docs/math/poly/fft.md
author: H-J-Granger, ranwen, abc1763613206, Ahacad, Allenyou1126, AndrewWayne, AngelKitty, AtomAlpaca, Backl1ght, billchenchina, c-forrest, CCXXXI, Cheuring, Chrogeek, ChungZH, countercurrent-time, DepletedPrism, Early0v0, EarthMessenger, Enter-tainer, F1shAndCat, GavinZhengOI, Gesrua, Great-designer, greyqz, Haohu Shen, henryrabbit, heroming, hly1204, Ir1d, isdanni, jiang1997, kenlig, Lewy Zeng, lucifer1004, Menci, muoshuosha, NachtgeistW, needtocalmdown, opsiff, ouuan, ouuan, partychicken, schtonn, Sshwy, sshwy, StudyingFather, SukkaW, Taoran-01, Tiphereth-A, TrisolarisHD, untitledunrevised, Xeonacid, YouXam, Yukimaikoriya
前置知识：复数．
本文将介绍一种算法，它支持在 $O(n\log n)$ 的时间内计算两个 $n$ 次多项式的乘法，比朴素的 $O(n^2)$ 算法更高效．由于两个整数的乘法也可以被当作多项式乘法，因此这个算法也可以用来加速大整数的乘法计算．
我们现在引入两个多项式 $A$ 和 $B$：
$$ \begin{aligned} A ={}& 5x^2 + 3x + 7 \ B ={}& 7x^2 + 2x + 1 \ \end{aligned} $$
两个多项式相乘的积 $C = A \times B$，我们可以在 $O(n^2)$ 的时间复杂度中解得（这里 $n$ 为 $A$ 或者 $B$ 多项式的次数）：
$$ \begin{aligned} C ={}& A \times B \ ={}& 35x^4 + 31x^3 + 60x^2 + 17x + 7 \end{aligned} $$
很明显，多项式 $C$ 的系数 $c_i$ 满足 $c_i = \sum_{j = 0}^i a_j b_{i - j}$．而对于这种朴素算法而言，计算每一项的时间复杂度都为 $O(n)$，一共有 $O(n)$ 项，那么时间复杂度为 $O(n^2)$．
能否加速使得它的时间复杂度降低呢？如果使用快速傅里叶变换的话，那么我们可以使得其复杂度降低到 $O(n \log n)$．
傅里叶变换（Fourier Transform）是一种分析信号的方法，它可分析信号的成分，也可用这些成分合成信号．许多波形可作为信号的成分，傅里叶变换用正弦波作为信号的成分．
设 $f(t)$ 是关于时间 $t$ 的函数，则傅里叶变换可以检测频率 $\omega$ 的周期在 $f(t)$ 出现的程度：
$$ F(\omega)=\mathbb{F}[f(t)]=\int_{-\infty}^{\infty}f(t)\mathrm{e}^{-\mathrm{i}{\omega}t}dt $$
它的逆变换是
$$ f(t)=\mathbb{F}^{-1}[F(\omega)]=\frac{1}{2\pi}\int_{-\infty}^{\infty}F(\omega)\mathrm{e}^{\mathrm{i}{\omega}t}d\omega $$
逆变换的形式与正变换非常类似，分母 $2\pi$ 恰好是指数函数的周期．
傅里叶变换相当于将时域的函数与周期为 $2\pi$ 的复指数函数进行连续的内积．逆变换仍旧为一个内积．
傅里叶变换有相应的卷积定理，可以将时域的卷积转化为频域的乘积，也可以将频域的卷积转化为时域的乘积．
离散傅里叶变换（Discrete Fourier transform，DFT）是傅里叶变换在时域和频域上都呈离散的形式，将信号的时域采样变换为其 DTFT（discrete-time Fourier transform）的频域采样．
傅里叶变换是积分形式的连续的函数内积，离散傅里叶变换是求和形式的内积．
设 ${x_n}_{n=0}^{N-1}$ 是某一满足有限性条件的序列，它的离散傅里叶变换（DFT）为：
$$ X_k=\sum_{n=0}^{N-1}x_n\mathrm{e}^{-\mathrm{i}\frac{2\pi}{N}kn} $$
