标签：frac 数论 傅里叶 sum FFT cdots 小白 Lim omega
题外话
我感觉自己的数论笔记从来没有写完过，从极限到微积分到积型函数到FFT
2021.11.10 为啥过了一个晚上就有15个人看了？？？
正题
1.傅里叶变换：
有关傅里叶变换，##先看视频##
2.前置芝士之泰勒展开
（这里不理解也没有什么问题，知道结论即可）
泰勒展开的本质就是用一个多项式来拟合一个函数在\(x_0\)处的变化，为此要做到每一次求导都与原函数相同，以此来拟合函数的变化。
\[g(x)=f(x_0)+f^{'}(x_0)(x-x_0)+\frac{f^{''}(x-x_0)^2}{2!}+\frac{f^{'''}(x-x_0)^3}{3!}+……+\frac{f^{n}(x-x_0)^n}{n!} \]分母是幂函数求导带来的常数项约去
所以，我们可以用它来展开几个函数：\(e^{ix},i\sin(x),\cos(x)\)其中\(i\)为\(\sqrt{-1}\)
已知：
\[e^x=\sum_{0}^{\infty}\frac{(x-x_0)^n}{n!} \]拓展到复数：
\[e^z=\sum_{n=0}^{\infty}{\frac{z^n}{n!}},z\in C \]放缩：
\[e^{ix}=1+ix-\frac{x^2}{2!}-\frac{ix^3}{3!}+\frac{x^4}{4!}+\frac{ix^5}{5!}+\cdots \]已知：
\[\sin(x)=x-\frac{x^3}{3!}+\frac{x^5}{5!}-\frac{x^7}{7!}+\cdots \]乘上一个复数：
\[i\sin(x)=\frac{ix}{1!}-\frac{ix^3}{3!}+\frac{ix^5}{5!}-\frac{ix^7}{7!} +\cdots \]已知：
\[\cos(x)=\frac{1}{1}-\frac{x^2}{2!}+\frac{x^4}{4!}-\frac{x^6}{6!}+\cdots \]得出：
\[e^{ix}=i\sin(x)+\cos(x) \]也就是欧拉公式。
带入\(\pi\)得：
\[e^{i\pi}+1=0 \]可以理解为，随着\(x\)的增大，\(e^{ix}\)也在一个圆上运动。
于是结合上面的视频可以理解傅里叶变换的公式：
这里变成了向量
加负号是因为变换旋转的方向。
普通的傅里叶是\(O(n^2)\)的，而快速傅里叶可以做到\(O(n \log n)\)。
2.前置芝士之复数运算
看到前面的复数运算，有些同学可能已经有点搞不懂了，我一开始也是这样的。
这里就简单讲一下复数的运算，就是数学选修2-2的最后一章，（可以自己看）。
简单来说，复数集是对实数集的一个扩充，在定义上，我们这样来看复数：
\[C=\{a+bi|a , b\in R\} \]我们把这个集合中的数，形如\(a+bi\)的叫做复数，\(i\)是虚数单位，\(C\)是复数集。
为了简洁，我们直接开始四则运算：
\[(a+bi)+(c+di)=(a+c)+(b+d)i \]\[(a+bi)-(c+di)=(a-c)+(b-d)i \]\[(a+bi)\times(c+di)=(ac-bd)+(ad+bc)i \]\[(a+bi)\div(c+di)=\frac{ac+bd}{c^2+d^2}+\frac{bc-ad}{c^2+d^2}i \]3.前置芝士之多项式卷积
先推荐一个回答
博主讲的很好。\(QWQ\)
像乘法，也可以变成多项式乘法，然后卷积。
\[h(k)=\sum_{i+j=k}f(i)g(j) \]快乐的\(O(n^2)\)
在FFT中，我们就是把两个多项式变成了两组向量，然后两组向量卷积求新的向量。
4.前置芝士之点乘法
n阶的函数由n+1个点唯一确定。
传统的多项式是用系数表示法，我们可以换为点值表示法来表示。
两个与\(x\)有关的多项式：
两个相加就直接加上即可，相乘的话比较麻烦。
因为\(C(x)\)的项数\(2n+1\)，所以两个式子都要补上一堆项，然后项多项式加法一样按位运算。
\[A(x)=(x_0,y_0),(x_1,y_1) \cdots (x_{2n},y_{2n}) \]\[B(x)=(x_0,y_0^{'}),(x_1,y_1^{'}) \cdots (x_{2n},y_{2n}) \]乘法：
\[A(x)B(x)=(x_0,y_0 y_0^{'}),(x_1,y_1 y_1^{'}),(x_{2n},y_{2n} y_{2n}^{'}) \]现在我们见证了奇迹的诞生！！\(O(n)\)的时间复杂度！！！
所以，我们到现在就知道了FFT的流程：
1.得到两个多项式A，B；
2.对于每个多项式，选取n+1个点，得出点值表达\((O(n^2))\)
3.点乘法
4.将\(C(x)\)的点值表达式转化为系数表达式。\(O(n^2)\)
5.前置芝士之拉格朗日插值
虽然没有用，但是还是要讲一下。
插值主要用在将点值表达式转换为系数表达式上，也就是一个\(n\)阶的函数由\(n+1\)个不同的点唯一确定。
常见的插值法是拉格朗日插值法。
由于有n个点，求n-1阶函数。我们先枚举每一个点\(x_i\)，建立一个函数\(f_i(x)\)，使得\(f_i(x_i)=y_i\),而其他的\(x_j,j!=i\)带入，\(f_i(x_j)=0\)。
然后，一整个函数就是由这\(n\)个函数累加起来的和，在没一个点\(x_i\)上的值都对应其\(y_i\)。
