = A(x_i) · B(x_i)
( A ⋅ B ) ( x i ) = A ( x i ) ⋅ B ( x i ) 在
O
(
N
)
O(N)
O ( N ) 时间内得到,还原
(
A
⋅
B
)
(A · B)
( A ⋅ B ) 为系数表示就实现了多项式乘法,但是还原的时间
O
(
n
2
)
O(n^2)
O ( n 2 )
举个栗子:所以如果有一道题给我们系数表达式,最后又让我们输出结果的系数表达式,我们用以上的方法虽然计算成点值表达式只用了
O
(
n
)
O(n)
O ( n ) ,但是最后在转化成系数表达式的时候,时间复杂度还是蹭蹭蹭地涨到了
O
(
n
2
)
O(n^2)
O ( n 2 ) ,看上面的式子,我们会面临枚举
i
,
j
i,j
i , j 的难题,还是没有在本质上解决问题
但是我们的
F
F
T
FFT
F F T 就剋以做到以上的转化且只用
O
(
n
l
o
g
n
)
O(nlogn)
O ( n l o g n )
1.把已知的一个多项式转化成对应的点值表示 2.把已知的点值表示转换成对应的多项式
说了这么多,还是没有告诉我怎么做啊!!!不急慢慢往下看
复数和单位复根
复数
我们把形如
z
=
a
+
b
i
z=a+bi
z = a + b i (a,b均为实数)的数称为复数 ,其中a称为实部 ,b称为虚部 ,i称为虚数单位 ,
i
=
−
1
i=\sqrt{-1}
i = − 1
,即
i
2
=
−
1
i^2=-1
i 2 = − 1
我们可以把复数当做一个向量丢在二维平面,即平面直角坐标系
百度百科说:复数之间的加减乘(除)是可以直接算的 ,除法因为不怎么用就不说了 1.加法法则 设
z
1
=
a
+
b
i
,
z
2
=
c
+
d
i
z1=a+bi,z2=c+di
z 1 = a + b i , z 2 = c + d i 是任意两个复数, 则它们的和是
(
a
+
b
i
)
+
(
c
+
d
i
)
=
(
a
+
c
)
+
(
b
+
d
)
i
(a+bi)+(c+di)=(a+c)+(b+d)i
( a + b i ) + ( c + d i ) = ( a + c ) + ( b + d ) i 两个复数的和依然是复数,它的实部是原来两个复数实部的和,它的虚部是原来两个虚部的和 ,当然复数的加法满足交换律和结合律
2.减法法则 设
z
1
=
a
+
b
i
,
z
2
=
c
+
d
i
z1=a+bi,z2=c+di
z 1 = a + b i , z 2 = c + d i 是任意两个复数, 则它们的差是
(
a
+
b
i
)
−
(
c
+
d
i
)
=
(
a
−
c
)
+
(
b
−
d
)
i
(a+bi)-(c+di)=(a-c)+(b-d)i
( a + b i ) − ( c + d i ) = ( a − c ) + ( b − d ) i 两个复数的差依然是复数,它的实部是原来两个复数实部的差,它的虚部是原来两个虚部的差
3.乘法法则 设
z
1
=
a
+
b
i
,
z
2
=
c
+
d
i
(
a
、
b
、
c
、
d
∈
R
)
z1=a+bi,z2=c+di(a、b、c、d∈R)
z 1 = a + b i , z 2 = c + d i ( a 、 b 、 c 、 d ∈ R ) 是任意两个复数, 那么它们的积
(
a
+
b
i
)
(
c
+
d
i
)
=
(
a
c
−
b
d
)
+
(
b
c
+
a
d
)
i
(a+bi)(c+di)=(ac-bd)+(bc+ad)i
( a + b i ) ( c + d i ) = ( a c − b d ) + ( b c + a d ) i 其实就是把两个复数相乘,类似两个多项式相乘 ,展开得:
a
c
+
a
d
i
+
b
c
i
+
b
d
i
2
ac+adi+bci+bdi^2
a c + a d i + b c i + b d i 2 ,因为