其中 $\mathrm{e}$ 是自然对数的底数，$i$ 是虚数单位．通常以符号 $\mathcal {F}$ 表示这一变换，即
$$ \hat{x}=\mathcal{F}x $$
类似于积分形式，它的 逆离散傅里叶变换（IDFT）为：
$$ x_n=\frac{1}{N}\sum_{k=0}^{N-1}X_k\mathrm{e}^{\mathrm{i}\frac{2\pi}{N}kn} $$
可以记为：
$$ x=\mathcal{F}^{-1}\hat{x} $$
实际上，DFT 和 IDFT 变换式中和式前面的归一化系数并不重要．在上面的定义中，DFT 和 IDFT 前的系数分别为 $1$ 和 $\frac {1}{N}$．有时我们会将这两个系数都改 $\frac{1}{{\sqrt{N}}}$．
离散傅里叶变换仍旧是时域到频域的变换．由于求和形式的特殊性，可以有其他的解释方法．
如果把序列 $x_n$ 看作多项式 $f(x)$ 的 $x^n$ 项系数，则计算得到的 $X_k$ 恰好是多项式 $f(x)$ 代入单位根 $\mathrm{e}^{\frac{-2\pi \mathrm{i}k}{N}}$ 的点值 $f(\mathrm{e}^{\frac{-2\pi \mathrm{i}k}{N}})$．
这便构成了卷积定理的另一种解释办法，即对多项式进行特殊的求值操作．离散傅里叶变换恰好是多项式在单位根处进行求值．
例如计算：
$$ \dbinom{n}{3}+\dbinom{n}{7}+\dbinom{n}{11}+\dbinom{n}{15}+\ldots $$
定义函数 $f(x)$ 为：
$$ f(x)={(1+x)}^n=\dbinom{n}{0}x^0+\dbinom{n}{1}x^1+\dbinom{n}{2}x^2+\dbinom{n}{3}x^3+\ldots $$
然后可以发现，代入四次单位根 $f(\mathrm{i})$ 得到这样的序列：
$$ f(\mathrm{i})={(1+\mathrm{i})}^n=\dbinom{n}{0}+\dbinom{n}{1}\mathrm{i}-\dbinom{n}{2}-\dbinom{n}{3}\mathrm{i}+\ldots $$
于是下面的求和恰好可以把其余各项消掉：
$$ f(1)+\mathrm{i}f(\mathrm{i})-f(-1)-\mathrm{i}f(-\mathrm{i})=4\dbinom{n}{3}+4\dbinom{n}{7}+4\dbinom{n}{11}+4\dbinom{n}{15}+\ldots $$
因此这道数学题的答案为：
$$ \dbinom{n}{3}+\dbinom{n}{7}+\dbinom{n}{11}+\dbinom{n}{15}+\ldots=\frac{2^n+\mathrm{i}(1+\mathrm{i})^n-\mathrm{i}(1-\mathrm{i})^n}{4} $$
这道数学题在单位根处求值，恰好构成离散傅里叶变换．
由于离散傅立叶变换是一个 线性 算子，所以它可以用矩阵乘法来描述．在矩阵表示法中，离散傅立叶变换表示如下：
\begin{bmatrix} 1 & 1 & 1 & \cdots & 1 \ 1 & \alpha & \alpha^{2} & \cdots & \alpha^{N-1} \ 1 & \alpha^{2} & \alpha^{4} & \cdots & \alpha^{2(N-1)} \ \vdots & \vdots & \vdots & \ddots & \vdots \ 1 & \alpha^{N-1} & \alpha^{2(N-1)} & \cdots & \alpha^{(N-1)(N-1)} \end{bmatrix} \begin{bmatrix} x_{0} \ x_{1} \ x_{2} \ \vdots \ x_{N-1} \end{bmatrix} $$
其中 $\alpha = \mathrm{e}^{-\mathrm{i}\frac{2\pi}{N}}$．
FFT 是一种高效实现 DFT 的算法，称为快速傅立叶变换（Fast Fourier Transform，FFT）．它对傅里叶变换的理论并没有新的发现，但是对于在计算机系统或者说数字系统中应用离散傅立叶变换，可以说是进了一大步．快速数论变换（NTT）是快速傅里叶变换（FFT）在数论基础上的实现．
在 1965 年，Cooley 和 Tukey 发表了快速傅里叶变换算法．事实上 FFT 早在这之前就被发现过了，但是在当时现代计算机并未问世，人们没有意识到 FFT 的重要性．一些调查者认为 FFT 是由 Runge 和 König 在 1924 年发现的．但事实上高斯早在 1805 年就发明了这个算法，但一直没有发表．
