acwing2241 礼物( FFT)

该篇文章介绍了一种使用快速傅立叶变换(FFT)算法处理复数数据的计算方法,用于求解两个复数序列的特定问题,并通过并行计算优化了计算过程,最终输出结果是两个复数序列的平方和减去相关系数的平方的最大整数值。

 

题目:https://www.acwing.com/problem/content/2243/

思路: 

 代码:

#define _CRT_SECURE_NO_WARNINGS
#include<iostream>
#include<string>
#include<cstring>
#include<cmath>
#include<ctime>
#include<algorithm>
#include<utility>
#include<stack>
#include<queue>
#include<vector>
#include<set>
#include<map>
#include<unordered_map>
using namespace std;
#define LL  long long
const int N = 4e5 + 10;
const LL mod = 998244353;
const double PI = acos(-1);
struct Complex
{
    double x, y;
    Complex operator +(const Complex& t) const
    {  
        return { x + t.x,y + t.y };
     }
    Complex operator -(const Complex& t) const
    {
        return { x - t.x,y -t.y };
    }
    Complex operator *(const Complex& t) const
    {
        return { x*t.x - y*t.y,x*t.y+y*t.x};
    }
}a[N], b[N];
int n, m;
LL ans1, ans2;
int tot, bit;
int rel[N];
LL gg(int c,int bb)
{
    return (LL)n * c * c + 2 * c * bb;
}
void fft(Complex a[], int op)
{   
    for (int i = 0; i < tot; i++)
        if (i < rel[i])swap(a[i], a[rel[i]]);
    for (int m = 2; m <= tot; m *= 2)
    {
        Complex w1 ={ cos(2 * PI / m),op * sin(2 * PI / m) };
        for (int i = 0; i < tot; i+=m)
        {
            Complex wk = { 1,0 };
            for (int j = 0; j < m / 2; j++)
            {
                Complex x = a[i + j], y = a[i + j + m / 2]*wk;
                a[i + j] = x + y;
                a[i + j + m / 2] = x - y;
                wk = w1 * wk;
            }
        }

    }

}
int main() {
    cin >> n >> m;
    LL bb = 0;
    for (int i = 0; i <n; i++)
    {
        cin >> a[n - 1 - i].x;
        ans1 += (LL)a[n - 1 - i].x * a[n - 1 - i].x;
        bb +=(LL)a[n - 1 - i].x;
    }
    for (int i = 0; i < n; i++)
    {
        cin >> b[i].x;
        ans1 += b[i].x* b[i].x;
        bb -= b[i].x;
    }
    for (int i = 0; i <= n - 1; i++)
        a[i + n] = a[i];
    int cc = -bb / n;
    ans1 += min(gg(cc,bb), min(gg(cc+1,bb), gg(cc-1,bb)));
    n--;
    while ((1 << bit) < 3 * n + 1) bit++;
    tot = 1 << bit;
    for (int i = 0; i < tot; i++) rel[i] = rel[i / 2] / 2 + (i & 1 ? tot / 2 : 0);
    fft(a, 1);
    fft(b, 1);
    for (int i = 0; i < tot; i++) a[i] = a[i] * b[i];
    fft(a, -1);
    for (int i = n - 1; i <= 2 * (n - 1); i++)
    { 
        ans2 = max((int)ans2, int(a[i].x / tot + 0.5));
    }
    ans1 = ans1 - 2 * ans2;
    cout << ans1 << endl;
    return 0;
}

### 关于FFT算法AcWing平台的相关内容 #### FFT算法简介 快速傅里叶变换(Fast Fourier Transform, FFT)是一种能在O(n log n)时间内完成离散傅立叶变换(DFT)及其逆变换(IDFT)的高效算法。该算法广泛应用于信号处理、图像处理以及多项式乘法等领域。 #### AcWing平台上有关FFT的内容概述 在AcWing平台上,可以找到许多关于FFT的学习资源和练习题目。这些资料不仅限于理论讲解,还包括实际编程中的应用实例[^1]。 对于希望深入理解并掌握这一强大工具的人来说,在线课程提供了详细的教程,帮助学习者逐步了解如何利用C++或其他支持的语言来实现FFT功能。此外,社区内活跃着一批经验丰富的开发者分享自己的见解与心得,使得初学者能够更快地上手实践[^2]。 #### C++实现FFT的一个简单例子 下面给出一段基于C++标准库complex类别的简化版FFT代码片段: ```cpp #include <vector> #include <complex> using namespace std; typedef complex<double> base; void fft(vector<base>& a, bool invert) { int n = a.size(); for (int i=1, j=0; i<n; ++i) { int bit = n >> 1; for (; j>=bit; bit>>=1) j -= bit; j += bit; if (i < j) swap(a[i], a[j]); } for (int len=2; len<=n; len<<=1) { double ang = 2*M_PI/len * (invert ? -1 : 1); base wlen(cos(ang), sin(ang)); for (int i=0; i<n; i+=len) { base w(1); for (int j=0; j<len/2; ++j) { base u = a[i+j]; base v = a[i+j+len/2]*w; a[i+j] = u+v; a[i+j+len/2]= u-v; w *= wlen; } } } if (invert) for (auto& x:a) x /= n; } ``` 此函数接受一个复数向量作为输入参数,并对其进行原位修改以计算其DFT或IDFT结果;通过设置`invert`标志为true/false可切换操作模式。注意这里为了简化起见省去了部分细节优化措施,比如内存分配策略等[^3]。
评论
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