i
2
=
−
1
i^2=-1
i 2 = − 1 ,所以结果是
(
a
c
-
b
d
)
+
(
b
c
+
a
d
)
i
(ac-bd)+(bc+ad)i
( a c - b d ) + ( b c + a d ) i ,两个复数的积仍然是一个复数 此时,复数相乘表现为幅角相加,模长相乘
单位复根
定义
n
n
n 次单位复根为
ω
n
i
\omega_n^i
ω n i ,满足
x
n
=
1
x^n=1
x n = 1 的复数
x
x
x ,表现在平面直角坐标系中
单位复根满足的性质 如下:可以想象成在单位圆上的旋转
ω
n
a
∗
ω
n
b
=
ω
n
a
+
b
\omega_n^a*\omega_n^b=\omega_n^{a+b}
ω n a ∗ ω n b = ω n a + b
ω
n
i
=
ω
n
i
+
n
\omega_n^i=\omega_n^{i+n}
ω n i = ω n i + n ,也就是转了一圈单位圆最后在坐标系上只转了幅角为i
ω
k
n
k
i
=
ω
n
i
\omega_{kn}^{ki}=\omega_n^i
ω k n k i = ω n i
ω
n
i
=
−
ω
n
i
+
n
/
2
\omega_n^i=-\omega_n^{i+n/2}
ω n i = − ω n i + n / 2 ,
−
-
− 可以理解为倒着转
单位复根的作用:因为单位复根刚好有
n
n
n 个,可以分别一一对应我们的
n
−
1
n-1
n − 1 次多项式,形成点值表达式
{
(
ω
n
0
,
f
(
ω
n
0
)
)
,
(
ω
n
1
,
f
(
ω
n
1
)
)
,
(
ω
n
2
,
f
(
ω
n
2
)
)
.
.
.
,
(
ω
n
n
−
1
,
f
(
ω
n
n
−
1
)
)
}
\{(\omega_n^0,f(\omega_n^0)),(\omega_n^1,f(\omega_n^1)),(\omega_n^2,f(\omega_n^2))...,(\omega_n^{n-1},f(\omega_n^{n-1}))\}
{ ( ω n 0 , f ( ω n 0 ) ) , ( ω n 1 , f ( ω n 1 ) ) , ( ω n 2 , f ( ω n 2 ) ) . . . , ( ω n n − 1 , f ( ω n n − 1 ) ) }
提前剧透一下: 我们的
F
F
T
FFT
F F T 是要求
n
n
n 为2的幂次的,所以像上图的五个单位复根,其实我们是分成了八个单位复根,然后就只用前五个,如图分成了八份,只用其中涂绿了的五份
傅里叶正变换(一般形式–>点值表达式)
理论
FFT 的正变换实现,是基于对多项式进行奇偶项分开递归再合并的分治进行的 对于
n
−
1
n-1
n − 1 次多项式,我们选择插入
n
n
n 次单位根求出其点值表达式, 这就跟我们引入单位复根的原因相结合了
设
f
(
x
)
=
a
0
+
a
1
∗
x
1
+
a
2
∗
x
2
+
.
.
.
+
a
n
−
1
∗
x
n
−
1
f(x)=a_0+a_1*x^1+a_2*x^2+...+a_{n-1}*x^{n-1}
f ( x ) = a 0 + a 1 ∗ x 1 + a 2 ∗ x 2 + . . . + a n − 1 ∗ x n − 1 ,
f
0
(
x
)
=
a
0
+
a
2
∗
x
+
a
4
∗
x
2
+
a
6
∗
x
3
+
.
.
.
f_0(x)=a_0+a_2*x+a_4*x^2+a_6*x^3+...
f 0 ( x ) = a 0 + a 2 ∗ x + a 4 ∗ x 2 + a 6 ∗ x 3 + . . . ,
f
1
(
x
)
=
a
1
+
a
3
∗
x
+
a
5
∗
x
2
+
.
.
.
f_1(x)=a_1+a_3*x+a_5*x^2+...