FFT 算法的基本思想是分治．就 DFT 来说，它分治地来求当 $x=\omega_n^k$ 的时候 $f(x)$ 的值．基 - 2 FFT 的分治思想体现在将多项式分为奇次项和偶次项处理．
举个例子，对于一共 $8$ 项的多项式：
$$ f(x) = a_0 + a_1x + a_2x^2+a_3x^3+a_4x^4+a_5x^5+a_6x^6+a_7x^7 $$
按照次数的奇偶来分成两组，然后右边提出来一个 $x$：
$$ \begin{aligned} f(x) &= (a_0+a_2x^2+a_4x^4+a_6x^6) + (a_1x+a_3x^3+a_5x^5+a_7x^7)\ &= (a_0+a_2x^2+a_4x^4+a_6x^6) + x(a_1+a_3x^2+a_5x^4+a_7x^6) \end{aligned} $$
分别用奇偶次次项数建立新的函数：
$$ \begin{aligned} G(x) &= a_0+a_2x+a_4x^2+a_6x^3\ H(x) &= a_1+a_3x+a_5x^2+a_7x^3 \end{aligned} $$
那么原来的 $f(x)$ 用新函数表示为：
$$ f(x)=G\left(x^2\right) + x \times H\left(x^2\right) $$
利用偶数次单位根的性质 $\omega^i_n = -\omega^{i + n/2}_n$，和 $G\left(x^2\right)$ 和 $H\left(x^2\right)$ 是偶函数，我们知道在复平面上 $\omega^i_n$ 和 $\omega^{i+n/2}_n$ 的 $G(x^2)$ 的 $H(x^2)$ 对应的值相同．得到：
$$ \begin{aligned} f(\omega_n^k) &= G((\omega_n^k)^2) + \omega_n^k \times H((\omega_n^k)^2) \ &= G(\omega_n^{2k}) + \omega_n^k \times H(\omega_n^{2k}) \ &= G(\omega_{n/2}^k) + \omega_n^k \times H(\omega_{n/2}^k) \end{aligned} $$
和：
$$ \begin{aligned} f(\omega_n^{k+n/2}) &= G(\omega_n^{2k+n}) + \omega_n^{k+n/2} \times H(\omega_n^{2k+n}) \ &= G(\omega_n^{2k}) - \omega_n^k \times H(\omega_n^{2k}) \ &= G(\omega_{n/2}^k) - \omega_n^k \times H(\omega_{n/2}^k) \end{aligned} $$
因此我们求出了 $G(\omega_{n/2}^k)$ 和 $H(\omega_{n/2}^k)$ 后，就可以同时求出 $f(\omega_n^k)$ 和 $f(\omega_n^{k+n/2})$．于是对 $G$ 和 $H$ 分别递归 DFT 即可．
考虑到分治 DFT 能处理的多项式长度只能是 $2^m(m \in \mathbf{N}^ \ast )$，否则在分治的时候左右不一样长，右边就取不到系数了．所以要在第一次 DFT 之前就把序列向上补成长度为 $2^m(m \in \mathbf{N}^\ast )$（高次系数补 $0$）、最高项次数为 $2^m-1$ 的多项式．
在代入值的时候，因为要代入 $n$ 个不同值，所以我们代入 $\omega_n^0,\omega_n^1,\omega_n^2,\cdots, \omega_n^{n-1} (n=2^m(m \in \mathbf{N}^ \ast ))$ 一共 $2^m$ 个不同值．
代码实现方面，STL 提供了复数的模板，当然也可以手动实现．两者区别在于，使用 STL 的 complex 可以调用 exp 函数求出 $\omega_n$．但事实上使用欧拉公式得到的虚数来求 $\omega_n$ 也是等价的．
以上就是 FFT 算法中 DFT 的介绍，它将一个多项式从系数表示法变成了点值表示法．
值的注意的是，因为是单位复根，所以说我们需要令 $n$ 项式的高位补为零，使得 $n = 2 ^ k, k \in \mathbf{N}^ \ast$．
???+ note "递归版 FFT" ```cpp #include <cmath> #include <complex>
using Comp = std::complex<double>; // STL complex
constexpr Comp I(0, 1); // i
