-
多项式的卷积
在泛函分析中,卷积、旋积或摺积(英语:Convolution)是通过两个函数f 和g 生成第三个函数的一种数学算子,表征函数f 与g经过翻转和平移的重叠部分的面积。
对于一个长度为
n 的多项式
f ,和一个长度为
m 的多项式
g,那么他们的卷积就可以表达为:
(f⨂g)x=i=0∑xfi⋅gx−i
其中暴力求的复杂度会是
O(nm)的,在很多情况下是不允许有这么多复杂度的,下面我们来引入一些快速变换:
-
快速傅里叶变换(FFT)
这个算法算是非常常见的对卷积的处理了,讲起来也非常繁琐,留个链接【傅里叶变换(FFT)学习笔记】 【VictoryCzt_FFT学习笔记】。
这里还有
3Blue1Brown 的视频,可以形象理解一下:【形象展示傅里叶变换】
然后就贴板子吧:
依然是对于一个长度为
n 的多项式
f ,和一个长度为
m 的多项式
g,那么他们的卷积就可以表达为:
(f⨂g)x=i=1∑xfi⋅gx−i
使用快速傅里叶变换(FFT)可以达到
O(nlogn)的优秀复杂度。
struct cpx{
double r,i;
inline cpx operator *(const cpx&x)const{return (cpx){r*x.r-i*x.i,r*x.i+i*x.r};}
inline cpx operator +(const cpx&x)const{return (cpx){r+x.r,i+x.i};}
inline cpx operator -(const cpx&x)const{return (cpx){r-x.r,i-x.i};}
}a[N],b[N];
int m,n,R[N];
void FFT(cpx*a,int f,int la){
int n=la;
for(register int i=0;i<n;++i)if(i<R[i])swap(a[i],a[R[i]]);
for(register int i=1;i<n;i<<=1){
cpx wn=(cpx){cos(pi/i),f*sin(pi/i)};
for(register int j=0;j<n;j+=(i<<1)){
cpx w=(cpx){1,0};
for(register int k=0;k<i;++k,w=w*wn){
cpx x=a[j+k],y=w*a[j+k+i];
a[j+k]=x+y;a[j+k+i]=x-y;
}
}
}
if(f==-1)
for(register int i=0;i<n;i++)a[i].r/=n;
}
int merge_fft(cpx *a,cpx *b,int la,int lb){
int n=la,m=lb;
int L=0;for(m+=n,n=1;n<=m;n<<=1)L++;
for(register int i=0;i<n;i++)
R[i]=(R[i>>1]>>1)|((i&1)<<(L-1));
FFT(a,1,n);FFT(b,1,n);
for(register int i=0;i<=n;i++)a[i]=a[i]*b[i];
FFT(a,-1,n);
return m;
}
-
分治FFT
对于一个长度为
n 的多项式
g ,和一个长度为
n 的多项式
f,定义
f为:
fx=i=1∑xfx−i⋅gi
其中,
f0=1。
很容易看出这个式子是卷积形式:
fx=(f⨂g)x=i=1∑xgi⋅fx−i
我们想到上面提到的FFT算法,但是这里是
f函数有卷之前算到的自己,所以我们第一次
f的有效范围是
1,卷一次,可以得到
f有效范围是
2,,再一次是
4,就像倍增一样,所以我们的复杂度就应该是
O(nlog2n)。
具体怎么做?
假设对于
x的取值区间
l到
r,我们知道了
l到
2l+r 的
fx的值,那么我们令一个长度为
2r−l 的多项式
A 等于这知道的
2r−l 项,我们现在想知道前面这一段对于后面
2l+r 到
r 这一段的贡献是多少:
fx=i=1∑xgi⋅fx−i
fx=i=1∑xgx−i⋅fi
fx=i=1∑xgx−i⋅Ai
fx=g⨂A
注意我们这里把
g的长度只取前
r−l个哦,因为
x的范围限制,我们需要保证卷出来的长度是我们需要的。然后贴板子:
void cdq_FFT(int l,int r){
if(l==r)return;
int mid=(l+r)>>1;
cdq_FFT(l,mid);
memset(A,0,sizeof(A));memset(G,0,sizeof(G));
for(int i=l;i<=mid;i++)A[i-l].r=(double)f[i];
for(int i=1;i<=r-l;i++)G[i-1].r=(double)g[i];
merge_fft(A,G,mid-l,r-l-1);
for(int i=mid+1;i<=r;i++)f[i]+=(int)A[i-l-1].r;
cdq_FFT(mid+1,r);
}
然而……要是你用这个就死了,主要是死在
memset了,所以我们把
merge_fft 托下来:
void cdq_FFT(int l,int r){
if(l==r)return;
int mid=(l+r)>>1;
cdq_FFT(l,mid);
int L=0,n=1;
for(;n<=r-l+1;n<<=1)L++;
for(int i=0;i<n;i++)
R[i]=(R[i>>1]>>1)|((i&1)<<(L-1));
for(int i=0;i<=n;i++)
A[i].r=G[i].r=A[i].i=G[i].i=0
for(int i=l;i<=mid;i++)A[i-l].r=(double)f[i];
for(int i=1;i<=r-l;i++)G[i-1].r=(double)g[i];
FFT(A,1,n);FFT(G,1,n);
for(register int i=0;i<=n;i++)A[i]=A[i]*G[i];
FFT(A,-1,n);
for(int i=mid+1;i<=r;i++)f[i]+=(int)A[i-l-1].r;
cdq_FFT(mid+1,r);
}
至于洛谷那道模板题P4721还是算了吧,要取模,建议把FFT换成NTT,(NTT模数明示)
那么还有比
O(nlog2n)更快的做法吗?当然有了啊,但是又要涉及生成函数的姿势,还有多项式求逆!!!我不会啊!!!