f 1 ( x ) = a 1 + a 3 ∗ x + a 5 ∗ x 2 + . . . 则
f
(
x
)
=
f
0
(
x
2
)
+
x
∗
f
1
(
x
2
)
f(x)=f_0(x^2)+x*f_1(x^2)
f ( x ) = f 0 ( x 2 ) + x ∗ f 1 ( x 2 ) ,证明的话把这个式子展开就行了,跳过 也就是说我们把
f
(
x
)
f(x)
f ( x ) 分成了两类,奇数项分成一类,偶数项分成一类,去得到上列公式
接着,令
n
=
2
∗
p
n=2*p
n = 2 ∗ p ,那么就有以下转化,如果你看不懂证明推到请回到单位复根性质一处重新来过谢谢配合
f
(
ω
n
i
)
=
f
0
(
(
ω
n
/
2
i
/
2
)
2
)
+
ω
n
i
∗
f
1
(
(
w
n
/
2
i
/
2
)
2
)
=
f
0
(
ω
p
i
)
+
ω
n
i
∗
f
1
(
ω
p
i
)
f(\omega_n^i)=f_0((\omega_{n/2}^{i/2})^2)+\omega_n^i*f1((w_{n/2}^{i/2})^2)=f_0(\omega_p^i)+\omega_n^i*f_1(\omega_p^i)
f ( ω n i ) = f 0 ( ( ω n / 2 i / 2 ) 2 ) + ω n i ∗ f 1 ( ( w n / 2 i / 2 ) 2 ) = f 0 ( ω p i ) + ω n i ∗ f 1 ( ω p i )
f
(
ω
n
i
+
p
)
=
f
0
(
(
ω
n
/
2
(
i
+
p
)
/
2
)
2
)
+
ω
n
i
+
p
∗
f
1
(
(
w
n
/
2
(
i
+
p
)
/
2
)
2
)
f(\omega_n^{i+p})=f_0((\omega_{n/2}^{(i+p)/2})^2)+\omega_n^{i+p}*f1((w_{n/2}^{(i+p)/2})^2)
f ( ω n i + p ) = f 0 ( ( ω n / 2 ( i + p ) / 2 ) 2 ) + ω n i + p ∗ f 1 ( ( w n / 2 ( i + p ) / 2 ) 2 )
=
f
0
(
ω
p
i
+
p
)
+
ω
n
i
+
p
∗
f
1
(
ω
p
i
+
p
)
=
f
0
(
ω
p
i
)
−
ω
n
i
∗
f
1
(
ω
p
i
)
=f_0(\omega_p^{i+p})+\omega_n^{i+p}*f_1(\omega_p^{i+p})=f_0(\omega_p^i)-\omega_n^i*f_1(\omega_p^i)
= f 0 ( ω p i + p ) + ω n i + p ∗ f 1 ( ω p i + p ) = f 0 ( ω p i ) − ω n i ∗ f 1 ( ω p i ) 由上述式子我们可以知道,如果我们知道
f
0
(
ω
p
i
)
,
f
1
(
ω
p
i
)
f_0(\omega_p^i),f_1(\omega_p^i)
f 0 ( ω p i ) , f 1 ( ω p i ) ,我们就可以
O
(
1
)
O(1)
O ( 1 ) 算出
f
(
ω
n
i
)
,
f
(
ω
n
i
+
n
/
2
)
f(\omega_n^i),f(\omega_n^{i+n/2})
f ( ω n i ) , f ( ω n i + n / 2 ) 那么如果我们递归求出了
f
0
(
x
)
,
f
1
(
x
)
f_0(x),f_1(x)
f 0 ( x ) , f 1 ( x ) 的
n
/
2
n/2
n / 2 次的插值 ,我们就能
O
(
n
)
O(n)
O ( n ) 的算出
f
(
x
)
f(x)
f ( x ) 的
n
n
n 次单位根的插值,所以时间复杂度则是
O
(
n
l
o
g
n
)
O(nlogn)
O ( n l o g n ) 一言以蔽之:当
x
x
x 取遍所有
n
n
n 次单位复根时,
x
2
x^2
x 2 取遍所有
(
n
/
2
)
(n/2)
( n / 2 ) 次单位复根
递归模板
struct complex {
double real, i;
complex ( ) { }
complex ( double xx, double yy ) {
real = xx;
i = yy;
}
} a[ MAXN] , b[ MAXN] ;
complex operator + ( complex s, complex t ) {
return complex ( s. real + t. real, s. i + t. i ) ;
}
complex operator - ( complex s, complex t ) {
return complex ( s. real - t. real, s. i - t. i ) ;
}
complex operator * ( complex s, complex t ) {
return complex ( s. real * t. real - s. i * t. i, s. real * t. i + s. i * t. real ) ;
}
const double pi = acos ( - 1.0 ) ;
void FFT ( int limit, complex * a, int inv ) {
if ( limit == 1 )
return ;
complex a1[ limit >> 1 ] , a2[ limit >> 1 ] ;
for ( int i = 0 ; i < limit; i + = 2 ) {
a1[ i >> 1 ] = a[ i] ;
a2[ i >> 1 ] = a[ i + 1 ] ;
}
FFT ( limit >> 1 , a1, inv ) ;
FFT ( limit >> 1 , a2, inv ) ;
complex w = complex ( cos ( 2 * pi / limit ) , inv * sin ( 2 * pi / limit ) ) , p = complex ( 1 , 0 ) ;
for ( int i = 0 ; i < ( limit >> 1 ) ; i ++ , p = p * w ) {
a[ i] = a1[ i] + p * a2[ i] ;
a[ i + ( limit >> 1 ) ] = a1[ i] - p * a2[ i] ;
}
}
傅里叶逆变换(点值表达式–>一般形式)
其实正变换的实现就是下列的矩阵相乘,反正我是没看出来
[
(
ω
n
0
)
0
(
ω
n
0
)
1
.