constexpr int MAX_N = 1 << 20;
Comp tmp[MAX_N];
// rev=1, DFT; rev=-1, IDFT
// 应用完本函数后需要注意归一化系数的处理
void DFT(Comp* f, int n, int rev) {
if (n == 1) return;
for (int i = 0; i < n; ++i) tmp[i] = f[i];
// 偶数放左边，奇数放右边
for (int i = 0; i < n; ++i) {
if (i & 1)
f[n / 2 + i / 2] = tmp[i];
else
f[i / 2] = tmp[i];
}
Comp *g = f, *h = f + n / 2;
// 递归 DFT
DFT(g, n / 2, rev), DFT(h, n / 2, rev);
// cur 是当前单位复根，对于 k = 0 而言，它对应的单位复根 omega^0_n = 1．
// step 是两个单位复根的差，即满足 omega^k_n = step*omega^{k-1}*n，
// 定义等价于 exp(I*(-2*M_PI/n*rev))
Comp cur(1, 0), step(cos(2 * M_PI / n), sin(-2 * M_PI * rev / n));
for (int k = 0; k < n / 2;
++k) { // F(omega^k_n) = G(omega^k*{n/2}) + omega^k*n\*H(omega^k*{n/2})
tmp[k] = g[k] + cur * h[k];
// F(omega^{k+n/2}*n) = G(omega^k*{n/2}) - omega^k_n*H(omega^k\_{n/2})
tmp[k + n / 2] = g[k] - cur * h[k];
cur *= step;
}
for (int i = 0; i < n; ++i) f[i] = tmp[i];
}
```
时间复杂度 $O(n\log n)$．
这个算法还可以从「分治」的角度继续优化．对于基 - 2 FFT，我们每一次都会把整个多项式的奇数次项和偶数次项系数分开，一直分到只剩下一个系数．但是，这个递归的过程需要更多的内存．因此，我们可以先「模仿递归」把这些系数在原数组中「拆分」，然后再「倍增」地去合并这些算出来的值．
对于「拆分」，可以使用位逆序置换实现．
对于「合并」，使用蝶形运算优化可以做到只用 $O(1)$ 的额外空间来完成．
以 $8$ 项多项式为例，模拟拆分的过程：
规律：其实就是原来的那个序列，每个数用二进制表示，然后把二进制翻转对称一下，就是最终那个位置的下标．比如 $x_1$ 是 001，翻转是 100，也就是 4，而且最后那个位置确实是 4．我们称这个变换为位逆序置换（bit-reversal permutation），证明留给读者自证．
根据它的定义，我们可以在 $O(n)$ 的时间内求出每个数变换后的结果：
???+ note "位逆序置换实现（$O(n)$）"
cpp /* * 进行 FFT 和 IFFT 前的反置变换 * 位置 i 和 i 的二进制反转后的位置互换 * len 必须为 2 的幂 */ void change(Complex y[], int len) { // 一开始 i 是 0...01，而 j 是 10...0，在二进制下相反对称． // 之后 i 逐渐加一，而 j 依然维持着和 i 相反对称，一直到 i = 1...11． for (int i = 1, j = len / 2, k; i < len - 1; i++) { // 交换互为小标反转的元素，i < j 保证交换一次 if (i < j) swap(y[i], y[j]); // i 做正常的 + 1，j 做反转类型的 + 1，始终保持 i 和 j 是反转的． // 这里 k 代表了 0 出现的最高位．j 先减去高位的全为 1 的数字， // 直到遇到了 0，之后再加上即可． // 考虑 j 中比特位的翻转次数，最高位将会翻转 n 次， // 第二高位将会翻转 n/2 次，以此类推，所以时间复杂度为： // T(n) = n + n/2 + n/4 + ... = O(n) k = len / 2; while (j >= k) { j = j - k; k = k / 2; } j += k; } }
位逆序置换也可以 $O(n)$ 从小到大递推实现，设 $len=2^k$，其中 $k$ 表示二进制数的长度，设 $R(x)$ 表示长度为 $k$ 的二进制数 $x$ 翻转后的数（高位补 $0$）．我们要求的是 $R(0),R(1),\cdots,R(n-1)$．