先占坑:
我们令
F为
f的生成函数,
G为
g的生成函数:
F(x)=i=0∑nfi⋅xi
G(x)=i=0∑ngi⋅xi
那么就有:
F(x)×G(x)=(i=0∑nfi⋅xi)⋅(i=0∑ngi⋅xi)=i=0∑nxij=0∑igj⋅fi−j=i=0∑nxi(f⨂g)i
也就是说两个函数的生成函数的积,就是他们卷积的生成函数~~@贝尔级数~~。
我们知道的
fmid+1,r=fl,mid⨂g,当然了,
f0是不满足这个卷积的,所以有:
F(x)×G(x)≡F(x)−f0x0 (mod xn)
F(x)×G(x)≡F(x)−f0 (mod xn)
F(x)×(1−G(x))≡f0 (mod xn)
F(x)≡1−G(x)f0 (mod xn)
F(x)≡1−G(x)1 (mod xn)
F(x)≡(1−G(x))−1 (mod xn)
然后多项式求逆啊,并不会~,复杂度
O(nlogn),就不贴代码了啊。
-
快速数论变换(NTT)
由于FFT是在复平面上操作变换,会用到很多的三角函数,丢精度非常严重,当有模数的时候且模数为NTT模数,形如
a⋅2b+1,且为素数的时候,常见的是
998244353,我们推荐使用NTT来操作。
-
定义:
考虑方程
ax≡1(mod b),根据欧拉定理,当
a与
b互质的时候,一定有解
x=φ(b),如果
φ(b)既为该方程的最小解,那么
a就称为
(mod b)的原根。
-
性质:
1、若
a就为
(mod b)的原根,那么集合
{a1,a2,...,ab−1}={0,1,2,...,b−1}。也就是说,
a的任意次方遍历了
(mod b)的剩余系。
2、如果
(mod b)意义下有原根,那么原根恰好有
φ(φ(b))个,这个数量很小。
3、原根一般都不大,我们可以暴力从
2到
b−1枚举
a,判断
aφ(b)≡1(mod b)是否当且仅当
x=φ(b)时成立,注意
x的解仅有可能是
φ(b)的约数,还有快的求法,可以用欧拉定理和裴蜀定理证明,可是我不会。
当然了,对于原根的理解我们只需要理解到它是
ax≡1(mod b)的最小解,而且可以暴力求就行了2333就行了。
那么如何用到快速变换中去呢?
考虑FFT中的单位根
xn=1,现在在取模的意义下,就变成了
xn≡1 (mod P),所以我们用原根
gn去替换掉FFT中的单位根
wn就好了呀,现在的问题是,原根具体怎么求:
对于一个NTT模数的原根,是有特殊求法的,这就是为什么一般NTT会有NTT模数这个限制:
gn=g2i+1P−1
原根表在这里:【FFT用到的各种素数】
下面直接给板子了,这里的模数是
998244353,原根是
3:
void NTT(int *a,int f,int la){
int n=la;
for(register int i=0;i<n;++i)if(i<R[i])swap(a[i],a[R[i]]);
for(register int i=1;i<n;i<<=1){
int gn=power(3,(mod-1)/(i<<1));
for(register int j=0;j<n;j+=(i<<1)){
int g=1;
for(register int k=0;k<i;++k,g=1ll*g*gn%mod){
int x=a[j+k],y=1ll*g*a[j+k+i]%mod;
a[j+k]=(x+y)%mod;a[j+k+i]=(x-y+mod)%mod;
}
}
}
if(f==-1){
reverse(a+1,a+n);
int inv=power(n,mod-2);
for(register int i=0;i<n;i++)a[i]=1ll*a[i]*inv%mod;
}
}
int merge_ntt(int *a,int *b,int la,int lb){
int n=la,m=lb;
int L=0;for(m+=n,n=1;n<=m;n<<=1)L++;
for(register int i=0;i<n;i++)
R[i]=(R[i>>1]>>1)|((i&1)<<(L-1));
NTT(a,1,n);NTT(b,1,n);
for(register int i=0;i<=n;i++)a[i]=1ll*a[i]*b[i]%mod;
NTT(a,-1,n);
return m;
}
那么不是NTT模数的时候怎么办啊?我们不妨用CRT合并,具体在这里可以看到的【由CRT合并引入的各种扩展求余和同余问题】。这个方法叫三模NTT,你可以用这个方法过洛谷的模板,但是写起来非常复杂。下面还有一种方法:
-
Mettaton
OH,YEAH~
(MTT就是镁塔顿啊,雾)
好吧让我们重新打开一下:
-
MTT
对于一个长度为
n的多项式
f,和一个常数
a,我们知道可以这样运算:
af=i=1∑nafi
同理,对于一个长度为
n的多项式
g:
ag=i=1∑nagi
那么有:
(af⨂ag)x=i=1∑xafi⋅agx−i
af⨂ag=a2f⨂g