.
.
(
ω
n
0
)
n
−
1
(
ω
n
1
)
0
(
ω
n
1
)
1
.
.
.
(
ω
n
1
)
n
−
1
.
.
.
.
.
.
.
.
.
.
.
.
(
ω
n
n
−
1
)
0
(
ω
n
n
−
1
)
1
.
.
.
(
ω
n
n
−
1
)
n
−
1
]
×
[
a
0
a
1
a
2
.
.
.
a
n
−
1
]
=
[
f
(
w
n
0
)
f
(
w
n
1
)
f
(
w
n
2
)
.
.
.
f
(
w
n
n
−
1
)
]
\begin{bmatrix} \ (\omega_n^0)^0 & (\omega_n^0)^1 & ... &(\omega_n^0)^{n-1} \\ \\ (\omega_n^1)^0 & (\omega_n^1)^1 & ... & (\omega_n^1)^{n-1} \\ \\.&.&...&. \\.&.&...&. \\ (\omega_n^{n-1})^0 & (\omega_n^{n-1})^1 & ... & (\omega_n^{n-1})^{n-1} \\ \end{bmatrix} \times \begin{bmatrix} \ a_0 \\ \ a_1\\ \ a_2 \\ \ .\\ \ .\\ \ .\\ \ a_{n-1} \end{bmatrix} = \begin{bmatrix} \ f(w_n^0) \\ \ f(w_n^1) \\ \ f(w_n^2)\\ \ . \\ \ . \\ \ . \\ \ f(w_n^{n-1}) \\ \end{bmatrix}
⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ ( ω n 0 ) 0 ( ω n 1 ) 0 . . ( ω n n − 1 ) 0 ( ω n 0 ) 1 ( ω n 1 ) 1 . . ( ω n n − 1 ) 1 . . . . . . . . . . . . . . . ( ω n 0 ) n − 1 ( ω n 1 ) n − 1 . . ( ω n n − 1 ) n − 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ × ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ a 0 a 1 a 2 . . . a n − 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ f ( w n 0 ) f ( w n 1 ) f ( w n 2 ) . . . f ( w n n − 1 ) ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ 矩阵相乘的第i行第j列等于求和第一个矩阵的第i行的每一个数和第二个矩阵的第j列的每一个数的乘积 我们记
V
V
V 就为(系数矩阵)上列的第一个矩阵,接下来再定义一个矩阵
D
D
D ,
D
=
[
(
ω
n
−
0
)
0
(
ω
n
−
0
)
1
.
.
.
(
ω
n
−
0
)
n
−
1
(
ω
n
−
1
)
0
(
ω
n
−
1
)
1
.
.
.
(
ω
n
−
1
)
n
−
1
.
.
.
.
.
.
.
.
.
.
.
.
(
ω
n
−
n
+
1
)
0
(
ω
n
−
n
+
1
)
1
.
.
.