首先 $R(0)=0$．
我们从小到大求 $R(x)$．因此在求 $R(x)$ 时，$R\left(\left\lfloor \dfrac{x}{2} \right\rfloor\right)$ 的值是已知的．因此我们把 $x$ 右移一位（除以 $2$），然后翻转，再右移一位，就得到了 $x$ 除了（二进制）个位 之外其它位的翻转结果．
考虑个位的翻转结果：如果个位是 $0$，翻转之后最高位就是 $0$．如果个位是 $1$，则翻转后最高位是 $1$，因此还要加上 $\dfrac{len}{2}=2^{k-1}$．综上
$$ R(x)=\left\lfloor \frac{R\left(\left\lfloor \frac{x}{2} \right\rfloor\right)}{2} \right\rfloor + (x\bmod 2)\times \frac{len}{2} $$
举个例子：设 $k=5$，$len=(100000)_2$．为了翻转 $(11001)_2$：
???+ note "位逆序置换实现（$O(n)$）"
cpp // 同样需要保证 len 是 2 的幂 // 记 rev[i] 为 i 翻转后的值 void change(Complex y[], int len) { for (int i = 0; i < len; ++i) { rev[i] = rev[i >> 1] >> 1; if (i & 1) { // 如果最后一位是 1，则翻转成 len/2 rev[i] |= len >> 1; } } for (int i = 0; i < len; ++i) { if (i < rev[i]) { // 保证每对数只翻转一次 swap(y[i], y[rev[i]]); } } return; }
已知 $G(\omega_{n/2}^k)$ 和 $H(\omega_{n/2}^k)$ 后，需要使用下面两个式子求出 $f(\omega_n^k)$ 和 $f(\omega_n^{k+n/2})$：
$$ \begin{aligned} f(\omega_n^k) & = G(\omega_{n/2}^k) + \omega_n^k \times H(\omega_{n/2}^k) \ f(\omega_n^{k+n/2}) & = G(\omega_{n/2}^k) - \omega_n^k \times H(\omega_{n/2}^k) \end{aligned} $$
使用位逆序置换后，对于给定的 $n, k$：
因此可以直接在数组下标为 $k$ 和 $k + \frac{n}{2}$ 的位置进行覆写，而不用开额外的数组保存值．此方法即称为 蝶形运算，或更准确的，基 - 2 蝶形运算．
再详细说明一下如何借助蝶形运算完成所有段长度为 $\frac{n}{2}$ 的合并操作：
傅里叶逆变换可以用傅里叶变换表示．对此我们有两种理解方式．
IDFT（傅里叶反变换）的作用，是把目标多项式的点值形式转换成系数形式．而 DFT 本身是个线性变换，可以理解为将目标多项式当作向量，左乘一个矩阵得到变换后的向量，以模拟把单位复根代入多项式的过程：
\begin{bmatrix}1 & 1 & 1 & 1 & \cdots & 1 \ 1 & \omega_n^1 & \omega_n^2 & \omega_n^3 & \cdots & \omega_n^{n-1} \ 1 & \omega_n^2 & \omega_n^4 & \omega_n^6 & \cdots & \omega_n^{2(n-1)} \ 1 & \omega_n^3 & \omega_n^6 & \omega_n^9 & \cdots & \omega_n^{3(n-1)} \ \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \ 1 & \omega_n^{n-1} & \omega_n^{2(n-1)} & \omega_n^{3(n-1)} & \cdots & \omega_n^{(n-1)^2} \end{bmatrix} \begin{bmatrix} a_0 \ a_1 \ a_2 \ a_3 \ \vdots \ a_{n-1} \end{bmatrix} $$
现在我们已经得到最左边的结果了，中间的 $x$ 值在目标多项式的点值表示中也是一一对应的，所以，根据矩阵的基础知识，我们只要在式子两边左乘中间那个大矩阵的逆矩阵就行了．
由于这个矩阵的元素非常特殊，它的逆矩阵也有特殊的性质，就是每一项 取倒数，再 除以变换的长度 $n$，就能得到它的逆矩阵．
注意：傅里叶变换的长度，并不是多项式的长度，变换的长度应比乘积多项式的长度长．待相乘的多项式不够长，需要在高次项处补 $0$．
