[洛谷P4721]【模板】分治 FFT

本文介绍了一种使用分治FFT(快速傅立叶变换)算法解决特定线性递推问题的方法,该问题要求计算一个由给定数组通过特定公式生成的新数组。直接计算的时间复杂度为O(n^2),而采用分治FFT则可以将复杂度降低至O(nlog^2n)。文章详细解释了算法原理,并提供了完整的C++代码实现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目大意:给定长度为$n-1$的数组$g_{[1,n)}$,求$f_{[0,n)}$,要求:

$$
f_i=\sum_{j=1}^if_{i-j}g_j\\
f_0=1
$$

题解:直接求复杂度是$O(n^2)$,明显不可以通过此题

分治$FFT$,可以用$CDQ$分治,先求出$f_{[l,mid)}$,可以发现这部分对区间的$f_{[mid,r)}$的贡献是$f_{[l,mid)}*g_{[0,r-l)}$,卷出来加到对应位置就行了,复杂度$O(n\log_2^2n)​$

卡点:

 

C++ Code:

#include <algorithm>
#include <cstdio>
#include <cctype>
namespace std {
	struct istream {
#define M (1 << 21 | 3)
		char buf[M], *ch = buf - 1;
		inline istream() {
#ifndef ONLINE_JUDGE
			freopen("input.txt", "r", stdin);
#endif
			fread(buf, 1, M, stdin);
		}
		inline istream& operator >> (int &x) {
			while (isspace(*++ch));
			for (x = *ch & 15; isdigit(*++ch); ) x = x * 10 + (*ch & 15);
			return *this;
		}
#undef M
	} cin;
	struct ostream {
#define M (1 << 21 | 3)
		char buf[M], *ch = buf - 1;
		int w;
		inline ostream& operator << (int x) {
			if (!x) {
				*++ch = '0';
				return *this;
			}
			for (w = 1; w <= x; w *= 10);
			for (w /= 10; w; w /= 10) *++ch = (x / w) ^ 48, x %= w;
			return *this;
		}
		inline ostream& operator << (const char x) {*++ch = x; return *this;}
		inline ~ostream() {
#ifndef ONLINE_JUDGE
			freopen("output.txt", "w", stdout);
#endif
			fwrite(buf, 1, ch - buf + 1, stdout);
		}
#undef M
	} cout;
}

#define maxn 131072 | 3
const int mod = 998244353, G = 3;

namespace Math {
	inline int pw(int base, int p) {
		static int res;
		for (res = 1; p; p >>= 1, base = static_cast<long long> (base) * base % mod) if (p & 1) res = static_cast<long long> (res) * base % mod;
		return res;
	}
	inline int inv(int x) {return pw(x, mod - 2);}
}

int n;
int f[maxn], g[maxn];
namespace Poly {
#define N 131072 | 3
	int s, lim, ilim, rev[N];
	int Wn[N + 1];
	inline void reduce(int &x) {x += x >> 31 & mod;}
	inline void clear(register int *l, const int *r) {
		if (l >= r) return ;
		while (l != r) *l++ = 0;
	}
	inline void init(const int n) {
		s = -1, lim = 1; while (lim <= n) lim <<= 1, s++; ilim = Math::inv(lim);
		for (int i = 1; i < lim; i++) rev[i] = rev[i >> 1] >> 1 | (i & 1) << s;
		const int t = Math::pw(G, (mod - 1) / lim);
		*Wn = 1; for (register int *i = Wn; i != Wn + lim; ++i) *(i + 1) = static_cast<long long> (*i) * t % mod;
	}

	inline void NTT(int *A, const int op = 1) {
		for (register int i = 1; i < lim; i++) if (i < rev[i]) std::swap(A[i], A[rev[i]]);
		for (register int mid = 1; mid < lim; mid <<= 1) {
			const int t = lim / mid >> 1;
			for (register int i = 0; i < lim; i += mid << 1) {
				for (register int j = 0; j < mid; j++) {
					const int W = op ? Wn[t * j] : Wn[lim - t * j];
					const int X = A[i + j], Y = static_cast<long long> (A[i + j + mid]) * W % mod;
					reduce(A[i + j] += Y - mod), reduce(A[i + j + mid] = X - Y);
				}
			}
		}
		if (!op) for (int i = 0; i < lim; i++) A[i] = static_cast<long long> (A[i]) * ilim % mod;
	}

	int A[N], B[N];
	void CDQ_NTT(const int l, const int r) {
		if (r - l < 2) return ;
		const int mid = l + r >> 1;
		CDQ_NTT(l, mid); init(r - l);
		std::copy(f + l, f + mid, A); clear(A + mid - l, A + lim);
		std::copy(g, g + r - l, B); clear(B + r - l, B + lim);
		NTT(A), NTT(B);
		for (int i = 0; i < lim; i++) A[i] = static_cast<long long> (A[i]) * B[i] % mod;
		NTT(A, 0);
		for (int i = mid; i < r; i++) reduce(f[i] += A[i - l] - mod);
		CDQ_NTT(mid, r);
	}
#undef N
}

int main() {
	std::cin >> n;
	for (int i = 1; i < n; i++) std::cin >> g[i];
	*f = 1;
	Poly::CDQ_NTT(0, n);
	for (int i = 0; i < n; i++) std::cout << f[i] << ' ';
	std::cout << '\n';
	return 0;
}