(
ω
n
−
n
+
1
)
n
−
1
]
D= \begin{bmatrix} \ (\omega_n^{-0})^0 & (\omega_n^{-0})^1 & ... &(\omega_n^{-0})^{n-1} \\ \\ (\omega_n^{-1})^0 & (\omega_n^{-1})^1 & ... & (\omega_n^{-1})^{n-1} \\ \\.&.&...&. \\.&.&...&. \\ (\omega_n^{-n+1})^0 & (\omega_n^{-n+1})^1 & ... & (\omega_n^{-n+1})^{n-1} \\ \end{bmatrix}
D = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ ( ω n − 0 ) 0 ( ω n − 1 ) 0 . . ( ω n − n + 1 ) 0 ( ω n − 0 ) 1 ( ω n − 1 ) 1 . . ( ω n − n + 1 ) 1 . . . . . . . . . . . . . . . ( ω n − 0 ) n − 1 ( ω n − 1 ) n − 1 . . ( ω n − n + 1 ) n − 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤
那么计算矩阵
D
∗
V
D*V
D ∗ V 的
i
,
j
i,j
i , j 项,分为两种情况 ①:
i
=
j
i=j
i = j ,(任何数除零外的零次方都为1)
(
D
∗
V
)
i
,
j
=
∑
k
=
0
n
−
1
D
i
,
k
∗
V
k
,
j
=
∑
k
=
0
n
−
1
ω
n
−
i
k
∗
ω
n
j
k
=
∑
k
=
0
n
−
1
ω
n
(
j
−
i
)
k
=
∑
k
=
0
n
−
1
ω
n
0
=
n
(D*V)_{i,j}=\sum_{k=0}^{n-1}D_{i,k}*V_{k,j}=\sum_{k=0}^{n-1}\omega_n^{-ik}*\omega_n^{jk}=\sum_{k=0}^{n-1}\omega_n^{(j-i)k}=\sum_{k=0}^{n-1}\omega_n^0=n
( D ∗ V ) i , j = k = 0 ∑ n − 1 D i , k ∗ V k , j = k = 0 ∑ n − 1 ω n − i k ∗ ω n j k = k = 0 ∑ n − 1 ω n ( j − i ) k = k = 0 ∑ n − 1 ω n 0 = n ②:
i
≠
j
i\ne j
i = j
(
D
∗
V
)
i
,
j
=
∑
k
=
0
n
−
1
D
i
,
k
∗
V
k
,
j
=
∑
k
=
0
n
−
1
ω
n
−
i
k
∗
ω
n
j
k
=
∑
k
=
0
n
−
1
ω
n
(
j
−
i
)
k
(D*V)_{i,j}=\sum_{k=0}^{n-1}D_{i,k}*V_{k,j}=\sum_{k=0}^{n-1}\omega_n^{-ik}*\omega_n^{jk}=\sum_{k=0}^{n-1}\omega_n^{(j-i)k}
( D ∗ V ) i , j = k = 0 ∑ n − 1 D i , k ∗ V k , j = k = 0 ∑ n − 1 ω n − i k ∗ ω n j k = k = 0 ∑ n − 1 ω n ( j − i ) k
=
(
ω
n
j
−
i
)
0
+
(
ω
n
j
−
i
)
1
+
(
ω
n
j
−
i
)
2
+
.
.
.
+
(
ω
n
j
−
i
)
n
−
1
=
n
=(\omega_n^{j-i})^0+(\omega_n^{j-i})^1+(\omega_n^{j-i})^2+...+(\omega_n^{j-i})^{n-1}=n
= ( ω n j − i ) 0 + ( ω n j − i ) 1 + ( ω n j − i ) 2 + . . . + ( ω n j − i ) n − 1 = n 发现这个公式是一个以
ω
n
j
−
1
\omega_n^{j-1}
ω n j − 1 为公比的等比数列, 摘自百度百科 ,那么就可以转换为
(
ω
n
j
−
i
)
0
−
(
ω
n
j
−
i
)
1
∗
(
ω
n
j
−
i
)
n
−
1
1
−
(
ω
n
j
−
i
)
1
=
1
−
(
ω
n
j
−
i
)
n
1
−
ω
n
j
−
i
=
0
1
−
ω
n
j
−
i
=
0
\frac{(\omega_n^{j-i})^0-(\omega_n^{j-i})^1*(\omega_n^{j-i})^{n-1}}{1-(\omega_n^{j-i})^1}=\frac{1-(\omega_n^{j-i})^n}{1-\omega_n^{j-i}}=\frac{0}{1-\omega_n^{j-i}}=0
1 − ( ω n j − i ) 1 ( ω n j − i ) 0 − ( ω n j − i ) 1 ∗ ( ω n j − i ) n − 1 = 1 − ω n j − i 1 − ( ω n j − i ) n = 1 − ω n j − i 0 = 0 单位复根的
n
n
n 次方
=
0
=0
= 0 ,见上文单位复根定义,因为此公式的前提是
j
≠
i
j\ne i
j = i ,所以分母一定不为
0
0
0 , 故
j
≠
i
j\ne i
j = i 时,
(
D
∗
V
)
i
,
j
=
0
(D*V)_{i,j}=0
( D ∗ V ) i , j = 0
用
D
∗
V
∗
f
D*V*f
D ∗ V ∗ f 去转换为点值表达式,去带最上面的这一板块的公式,你会惊讶地发现
[
(
ω
n
−
0
)
0
(
ω
n
−
0
)
1
.