为了使计算的结果为原来的倒数，根据欧拉公式，可以得到
$$ \frac{1}{\omega_k}=\omega_k^{-1}=\mathrm{e}^{-\frac{2\pi \mathrm{i}}{k}}=\cos\left(\frac{2\pi}{k}\right)+\mathrm{i} \sin\left(-\frac{2\pi}{k}\right) $$
因此我们可以尝试着把单位根 $\omega_k$ 取成 $\mathrm{e}^{-\frac{2\pi \mathrm{i}}{k}}$，这样我们的计算结果就会变成原来的倒数，之后唯一多的操作就只有再 除以它的长度 $n$，而其它的操作过程与 DFT 是完全相同的．我们可以定义一个函数，在里面加一个参数 $1$ 或者是 $-1$，然后把它乘到 $\pi$ 上．传入 $1$ 就是 DFT，传入 $-1$ 就是 IDFT．
利用单位复根的周期性同样可以理解 IDFT 与 DFT 之间的关系．
考虑原本的多项式是 $f(x)=a_0+a_1x+a_2x^2+\cdots+a_{n-1}x^{n-1}=\sum_{i=0}^{n-1}a_ix^i$．而 IDFT 就是把你的点值表示还原为系数表示．
考虑 构造法．我们已知 $y_i=f\left( \omega_n^i \right),i\in{0,1,\cdots,n-1}$，求 ${a_0,a_1,\cdots,a_{n-1}}$．构造多项式如下
$$ A(x)=\sum_{i=0}^{n-1}y_ix^i $$
相当于把 ${y_0,y_1,y_2,\cdots,y_{n-1}}$ 当做多项式 $A$ 的系数表示法．
这时我们有两种推导方式，这对应了两种实现方法．
设 $b_i=\omega_n^{-i}$，则多项式 $A$ 在 $x=b_0,b_1,\cdots,b_{n-1}$ 处的点值表示法为 $\left{ A(b_0),A(b_1),\cdots,A(b_{n-1}) \right}$．
对 $A(x)$ 的定义式做一下变换，可以将 $A(b_k)$ 表示为
$$ \begin{aligned} A(b_k)&=\sum_{i=0}^{n-1}f(\omega_n^i)\omega_n^{-ik}=\sum_{i=0}^{n-1}\omega_n^{-ik}\sum_{j=0}^{n-1}a_j(\omega_n^i)^{j}\ &=\sum_{i=0}^{n-1}\sum_{j=0}^{n-1}a_j\omega_n^{i(j-k)}=\sum_{j=0}^{n-1}a_j\sum_{i=0}^{n-1}\left(\omega_n^{j-k}\right)^i\ \end{aligned} $$
记 $S\left(\omega_n^a\right)=\sum_{i=0}^{n-1}\left(\omega_n^a\right)^i$．
当 $a=0 \pmod{n}$ 时，$S\left(\omega_n^a\right)=n$．
当 $a\neq 0 \pmod{n}$ 时，我们错位相减
$$ \begin{aligned} S\left(\omega_n^a\right)&=\sum_{i=0}^{n-1}\left(\omega_n^a\right)^i\ \omega_n^a S\left(\omega_n^a\right)&=\sum_{i=1}^{n}\left(\omega_n^a\right)^i\ S\left(\omega_n^a\right)&=\frac{\left(\omega_n^a\right)^n-\left(\omega_n^a\right)^0}{\omega_n^a-1}=0\ \end{aligned} $$
也就是说
$$ S\left(\omega_n^a\right)= \begin{cases} n,&a=0\ 0,&a\neq 0 \end{cases} $$
那么代回原式
$$ A(b_k)=\sum_{j=0}^{n-1}a_jS\left(\omega_n^{j-k}\right)=a_k\cdot n $$
也就是说给定点 $b_i=\omega_n^{-i}$，则 $A$ 的点值表示法为
$$ \begin{aligned} &\left{ (b_0,A(b_0)),(b_1,A(b_1)),\cdots,(b_{n-1},A(b_{n-1})) \right}\ =&\left{ (b_0,a_0\cdot n),(b_1,a_1\cdot n),\cdots,(b_{n-1},a_{n-1}\cdot n) \right} \end{aligned} $$
