分治FFT(NTT)

前置知识


前言

分治 F F T FFT FFT是基于分治的算法,通过每次计算左区间对右区间的贡献,来降低 F F T FFT FFT的时间复杂度。


情景代入

洛谷P4721 【模板】分治 FFT

给定序列 g 1 , g 2 … , g n − 1 g_1,g_2\dots,g_{n-1} g1,g2,gn1,求 f 0 , f 1 , … , f n − 1 f_0,f_1,\dots,f_{n-1} f0,f1,,fn1

其中 f i = ∑ j = 1 i f i − j g j f_i=\sum\limits_{j=1}^if_{i-j}g_j fi=j=1ifijgj,边界为 f 0 = 1 f_0=1 f0=1

答案对 998244353 998244353 998244353取模。

2 ≤ n ≤ 1 0 5 , 0 ≤ g i < 998244353 2\leq n\leq 10^5,0\leq g_i<998244353 2n105,0gi<998244353


分析

f f f的递推式可看出,它是其前面的项于多项式 g g g的卷积。多项式 f f f不能一次全部求出,因为其每一项都和前面的项有关。我们可以用分治,将左半区间对右半区间的贡献提前累加到右半区间。

设当前左半区间为 [ l , m i d ] [l,mid] [l,mid],右半区间为 [ m i d + 1 , r ] [mid+1,r] [mid+1,r] k ∈ [ m i d + 1 , r ] k\in[mid+1,r] k[mid+1,r],考虑左半区间对右半区间内的点 k k k的贡献。

v k = ∑ i = l m i d f i × g k − i v_k=\sum\limits_{i=l}^{mid}f_i\times g_{k-i} vk=i=lmidfi×gki

F ( x ) = ∑ i = 0 m i d − l f i + m i d x i , G ( x ) = ∑ i = 0 r − l g i x i F(x)=\sum\limits_{i=0}^{mid-l}f_{i+mid}x_i,G(x)=\sum\limits_{i=0}^{r-l}g_ix^i F(x)=i=0midlfi+midxi,G(x)=i=0rlgixi H ( x ) = F ∗ G H(x)=F*G H(x)=FG,则

v k = H k − l v_k=H_{k-l} vk=Hkl

所以左半区间 [ l , m i d ] [l,mid] [l,mid]对右半区间 [ m i d + 1 , r ] [mid+1,r] [mid+1,r]的贡献可以通过一次多项式乘法得出。

时间复杂度为 O ( n log ⁡ 2 n ) O(n\log^2 n) O(nlog2n)

code

#include<bits/stdc++.h>
using namespace std;
long long g[500005],f[500005],a1[500005],a2[500005];
const long long G=3,mod=998244353;
long long mi(long long t,long long v){
	if(!v) return 1;
	long long re=mi(t,v/2);
	re=re*re%mod;
	if(v&1) re=re*t%mod;
	return re;
}
void ch(long long *a,int l){
	for(int i=1,j=l/2,k;i<l-1;i++){
		if(i<j) swap(a[i],a[j]);
		k=l/2;
		while(j>=k){
			j-=k;k>>=1;
		}
		j+=k;
	}
}
void ntt(long long *a,int l,int fl){
	long long wn,w;
	for(int i=2;i<=l;i<<=1){
		if(fl==1) wn=mi(G,(mod-1)/i);
		else wn=mi(G,mod-1-(mod-1)/i);
		for(int j=0;j<l;j+=i){
			w=1;
			for(int k=j;k<j+i/2;k++,w=w*wn%mod){
				long long t=a[k],u=w*a[k+i/2]%mod;
				a[k]=(t+u)%mod;
				a[k+i/2]=(t-u+mod)%mod;
			}
		}
	}
	if(fl==-1){
		long long ny=mi(l,mod-2);
		for(int i=0;i<l;i++) a[i]=a[i]*ny%mod;
	}
}
void solve(int l,int r){
	if(l==r){
		f[l]=(f[l]+g[l])%mod;
		return;
	}
	int mid=l+r>>1;
	solve(l,mid);
	int len=1;
	while(len<r-l+1) len<<=1;
	