.
.
(
ω
n
−
0
)
n
−
1
(
ω
n
−
1
)
0
(
ω
n
−
1
)
1
.
.
.
(
ω
n
−
1
)
n
−
1
.
.
.
.
.
.
.
.
.
.
.
.
(
ω
n
−
n
+
1
)
0
(
ω
n
−
n
+
1
)
1
.
.
.
(
ω
n
−
n
+
1
)
n
−
1
]
×
[
(
ω
n
0
)
0
(
ω
n
0
)
1
.
.
.
(
ω
n
0
)
n
−
1
(
ω
n
1
)
0
(
ω
n
1
)
1
.
.
.
(
ω
n
1
)
n
−
1
.
.
.
.
.
.
.
.
.
.
.
.
(
ω
n
n
−
1
)
0
(
ω
n
n
−
1
)
1
.
.
.
(
ω
n
n
−
1
)
n
−
1
]
×
[
f
(
w
n
0
)
f
(
w
n
1
)
f
(
w
n
2
)
.
.
.
f
(
w
n
n
−
1
)
]
=
\begin{bmatrix} \ (\omega_n^{-0})^0 & (\omega_n^{-0})^1 & ... &(\omega_n^{-0})^{n-1} \\ \\ (\omega_n^{-1})^0 & (\omega_n^{-1})^1 & ... & (\omega_n^{-1})^{n-1} \\ \\.&.&...&. \\.&.&...&. \\ (\omega_n^{-n+1})^0 & (\omega_n^{-n+1})^1 & ... & (\omega_n^{-n+1})^{n-1} \\ \end{bmatrix} \times \begin{bmatrix} \ (\omega_n^0)^0 & (\omega_n^0)^1 & ... &(\omega_n^0)^{n-1} \\ \\ (\omega_n^1)^0 & (\omega_n^1)^1 & ... & (\omega_n^1)^{n-1} \\ \\.&.&...&. \\.&.&...&. \\ (\omega_n^{n-1})^0 & (\omega_n^{n-1})^1 & ... & (\omega_n^{n-1})^{n-1} \\ \end{bmatrix} \times \begin{bmatrix} \ f(w_n^0) \\ \ f(w_n^1) \\ \ f(w_n^2)\\ \ . \\ \ . \\ \ . \\ \ f(w_n^{n-1}) \\ \end{bmatrix} =
⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ ( ω n − 0 ) 0 ( ω n − 1 ) 0 . . ( ω n − n + 1 ) 0 ( ω n − 0 ) 1 ( ω n − 1 ) 1 . . ( ω n − n + 1 ) 1 . . . . . . . . . . . . . . . ( ω n − 0 ) n − 1 ( ω n − 1 ) n − 1 . . ( ω n − n + 1 ) n − 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ × ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ ( ω n 0 ) 0 ( ω n 1 ) 0 . . ( ω n n − 1 ) 0 ( ω n 0 ) 1 ( ω n 1 ) 1 . . ( ω n n − 1 ) 1 . . . . . . . . . . . . . . . ( ω n 0 ) n − 1 ( ω n 1 ) n − 1 . . ( ω n n − 1 ) n − 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ × ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ f ( w n 0 ) f ( w n 1 ) f ( w n 2 ) . . . f ( w n n − 1 ) ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ =
[
n
0
0
.
.
.
0
0
n
0
.
.
.
0
0
0
n
.
.
0
.
.
.
.
.
.
.
.
.
.
.
.
0
0
0
0
.
.