综上所述，我们取单位根为其倒数，对 ${y_0,y_1,y_2,\cdots,y_{n-1}}$ 跑一遍 FFT，然后除以 $n$ 即可得到 $f(x)$ 的系数表示．
我们直接将 $\omega_n^i$ 代入 $A(x)$．
推导的过程与方法一大同小异，最终我们得到 $A(\omega_n^k) = \sum_{j=0}^{n-1}a_jS\left(\omega_n^{j+k}\right)$．
当且仅当 $j+k=0 \pmod{n}$ 时有 $S\left(\omega_n^{j+k}\right) = n$，否则为 $0$．因此 $A(\omega_n^k) = a_{n-k}\cdot n$．
这意味着我们将 ${y_0,y_1,y_2,\cdots,y_{n-1}}$ 做 DFT 变换后除以 $n$，再反转后 $n - 1$ 个元素，同样可以还原 $f(x)$ 的系数表示．
所以我们 FFT 函数可以集 DFT 和 IDFT 于一身．代码实现如下：
???+ note "非递归版 FFT（对应方法一）"
cpp /* * 做 FFT * len 必须是 2^k 形式 * on == 1 时是 DFT，on == -1 时是 IDFT */ void fft(Complex y[], int len, int on) { // 位逆序置换 change(y, len); // 模拟合并过程，一开始，从长度为一合并到长度为二，一直合并到长度为 len． for (int h = 2; h <= len; h <<= 1) { // wn：当前单位复根的间隔：w^1_h Complex wn(cos(2 * PI / h), sin(on * 2 * PI / h)); // 合并，共 len / h 次． for (int j = 0; j < len; j += h) { // 计算当前单位复根，一开始是 1 = w^0_n，之后是以 wn 为间隔递增： w^1_n // ... Complex w(1, 0); for (int k = j; k < j + h / 2; k++) { // 左侧部分和右侧是子问题的解 Complex u = y[k]; Complex t = w * y[k + h / 2]; // 这就是把两部分分治的结果加起来 y[k] = u + t; y[k + h / 2] = u - t; // 后半个 「step」 中的ω一定和 「前半个」 中的成相反数 // 「红圈」上的点转一整圈「转回来」，转半圈正好转成相反数 // 一个数相反数的平方与这个数自身的平方相等 w = w * wn; } } } // 如果是 IDFT，它的逆矩阵的每一个元素不只是原元素取倒数，还要除以长度 len． if (on == -1) { for (int i = 0; i < len; i++) { y[i].x /= len; y[i].y /= len; } } }
???+ note "非递归版 FFT（对应方法二）"
cpp /* * 做 FFT * len 必须是 2^k 形式 * on == 1 时是 DFT，on == -1 时是 IDFT */ void fft(Complex y[], int len, int on) { change(y, len); for (int h = 2; h <= len; h <<= 1) { // 模拟合并过程 Complex wn(cos(2 * PI / h), sin(2 * PI / h)); // 计算当前单位复根 for (int j = 0; j < len; j += h) { Complex w(1, 0); // 计算当前单位复根 for (int k = j; k < j + h / 2; k++) { Complex u = y[k]; Complex t = w * y[k + h / 2]; y[k] = u + t; // 这就是把两部分分治的结果加起来 y[k + h / 2] = u - t; // 后半个 「step」 中的ω一定和 「前半个」 中的成相反数 // 「红圈」上的点转一整圈「转回来」，转半圈正好转成相反数 // 一个数相反数的平方与这个数自身的平方相等 w = w * wn; } } } if (on == -1) { reverse(y + 1, y + len); for (int i = 0; i < len; i++) { y[i].x /= len; y[i].y /= len; } } }
??? note "FFT 模板（HDU 1402 - A * B Problem Plus）"
cpp --8<-- "docs/math/code/poly/fft/fft_3.cpp"