  

转载于:https://www.cnblogs.com/Memory-of-winter/p/10127918.html

### 洛谷 FFT 题目与解法 洛谷平台上的 FFT(快速傅里叶变换)相关题目通常涉及多项式乘法、卷积计算以及字符串匹配等场景。以下是关于 FFT 的一些常见题型及解法的总结[^1]。 #### 1. 多项式乘法 FFT 最常见的应用之一是加速多项式的乘法运算。给定两个多项式 $A(x)$ 和 $B(x)$,直接相乘的时间复杂度为 $O(n^2)$,而使用 FFT 可以将时间复杂度优化到 $O(n \log n)$。以下是一个基于 FFT 的多项式乘法代码示例[^2]: ```cpp #include <iostream> #include <complex> #include <vector> using namespace std; typedef complex<double> cp; void FFT(vector<cp> &a, int n, int inv) { for(int i=0, j=0; i<n; ++i){ if(i > j) swap(a[i], a[j]); for(int k = n >> 1; (j ^= k) < k; k >>= 1); } for(int len=2; len<=n; len<<=1){ double ang = inv * 2 * acos(-1) / len; cp wlen(cos(ang), sin(ang)); for(int i=0; i<n; i+=len){ cp w(1, 0); for(int j=0; j<len/2; ++j){ cp u = a[i+j], v = a[i+j+len/2] * w; a[i+j] = u + v; a[i+j+len/2] = u - v; w *= wlen; } } } if(inv == -1){ for(auto &x : a) x /= n; } } vector<double> multiply(const vector<double> &a, const vector<double> &b){ int n = 1; while(n < (int)a.size() + (int)b.size()) n <<= 1; vector<cp> fa(a.begin(), a.end()), fb(b.begin(), b.end()); fa.resize(n); fb.resize(n); FFT(fa, n, 1); FFT(fb, n, 1); for(int i=0; i<n; ++i) fa[i] *= fb[i]; FFT(fa, n, -1); vector<double> res(n); for(int i=0; i<n; ++i) res[i] = fa[i].real(); return res; } ``` #### 2. 字符串匹配 FFT 还可以用于字符串匹配问题,例如通过将字符串转化为数值序列后进行卷积计算。以下是字符串匹配的一个简单实现[^2]: ```cpp #include <bits/stdc++.h> using namespace std; typedef complex<double> cp; const double PI = acos(-1); void fft(vector<cp> &a, bool inv){ int n = a.size(); for(int i=1,j=0;i<n-1;i++){ for(int k=n>>1;k>(j^=k);k>>=1); if(i<j) swap(a[i],a[j]); } for(int len=2;len<=n;len<<=1){ double ang = 2*PI/len*(inv?-1:1); cp wlen(cos(ang),sin(ang)); for(int i=0;i<n;i+=len){ cp w(1,0); for(int j=0;j<len/2;j++){ cp u = a[i+j], v = a[i+j+len/2]*w; a[i+j] = u+v; a[i+j+len/2] = u-v; w *= wlen; } } } if(inv){ for(auto &x:a) x/=n; } } int main(){ string s1,s2; cin >> s1 >> s2; int m = s1.size(), n = s2.size(); vector<cp> A(m), B(n); for(int i=0;i<m;i++) A[i] = s1[i]-'a'+1; for(int i=0;i<n;i++) B[i] = s2[i]-'a'+1; reverse(A.begin(), A.end()); int len = 1; while(len < m + n) len <<= 1; A.resize(len, 0); B.resize(len, 0); fft(A, false); fft(B, false); for(int i=0;i<len;i++) A[i] *= B[i]; fft(A, true); for(int i=m-1;i<n;i++) cout << fixed << setprecision(0) << A[i].real() << " "; } ``` #### 3. 洛谷 FFT 教程 洛谷平台上有一些高质量的 FFT 教程,例如《浅谈 FFT——从 DFT 到 FFT》[^1]。这篇教程详细介绍了 FFT 的数学原理、DFT 的定义以及如何用 FFT 加速多项式乘法。此外,还提供了丰富的代码示例和实际应用场景。 --- ###
评论
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