.
n
]
×
[
f
(
w
n
0
)
f
(
w
n
1
)
f
(
w
n
2
)
.
.
.
f
(
w
n
n
−
1
)
]
=
[
n
∗
a
0
n
∗
a
1
n
∗
a
2
.
.
.
n
∗
a
n
−
1
]
\begin{bmatrix} \ n&0&0&...&0 \\ \ 0&n&0&...&0 \\ \ 0 &0&n&..&0\\ \ ...&...&...&... &0\\ \ 0&0&0&...&n \\ \end{bmatrix} \times \begin{bmatrix} \ f(w_n^0) \\ \ f(w_n^1) \\ \ f(w_n^2)\\ \ . \\ \ . \\ \ . \\ \ f(w_n^{n-1}) \\ \end{bmatrix} = \begin{bmatrix} \ n*a_0 \\ \ n*a_1\\ \ n*a_2 \\ \ .\\ \ .\\ \ .\\ \ n*a_{n-1} \end{bmatrix}
⎣ ⎢ ⎢ ⎢ ⎢ ⎡ n 0 0 . . . 0 0 n 0 . . . 0 0 0 n . . . 0 . . . . . . . . . . . . . . 0 0 0 0 n ⎦ ⎥ ⎥ ⎥ ⎥ ⎤ × ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ f ( w n 0 ) f ( w n 1 ) f ( w n 2 ) . . . f ( w n n − 1 ) ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ n ∗ a 0 n ∗ a 1 n ∗ a 2 . . . n ∗ a n − 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ 所以最后对答案全部
/
n
/n
/ n 就是点值表达式了,这也是为什么我们为这么定义
D
,
V
D,V
D , V 了
逆变换就相当于把正变换过程中的
ω
n
k
\omega^k_n
ω n k 换成
w
n
−
k
w^{-k}_n
w n − k ,之后结果除以n就可以了——摘自某dalao博客
离散傅里叶变换实现
理论
之前的思路全都是递归思想,实现出来后发现吓死个人,所以我们考虑转成迭代 以下的图摘自学长大佬: 学长让我们换成二进制看看:
可以发现终序列是原序列每个元素的翻转。 于是我们可以先把要变换的系数排在相邻位置,从下往上迭代。 在这里给出一个参考的方法: 我们对于每个 i,假设已知 i-1 的翻转为 j。考虑不进行翻转的二进制加法怎么进行:从最低位开始,找到第一个为 0 的二进制位,将它之前的 1 变为 0,将它自己变为 1。因此我们可以从 j 的最高位开始,倒过来进行这个过程 ——摘自某dalao的博主
所以我们才会把这个
F
F
T
FFT
F F T 跟蝴蝶操作搞在一起,盗一波百度的图片
模板
void FFT ( complex * c, int f ) {
for ( int i = 0 ; i < len; i ++ )
if ( i < r[ i] )
swap ( c[ i] , c[ r[ i] ] ) ;
for ( int i = 1 ; i < len; i <<= 1 ) {
complex omega ( cos ( pi / i ) , f * sin ( pi / i ) ) ;
for ( int j = 0 ; j < len; j + = ( i << 1 ) ) {
complex w ( 1 , 0 ) ;
for ( int k = 0 ; k < i; k ++ , w = w * omega ) {
complex x = c[ j + k] , y = w * c[ j + k + i] ;
c[ j + k] = x + y;
c[ i + j + k] = x - y;
}
}
}
}
模板的板题运用
例题:洛谷P3803【模板】多项式乘法(FFT)
题目
递归版CODE
#include <cmath>
#include <cstdio>
using namespace std;
#define MAXN 3000005
struct complex {
double real, i;
complex ( ) { }
complex ( double xx, double yy ) {
real = xx;
i = yy;
}
} a[ MAXN] , b[ MAXN] ;
complex operator + ( complex s, complex t ) {
return complex ( s. real + t. real, s. i + t. i ) ;
}
complex operator - ( complex s, complex t ) {
return complex ( s. real - t. real, s. i - t. i ) ;
}
complex operator * ( complex s, complex t ) {
return complex ( s. real * t. real - s. i * t. i, s. real * t. i + s. i * t. real ) ;
}
const double pi = acos ( - 1.0 ) ;
void FFT ( int limit, complex * a, int inv ) {
if ( limit == 1 )
return ;
complex a1[ limit >> 1 ] , a2[ limit >> 1 ] ;
for ( int i = 0 ; i < limit; i + = 2 ) {
a1[ i >> 1 ] = a[ i] ;