然后构造出公式：
\[f(x)=\sum_{i=0}^{n-1} y_i \times \prod_{j!=i} \frac{x-x_j}{x_i-x_j} \]这就可以用来完成FFT的第三步，但是时间复杂度是\(O(n^2)\)。FFT继续优化。
读到这里结合前面的芝士，你已经知道了DFT以及IDFT了，接下来就是FFT的诞生之路
FFT优化之路
6.前置芝士之单位复根
n次的单位复根是满足\(\omega^{n}=1\)的复数\(\omega\),因为\(\omega^{n}\)在复数平面上的模都是一，所以相乘之后还是一，那么所有的\(\omega_{i}\)都会均匀度分布在单位圆上，\(n=8\)时；
我们再考虑欧拉公式:
\[e^{ix}=\cos x+i\sin x \]取\(x=2\pi\)
\[e^{2\pi i}=1=\omega^{n} \]从而：
\[\omega=e^{\frac{2\pi i}{n}} \]把此时的单位根为主次单位根：
\[\omega_n=e^{\frac{2\pi i}{n}} \]对于其他单位根，
\[\omega^k_n=e^{\frac{2\pi i k}{n}},0\le k <n \]第一步的优化：快速傅里叶变换之\(O(n \log n)\)求点值
对一个多项式求点值，我们带入2n个点求点值，并强选\(2^t\)个单位根，保证n为2的整数次幂，那么把\(2^t\)带为n。
得：
\[\omega^k_n=e^{\frac{2\pi i k}{n}},0\le k <n \]有：
\[\omega^{(j+k)\%n}_n=\omega_n^j \times \omega_n^k \]所以多项式\(A(x)\)的点值为：
\[\begin{aligned} A(\omega_n^0) &=a_0+a_1+a_2+a_3+\cdots+a_{n-1}\\ A(\omega_n^1) &=a_0+a_1\omega_{n}^1+a_2\omega_n^2+a_3\omega_n^4+\cdots+a_{n-1}\omega_{n}^{n-1}\\ A(\omega_n^2)&=a_0+a_1\omega_n^2+a_2\omega_n^4+a_3\omega_n^6+\cdots+a_{n-1}\omega_n^{2n-2}\\ \cdots\cdots&\\ \end{aligned} \]考虑把每个点值按照奇偶分开：
\[A(\omega_n^i)=(a_0+a_2\omega_n^{2i}+a_4\omega_n^{4i}+a_6\omega_n^{6i}+\cdots+a_{n-2}\omega_{n}^{i*(n-2)})+(a_1\omega_n^{i}+a_3\omega_n^{3i}+a_5\omega_n^{5i}+\cdots+a_{n-1}\omega_{n-1}^{(n-1)*i}) \]左边提一个\(\omega_n^i\)
\[A(\omega_n^i)=(a_0+a_2\omega_n^{2i}+a_4\omega_n^{4i}+a_6\omega_n^{6i}+\cdots+a_{n-2}\omega_{n}^{i*(n-2)})+\omega_n^i(a_1+a_3\omega_n^{2i}+a_5\omega_n^{4i}+\cdots+a_{n-1}\omega_{n-1}^{(n-2)*i}) \]然后，把左边变成一个系数为\(a_0,a_2,a_4,a_6\cdots\)的多项式\(FL(x)\),带入\(\omega_{n}^{2i}\)，也就是\(\omega_{n/2}^{i}\)（看上面的芝士即可懂了）。
把右边也变成一个系数为\(a_1,a_3,a_5,a_7\cdots\)的多项式\(FR(x)\),带入\(\omega_{n/2}^{i}\)。
得：
当\(n=8\)时：
\[A(\omega_{n}^0)=FL(\omega_{n/2}^0)+\omega_{n}^0FR(\omega_{n/2}^0) \]\[A(\omega_{n}^1)=FL(\omega_{n/2}^1)+\omega_{n}^1FR(\omega_{n/2}^1) \]\[A(\omega_{n}^2)=FL(\omega_{n/2}^2)+\omega_{n}^2FR(\omega_{n/2}^2) \]\[A(\omega_{n}^3)=FL(\omega_{n/2}^3)+\omega_{n}^3FR(\omega_{n/2}^3) \]\[A(\omega_{n}^4)=FL(\omega_{n/2}^0)+\omega_{n}^4FR(\omega_{n/2}^0) \]\[A(\omega_{n}^5)=FL(\omega_{n/2}^1)+\omega_{n}^5FR(\omega_{n/2}^1) \]\[A(\omega_{n}^6)=FL(\omega_{n/2}^2)+\omega_{n}^6FR(\omega_{n/2}^2) \]\[A(\omega_{n}^7)=FL(\omega_{n/2}^3)+\omega_{n}^7FR(\omega_{n/2}^3) \]这时我们发现前后的值是一样的，就可以折半计算了：
\(T(N)=2T(\frac{N}{2})+O(n)=O(n \log n)\)
啊啊啊啊！！冯巨讲的时候好迷茫现在看来真NB!!
