多项式各种算法学习笔记

关注

VIP免费原创最新推荐文章于 2026-03-01 01:50:39 发布 1k 阅读 AI 写同款· GEO 优化 ›

一、qt下载与安装 qt与qtcreator 的区别与联系 1、QT Creator只是一个集成的编译器，用于将源代码编译成可执行程序。 QT 是跨平台C++图形用户界面应用程序开发框架，可以简单理解成是一个开发包。 2、Qt是完全面向对象的，很容易扩展，并且允许真正地组件编程。 QT Creator 跨平台的 Qt IDE，Qt Creator 是 Qt 被 Nokia 收购后推出的一款新的轻量级集 ... 阅读详情

1.FFT(快速傅里叶变换)

1.前置技能

复数:
基本表示法及性质:

$i=\sqrt{-1}$

$i$ 是虚数单位

1.坐标(代数)形式：
$z = a + b i$

当b为0是z为实数，当a为0时为纯虚数

注:复数包括实数和虚数，虚数下有纯虚数

虚数z对应了复平面上的一点(a,b)

运算法则：
设复数 $z_1,z_2,z_1=a+bi,z_2=c+di$

加法: $z_1+z_2=(a+c)+(b+d)i$
减法: $z_1-z_2=(a-c)+(b-d)i$
乘法: $z_1*z_2=(ac-bd)+(bc+ad)i$
除法: $\dfrac{z_1}{z_2}=\dfrac{(ac+bd)+(bc-ad)i}{(c^2+d^2)}$

2.三角形式

$\theta+isin\theta)$

$\theta$ 是复数 $z$ 的幅角, $r$ 是该复数的模长

这种形式下的乘法和除法运算更方便，通过和角公式，对于复数 $z_1=r_1(cos\theta_1+isin\theta_1),z_2=r_2(cos\theta_2+isin\theta_2)$
那么：
$z_1z_2=r_1r_2(cos(\theta_1+\theta_2)+isin(\theta_1+\theta_2))\\ \dfrac{z_1}{z_2}=\dfrac{r_1}{r_2}(cos(\theta_1-\theta_2)+isin(\theta_1-\theta_2))\\$

几何意义:相当于把该复数 拉长/缩短 到另一个复数模长 倍/分之一 ,然后 顺时针/逆时针 旋转另一个复数的幅角大小的角度

于是有了如下非常有用的公式:
$z^n=(r(cos\theta+isin\theta))^n=r^n(cos\ n\theta+isin\ n\theta)$

3.指数形式

$z=re^{i\theta}$

于是我们知道了: $e^{i\theta}=cos\theta+isin\theta$

可以发现: $e^{i\pi}=-1$
~~(优美)~~

这个算乘除法就更好算了:
有:
$z_1z_2=r_1r_2e^{i(\theta_1+\theta_2)}\\ \dfrac{z_1}{z_2}=\dfrac{r_1}{r_2}e^{i(\theta)}\\$

上面的那个公式就可写成这样：
$z^n=r^ne^{i(n\theta)}$

4.单位复数根

学FFT最重要的就这个了吧
设有如下方程:
$z^n=1$

这方程的复数根 $z$ 为 $n$ 次单位根,通常记为 $w$
这样的根 $w$ 有n个，也就是说 $n$ 次单位根有 $n$ 个,记为 $w_k (k=0,1,2,\dots n-1)$
其中:
$w_k=cos\frac{2k\pi}{n}+isin\frac{2k\pi}{n}=e^{\frac{2\pi ki}{n}}$

不难发现其实 $n$ 次单位复数根就是把复平面上的单位圆 $n$ 等分后的那些 $n$ 等分点

一些次数单位的单位根举例:

1次单位根: $1$
2次单位根: $1, - 1$
3次单位根: $1,\frac{-1+\sqrt{3}i}{2},\frac{-1-\sqrt{3}i}{2}$
$\dots$
其实就是个解二元n次方程

可以发现1是任意次的单位复数根，-1是任意偶数次单位复数根

某些引理:

1.消去引理
$w_{dn}^{dk}=w_n^k$

把复数的指数形式带进去就可以了
说人话就是不同次数的单位根可以互相转化

2.折半引理
假设 $n$ 是大于0的偶数:
$(w_n^{k+\frac{n}{2}})^2=w_n^{2k+n}=w_n^{2k}*w_n^n=(w_n^{k})^2$

说人话就是n次单位复数根的前后两半平方后是对应相等的

3.求和引理

对于大于1的整数n和小于等于n的整数k有:
$\sum_{i=0}^{n-1}(w_n^k)^i=0$

这就是个等比数列求和

2.步入正题

常规的一个最高次数为n-1的多项式的表示形式是系数表示法,如:
$A(x)=a_0+a_1x+a_2x^2+a_3x^3+\dots+a_{n-1}x^{n-1}$
一共有n项
按照朴素的多项式乘法(卷积),就是每一项两两相乘，复杂度为 $O(n^2)$

如果我们把多项式看成一个函数，我们取图像上的n个点来表示这个函数也即该多项式，这样的表示法叫做点值表示法

对于两个n-1次多项式,由于我们最后卷积出来的多项式是2n-2次的,如果我们知道了卷积后的多项式函数图像上的至少2n-1个点，那么我们就可以确定这个多项式了

所以有如下想法：
现在原来的两个多项式上选取好x值相同的点(个数为原来两多项式次数的和加1)，用 $O (n)$ 的时间将选的点的y值相乘，得到的值用某种方法~~(待定系数法)~~转化为多项式系数的形式

如果选取的x都是n次单位复数根的k次方，那么以上两个过程就是 $D F T$ 和 $I D F T$ 了

1. $D F T$

离散傅里叶变换：
对于 $k\in [0,n-1],$ 和n-1次多项式 $A (x),$ 定义:
$y_k=A(w_n^k)=\sum_{i=0}^{n-1}a_i(w_n^k)^i$

这个叫做离散傅里叶变换，记做 $y=DFT_n(a)$

朴素求 $D F T$ ,是 $O(n^2)$ 的

2. $I D F T$

逆离散傅里叶变换:

就是 $D F T$ 的逆运算，用于求出多项式的系数a，记为 $DFT^{-1}$

本人太弱不会证，丢个式子:
$a_k=\dfrac{1}{n}\sum_{i=0}^{n-1}y_i(w_n^{-k})^i$

由于写的时候系数表达式和点值表达式是共用的数组，所以写起来和 $D F T$ 没什么差别

3. $F F T$

快速傅里叶变换:

是一种快速求出 $D F T$ 和 $DFT^{-1}$ 的算法，利用了单位复数根的优良性质

我们先列出朴素求 $D F T$ 的步骤,为了方便这里先不妨假设多项式次数为2的幂:
1.求出n次单位复数根的幂: $w_n^0,w_n^1,w_n^2.....w_n^{n-1}$
2.代入多项式 $A (x)$ ,求得以下式子:
$A(w_n^0)=a_0+a_1w_n^0+a_2(w_n^0)^2+a_3(w_n^0)^3+\dots a_{n-1}(w_n^0)^{n-1}\\ A(w_n^1)=a_0+a_1w_n^1+a_2(w_n^1)^2+a_3(w_n^1)^3+\dots a_{n-1}(w_n^1)^{n-1}\\ A(w_n^2)=a_0+a_1w_n^2+a_2(w_n^2)^2+a_3(w_n^2)^3+\dots a_{n-1}(w_n^2)^{n-1}\\ A(w_n^3)=a_0+a_1w_n^3+a_2(w_n^3)^2+a_3(w_n^3)^3+\dots a_{n-1}(w_n^3)^{n-1}\\ \dots\dots\dots\dots\dots\dots\dots\dots\dots\dots\dots\dots\dots\dots\dots\dots\dots\\ A(w_n^{n-1})=a_0+a_1w_n^{n-1}+a_2(w_n^{n-1})^2+a_3(w_n^{n-1})^3+\dots a_{n-1}(w_n^{n-1})^{n-1}\\$