f⨂g=(af⨂ag)×a2
所以我们想,要是我们把每一项的系数拆了,最后合并不就是我们想要的答案了吗?于是就有了上面那个这个式子,但是很多时候并不能整除啊,就有了下面这个式子:
f⨂g=(af⨂ag)×a2+(f%a⨂ag)×a+(af⨂g%a)×a+(f%a⨂g%a)
就差不多这样了,取值
a的时候需要保证用FFT时不会爆炸,不过也容易看出,这个算法精度特别特别卡,卡死了,需要开
long double 还有一些特别的奇技淫巧,下面给出模板,
a=215,这个板子因为精度问题是过不了洛谷的模板题的,看看就好:
void merge(cpx *a,cpx *b,int L,int len,int val,int *Ret){
for(int i=0;i<=L;i++)f[i]=a[i]*b[i];
FFT(f,-1,L);
for(int i=0;i<len;i++)
Ret[i]=(Ret[i]+1ll*(long long)(f[i].r+0.5)%mod*val%mod)%mod;
}
void merge_mtt(int *A,int *B,int la,int lb,int *Ret){
int M=32768,L,l=0,len=la;
for(int i=0;i<(len<<1);++i)a[i]=b[i]=c[i]=d[i]=(cpx){0,0};
for(int i=0;i<=len;i++)a[i].r=A[i]/M,b[i].r=A[i]%M;
for(int i=0;i<=len;i++)c[i].r=B[i]/M,d[i].r=B[i]%M;
for(L=1;L<=len;L<<=1)++l;
for(int i=0;i<L;++i)R[i]=(R[i>>1]>>1)|((i&1)<<(l-1));
FFT(a,1,L);FFT(b,1,L);FFT(c,1,L);FFT(d,1,L);
for(int i=0;i<len;++i)Ret[i]=0;
merge(a,c,L,len,M*M%mod,Ret);
merge(b,c,L,len,M%mod,Ret);
merge(a,d,L,len,M%mod,Ret);
merge(b,d,L,len,1,Ret);
for(int i=0;i<len;++i)Ret[i]=(Ret[i]+mod)%mod;
}
-
快速沃尔什变换(FWT)
首先引入一种生成函数集合幂级数
F,其中
f 是集合中的元素:
F=s⊆O∑fs⋅xs
集合幂级数的集合卷积:
-
交
⋂ (与
and)
F⋂⨂G=i⊆O∑j⊆O∑fi×gj[i⋂j=S]
-
并
⋃ (或
or)
F⋃⨂G=i⊆O∑j⊆O∑fi×gj[i⋃j=S]
-
对称差
Δ (异或
xor)
FΔ⨂G=i⊆O∑j⊆O∑fiΔgj[iΔ=S]
而快速沃尔什变换(FWT)就是快速求出集合幂级数的集合卷积的算法,证明在这里看【FWT(Fast Walsh Transformation)快速沃尔什变换学习笔记】,下面给出结论和模板代码:
其中
x=ai+j,
y=ai+j+bit:
运算方式 |
交
⋂ (与
and) |
并
⋃ (或
or) |
对称差
Δ (异或
xor) |
沃尔什变换 |
$\ \ a_{i+j}=x+y\ \ $ |
$\ \ a_{i+j+bit}=x+y\ \ $ |
$\ \ a_{i+j}=x+y\ \
,\ \ a_{i+j+bit}=x-y\ \ $ |
沃尔什逆变换 |
$\ \ a_{i+j}=x-y\ \ $ |
$\ \ a_{i+j+bit}=y-x\ \ $ |
$\ \ a_{i+j}=\frac{x+y}{2}\ \
,\ \ a_{i+j+bit}=\frac{x-y}{2}\ \ $ |
void FWT(int *a,int n,int f,int type){
for(int i=1;i<n;i<<=1)
for(int j=0;j<n;j+=(i<<1))
for(int k=0;k<i;k++){
int p=a[j+k],q=a[j+k+i];
if(type==1){
a[j+k]=(1ll*f*q+p+mod)%mod;
}
if(type==2){
a[j+k+i]=(1ll*f*p+q+mod)%mod;
}
if(type==3){
a[j+k]=(p+q)%mod;
a[j+k+i]=(p-q+mod)%mod;
if(f==-1){
a[j+k]=1ll*a[j+k]*inv2%mod;
a[j+k+i]=1ll*a[j+k+i]*inv2%mod;
}
}
}
}
void merge_fwt(int *a,int *b,int lim,int type){
FWT(a,lim,1,type);FWT(b,lim,1,type);
for(int i=0;i<lim;i++)a[i]=(long long)a[i]*b[i]%mod;
FWT(a,lim,-1,type);
}