序言
掌声鼓励,本蒟蒻终于学会FFT啦!
死磕了接近5天的FFT,中途断断续续,请教了所谓的“数论讲师”葛某。
他居然告诉我:
他不会!!!
他不会!!!
他不会!!!
他不会!!!
他不会!!!
他不会!!!
前排膜拜dalao
如果觉得本人蒟蒻的,勿喷,可以看这两位dalao的Blog:
Mikcoo
Picks
前排预警:这篇Blog有很多公式!!!
预备知识
数论dalao可以直接跳过了……
多项式
形如
的称为多项式。
称为多项式的系数。
为不定元,不表达任何确定值。
不定元
在多项式中最大的次数称为多项式的次数。
多项式的系数表达法
多项式的系数表示为
维向量
。
简单理解为一个数组就好……数学家总是喜欢搞些奇奇怪怪的东西。
多项式的点值表示法
已知对于一元
次方程可以用
个点的坐标表示。(理由自证)
多项式的点值表示为
。
还可用点值向量
复数
形如 的数称为复数,其中 为实数, 为虚数单位,满足 ’
单位根
次单位根
为满足
的复数,共有
个,均匀的分布在复平面的单位圆上,将单位圆
等分。
所以
次单位根的算术表示为
。
多项式乘法
给定两个多项式 ,求
系数表示法下的运算
易证时间复杂度为
点值表示法下的运算
的点值表示为
易证时间复杂度为
Fast Fourier Transformation
FFT在竞赛中一般用于加速多项式乘法运算。
现在引入FFT(Fast Fourier Transformation)。
我们观察到对于以上两种运算,点值表示法下的运算明显优于系数表示法下的运算,考虑将运算过程转移到点值表示法下。
使用暴力强行将系数表示法转换为点值表示法的时间复杂度是
,这里不再做讨论。
FFT算法流程
英文看的辛不辛苦啊,我就不翻译。(手动滑稽)
Discrete Fourier Transform
DFT的目的是将系数向量
转换为点值向量
。
将
个相异实数
代入多项式。
的点值表示为
点值向量
点值向量
称为系数向量
的离散傅里叶变换(Discrete Fourier Transform),记作
易证上述做法时间复杂度为
Cooley-Tukey算法(蝶形算法)
以下摘自Wiki:
库利-图基快速傅里叶变换算法(Cooley-Tukey算法)[1]是最常见的快速傅里叶变换算法。这一方法以分治法为策略递归地将长度为N = N1N2的DFT分解为长度分别为N1和N2的两个较短序列的DFT,以及与旋转因子的复数乘法。这种方法以及FFT的基本思路在1965年J. W. Cooley和J. W. Tukey合作发表An algorithm for the machine calculation of complex Fourier series之后开始为人所知。但后来发现,实际上这两位作者只是重新发明了高斯在1805年就已经提出的算法(此算法在历史上数次以各种形式被再次提出)。
库利-图基算法最有名的应用,是将序列长为N的DFT分割为两个长为N/2的子序列的DFT,因此这一应用只适用于序列长度为2的幂的DFT计算,即基2-FFT。实际上,如同高斯和库利与图基都指出的那样,库利-图基算法也可以用于序列长度N为任意因数分解形式的DFT,即混合基FFT,而且还可以应用于其他诸如分裂基FFT等变种。尽管库利-图基算法的基本思路是采用递归的方法进行计算,大多数传统的算法实现都将显示的递归算法改写为非递归的形式。另外,因为库利-图基算法是将DFT分解为较小长度的多个DFT,因此它可以同任一种其他的DFT算法联合使用。
从中我们注意到一句话:“……因此这一应用只适用于序列长度为
的幂的DFT计算……”。
所以,为了计算的方便,我们将
位多项式
补位至2的幂。(
,高位补为
)
将
个单位根
代入多项式。
的点值表示为
点值向量
现在Cooley-Tukey算法将每一项系数按指数奇偶分类,以此将系数减半:
现在我们考虑如何将代入的值也减半:
因为:
且当
时
所以:
当
时
需要代入的值有
,问题转换为两个折半的子问题,可通过递归或迭代实现。
易证时间复杂度为
。
至此,通过Cooley-Tukey算法,我们将DFT的时间复杂度降为
。
Inverse Discrete Fourier Transform
IDFT的目的是将点值向量
转换为系数向量
IDFT就相当于把DFT过程中的
换成
,然后做一次DFT,之后结果除以
就可以了。
这里只给出结论,用兴趣的同学可以自行研究。(你就是懒得写)
总结
对于多项式的运算(高精度预算),使用FFT可以实现十分好的时空复杂度优化。