a2[ i >> 1 ] = a[ i + 1 ] ;
}
FFT ( limit >> 1 , a1, inv ) ;
FFT ( limit >> 1 , a2, inv ) ;
complex w = complex ( cos ( 2 * pi / limit ) , inv * sin ( 2 * pi / limit ) ) , p = complex ( 1 , 0 ) ;
for ( int i = 0 ; i < ( limit >> 1 ) ; i ++ , p = p * w ) {
a[ i] = a1[ i] + p * a2[ i] ;
a[ i + ( limit >> 1 ) ] = a1[ i] - p * a2[ i] ;
}
}
int main ( ) {
int n, m;
scanf ( "%d %d" , & n, & m ) ;
for ( int i = 0 ; i <= n; i ++ )
scanf ( "%lf" , & a[ i] . real ) ;
for ( int i = 0 ; i <= m; i ++ )
scanf ( "%lf" , & b[ i] . real ) ;
int limit = 1 ;
while ( limit <= n + m )
limit <<= 1 ;
FFT ( limit, a, 1 ) ;
FFT ( limit, b, 1 ) ;
for ( int i = 0 ; i <= limit; i ++ )
a[ i] = a[ i] * b[ i] ;
FFT ( limit, a, - 1 ) ;
for ( int i = 0 ; i <= n + m; i ++ )
printf ( "%d " , ( int ) ( a[ i] . real / limit + 0.5 ) ) ;
return 0 ;
}
迭代版CODE
#include <iostream>
#include <cstdio>
#include <cmath>
using namespace std;
#define MAXN 3000005
struct complex {
double real, i;
complex ( ) { }
complex ( double x, double y ) {
real = x;
i = y;
}
} a[ MAXN] , b[ MAXN] ;
int len, l;
int r[ MAXN] ;
const double pi = acos ( - 1.0 ) ;
complex operator + ( complex a, complex b ) {
return complex ( a. real + b. real, a. i + b. i ) ;
}
complex operator - ( complex a, complex b ) {
return complex ( a. real - b. real, a. i - b. i ) ;
}
complex operator * ( complex a, complex b ) {
return complex ( a. real * b. real - a. i * b. i, a. real * b. i + a. i * b. real ) ;
}
void FFT ( complex * c, int f ) {
for ( int i = 0 ; i < len; i ++ )
if ( i < r[ i] )
swap ( c[ i] , c[ r[ i] ] ) ;
for ( int i = 1 ; i < len; i <<= 1 ) {
complex omega ( cos ( pi / i ) , f * sin ( pi / i ) ) ;
for ( int j = 0 ; j < len; j + = ( i << 1 ) ) {
complex w ( 1 , 0 ) ;
for ( int k = 0 ; k < i; k ++ , w = w * omega ) {
complex x = c[ j + k] , y = w * c[ j + k + i] ;
c[ j + k] = x + y;
c[ i + j + k] = x - y;
}
}
}
}
int main ( ) {
int n, m;
scanf ( "%d %d" , & n, & m ) ;
for ( int i = 0 ; i <= n; i ++ )
scanf ( "%lf" , & a[ i] . real ) ;
for ( int i = 0 ; i <= m; i ++ )
scanf ( "%lf" , & b[ i] . real ) ;
len = 1 ;
while ( len <= n + m ) {
len <<= 1 ;
l ++ ;
}
for ( int i = 0 ; i < len; i ++ )
r[ i] = ( r[ i >> 1 ] >> 1 ) | ( ( i & 1 ) << ( l - 1 ) ) ;
FFT ( a, 1 ) ;
FFT ( b, 1 ) ;
for ( int i = 0 ; i < len; i ++ )
a[ i] = a[ i] * b[ i] ;
FFT ( a, - 1 ) ;
for ( int i = 0 ; i <= n + m; i ++ )
printf ( "%d " , ( int ) ( a[ i] . real / len + 0.5 ) ) ;
return 0 ;
}
给个版权吧:以上内容部分学习于
https://www.cnblogs.com/Tiw-Air-OAO/p/10162034.html 学校的lucky学长(没找到blog) 老师专讲 叉姐