	for(int i=0;i<len;i++) a1[i]=a2[i]=0;
	for(int i=0;i<=mid-l;i++) a1[i]=f[i+l];
	for(int i=0;i<=r-l;i++) a2[i]=g[i];
	
	ch(a1,len);ch(a2,len);
	ntt(a1,len,1);ntt(a2,len,1);
	
	for(int i=0;i<len;i++){
		a1[i]=a1[i]*a2[i]%mod;
	}
	
	ch(a1,len);
	ntt(a1,len,-1);
	for(int i=mid+1;i<=r;i++){
		f[i]=(f[i]+a1[i-l])%mod;
	}
	solve(mid+1,r);
}
int main()
{
	int n;
	scanf("%d",&n);
	for(int i=1;i<n;i++){
		scanf("%lld",&g[i]);
	}
	solve(0,n-1);
	f[0]=1;
	for(int i=0;i<=n-1;i++){
		printf("%lld ",f[i]);
	}
	return 0;
}
快速傅里叶变换(FFT)是处理数字信号的重要工具,而数论变换(NTT)则是在特定模数下进行的快速变换,常用于大整数乘法或多项式乘法中,以避免浮点数精度问题。NTT 依赖于原根和模数的性质,其基本思想与 FFT 类似,但所有运算都在模数下进行。 以下是一个 NTT 的基本实现示例,适用于模数为形如 $ p = r \cdot 2^k + 1 $ 的质数,并且要求输入长度为 $ 2 $ 的幂: ```cpp #include <bits/stdc++.h> using namespace std; typedef long long ll; const int MOD = 998244353, G = 3, MAXN = (1 << 21); ll pow_mod(ll a, ll b, ll mod) { ll res = 1; while (b) { if (b & 1) res = res * a % mod; a = a * a % mod; b >>= 1; } return res; } void ntt(vector<ll>& a, int op) { int n = a.size(); vector<ll> b = a; for (int i = 0; i < n; i++) { int rev = 0; for (int j = 0; j < log2(n); j++) rev |= ((i >> j) & 1) << (log2(n) - 1 - j); b[rev] = a[i]; } a = b; for (int h = 2; h <= n; h <<= 1) { ll gn = pow_mod(G, (MOD - 1) / h, MOD); for (int i = 0; i < n; i += h) { ll g = 1; for (int j = 0; j < h / 2; j++) { ll u = a[i + j], v = a[i + j + h / 2] * g % MOD; a[i + j] = (u + v) % MOD; a[i + j + h / 2] = (u - v + MOD) % MOD; g = g * gn % MOD; } } } if (op == -1) { reverse(a.begin() + 1, a.end()); ll inv = pow_mod(n, MOD - 2, MOD); for (int i = 0; i < n; i++) a[i] = a[i] * inv % MOD; } } vector<ll> multiply(vector<ll> a, vector<ll> b) { int n = 1; while (n < a.size() + b.size()) n <<= 1; a.resize(n), b.resize(n); ntt(a, 1), ntt(b, 1); for (int i = 0; i < n; i++) a[i] = a[i] * b[i] % MOD; ntt(a, -1); return a; } int main() { vector<ll> a = {1, 2, 3}, b = {4, 5, 6}; vector<ll> res = multiply(a, b); for (ll x : res) cout << x << " "; return 0; } ``` ### NTT 的应用 - **大整数乘法**:将两个大整数表示为多项式,通过 NTT 实现快速乘法。 - **卷积计算**:在信号处理中,两个信号的卷积可通过 NTT 实现快速计算。 - **多项式求逆、开方、指数、对数等操作**:这些操作在现代算法竞赛中广泛使用。 ### 学习资源推荐 1. **《算法导论》**:第 30 章详细讲解了快速傅里叶变换,NTT 可视为其模运算下的变种。 2. **OI Wiki**:提供了 NTT 的数学基础、实现细节和典型应用。 3. **Codeforces 和 AtCoder**:许多竞赛题涉及 NTT 的使用,如多项式乘法、组合数学问题等。 4. **洛谷题库**: - P3803 【模板】多项式乘法(FFT/NTT) - P4245 【模板】任意模数多项式乘法(三模数 NTT) - P4721 【模板】分治 FFT ###
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值