第三步的优化：快速傅里叶逆变换之\(O(n \log n)\)求系数
在前置芝士之拉格朗日插值中，我们在求了\(C(x)\)的点值表达式后，运用拉格朗日插值法，\(O(n^2)\)求出系数表达式。
在这里，我们可以用快速傅里叶变换的优秀性质来进行逆变换。
首先，多项式的点值
我们用\(b_i\)来表示上面的式子进行快速傅里叶变换后的\(A(\omega_{n}^i)\)。
我们对这些\(b_i\)又进行一次快速傅里叶变换:
\[C(\omega_n^{x})=\sum_{i=1}^{n-1}b_i\omega_{n}^{x_i} \]恒等变换：
\[C(\omega_n^{x})=\sum_{i=1}^{n-1}\omega_{n}^{x_i}\sum_{j=1}^{n-1}a_j\omega_{n}{ij} \]基本操作交换sum:
\[C(\omega_n^{x})=\sum_{j=0}^{n-1}\sum_{i=0}^{n-1}\omega_{n}^{i\times (j+x)} \]由单位复根的性质得，当\((j+x)=n\)时，\(j+x\)才有值，后面的\(\sum\)才有意义。
所以：
所以这就得到了系数了，IFFT万岁！！！
后置甜点之代码
首先是递归版本，常数有点大（板子都过不了）
转载大佬的伪代码：
点击查看代码
int Lim = 1, N, M ;
function FFT(int lenth, complex *A, int flag){
IF (Lim == 1) return ;
complex A0[lenth >> 1], A1[lenth >> 1] ;//分成两部分
for(int j : 0 to lenth by_grow 2) A0[j >> 1] = A[j], A1[j >> 1] = A[j + 1] ;
FFT(lenth >> 1, A0, flag) ;
FFT(lenth >> 1, A1, flag) ;
complex Wn = unit(,) , w = (1, 0) ;
//Wn是单位根，w用来枚举幂，即我们令主次单位根不变，由于其余单位根都是其整次幂，所以可以用一个w来记录到第几次幂
/*此处求单位根的时候会用到我们的参数flag……嗯没错就用这一次，并且flag的值域为(-1, 1)……是的，只会有两个值*/
for(int j : 0 to (lenth >> 1) by_grow 1 with w = w * Wn){
A[i] = A0[i] + A1[i] * w ;//应用公式，下同
A[i + (lenth >> 1)] = A0[i] - A1[i] * w ; //顺便求出另一半，由折半引理可显然。
}
}
function Main{
input(N), input(M) ;
for(i : 0 to N by_grow 1) => input(A) ;
for(i : 0 to M by_grow 1) => input(B) ;
while(Lim < N + M) Lim <<= 1 ;//Lim为结果多项式的长度（暂时），化为2的幂的便于分治（二分）
FFT(Lim, A, 1) ;//两遍FFT表示从系数化为点值
FFT(Lim, B, 1) ;
for(i : 0 to Lim by_grow 2) => A[i] *= B[i] ;//点乘法，此处需要重定义乘号，因为每一项现在表示的是一个点，有x和y两个属性qwq
}
cpp:
点击查看代码
void FFT(int Lim,complex *A,int flag){
if(Lim == 1) return ;
complex A0[Lim >> 1], A1[Lim >> 1] ;
for(int i = 0; i <= Lim ; i += 2)
A0[i >> 1] = A[i], A1[i >> 1] = A[i+1] ;
FFT(Lim >> 1, A0, flag) ;
FFT(Lim >> 1, A1, flag) ;
complex unit = (complex){cos(2.0 * Pi / Lim) , flag * sin(2.0 * Pi / Lim)}, w = complex(1, 0) ;//欧拉公式
for(int i = 0;i < (Lim >> 1) ; i ++, w = w * unit) {
A[i] = A0[i] + w * A1[i] ;
A[i + (Lim>>1)] = A0[i] - w*A1[i];
}
}
int main(){
......................
FFT(A, 1), FFT(B, 1) ;
for(i = 0; i <= Lim; i ++) A[i] = A[i] * B[i] ;
FFT(A, -1) ;
......................
}
最后
本蒟蒻的第一篇写完了的数论笔记。
后面来更FFT的优化。
感谢冯巨，
引用:https://www.cnblogs.com/pks-t/p/9251147.html
%%%%%%%%%%%%%%%%%%%%%%%%
标签：frac,数论,傅里叶,sum,FFT,cdots,小白,Lim,omega 来源： https://www.cnblogs.com/sszxlcy/p/15531199.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。