多项式全家桶
Soulist
2019-10-08 19:59:02
# 实现卷积的算法
## $First.FFT$
两个多项式做乘法,暴力的想法是系数依次考虑,复杂度$O(n^2)$
然而如果我们观察出来了一个性质,不妨设我们现在想求解:
$$F(x)*G(x)$$
那么显然有乘出来的多项式$P(x)$中第$k$项的系数$c_k$满足:
$$c_k=\sum_{i+j=k}a_i*b_j$$
这是一个加法卷积。
所以$FFT$说他用来做加法卷积也可以,说他用来搞多项式乘法也可以
接下来是$FFT$的核心思想:
将两个多项式转成点值表达。
将点值两两乘起来。
将点值换成系数表达。
前面那一部分我们叫做$DFT$,后面那一部分叫做$IDFT$(逆)
**前方高能:**
当我们在做求点值表达的时候,会发现复杂度很高,原因是因为我们没有代入合适的值。
所以我们考虑代入合适的值进去。
单位根$\omega_{n}^k$表示单位根
他是定义在复平面的单位圆上的。
$n$次单位根会将此圆$n$等分,然后取k块作为$\omega_{n}^k$
显然$\omega_n^{0}=1$
以及$n$次单位根的$n$次方$=1$
复数乘法有个好玩的,就是它的乘法遵循模长相乘幅角相加。
因为单位根定义在单位圆上所以模长是$1$,而他们的幅角就加起来好了。
我们尝试给一个$n-1$次多项式代入$n$个单位根进去(以下$n$均视为$2$的整数次幂)
会由于下列两条性质而发生翻天覆地的变化:
$1.$折半性质:
第一:
$$\omega_{n}^{2k} = \omega_{n/2}^{k}$$
这个还好吧,显然有$\omega_{n}^k=(\omega_n^1)^k$
且有:$\omega_{n/2}^1=\omega_{n}^2$
第二:
$$\omega_{n}^{k+n/2}=-\omega_{n}^k$$
原因很简单
这里我们定义的负数的关于原点对称了的。
且因为:$\omega_{n}^{n/2}=-1$
所以$\omega_{n}^{n/2}*\omega_{n}^k=-\omega_{n}^k$
$2.$求和性质:
$$\sum_{j=0}^{n-1}(\omega_{n}^k)^j=0/n$$
简单证明一下:
如果$k=0$,那么显然答案为$n$
若$k\ne0$,那么我们可以记$s_n=\sum_{j=0}^{n-1}(\omega_{n}^k)^j$
于是有:
$$s_n*\omega_{n}^k=s_n - 1+(\omega_{n}^k)^{n-1+1}$$
稍微化简一下得:$s_n=\dfrac{(\omega_{n}^k)^n-1}{\omega_{n}^k-1}$
显然有分母不为$0$,而分子$=0$
于是我们得到了求和性质。
**前方真高能!**
我们有了折半性质后怎么做$DFT$?
对于一个多项式$F(x)$
不妨设它为$F(x)=a_0+a_1x+a_2x^2+...a_{n-1}x^{n-1}$
不妨设:
$Fl(x)=a_0+a_2x+a_4x^2+...a_{n-2}x^{\frac{n}{2}-1}$
$Fr(x)=a_1+a_3x+a_5x^2+...a_{n-1}x^{\frac{n}{2}-1}$
于是有:
$F(x)=Fl(x^2)+xFr(x^2)$
接下来我们代入$\omega_n^k$
得到:
$$F(\omega_n^k)=Fl((\omega_n^k)^2)+\omega_n^k*Fr((\omega_n^k)^2)$$
于是:
$$F(\omega_n^k)=Fl(\omega_{n/2}^k)+\omega_n^k*Fr(\omega_{n/2}^k)$$
这里假设$k< n/2$
所以我们想要求出$k$取$[0,n/2)$的所有值的单位根的点值都只要递归处理$Fl,Fr$即可。
接下来我们考虑$k\ge n/2$
不妨设它为$k+n/2(k<n/2)$
于是有:
$$F(\omega_n^{k+n/2})=Fl((\omega_n^{k+n/2})^2)+\omega_n^{k+n/2}*Fr((\omega_n^{k+n/2})^2)$$
得到:
$$F(\omega_n^{k+n/2})=Fl((-\omega_n^{k})^2)-\omega_n^{k}*Fr((-\omega_n^{k})^2)$$
即:
$$F(\omega_n^k)=Fl(\omega_{n/2}^k)-\omega_n^k*Fr(\omega_{n/2}^k)$$
你会惊人的发现这个东东和前面的一样只是一个符号不同而已
这同时表明我们只要知道$Fl,Fr$的$n/2$个点值就可以求出$F$的$n$个点值。
于是复杂度就是$T(x)=x+2*T(\dfrac{x}{2})=x\log x$
即$n\log n$
接下来我们考虑插值,即知道$n$个点值会逆推得到系数。
这里设我们得到的点值为$A$
我们发现实际上我们要做的就是求解这样的一组方程组:
$$(\omega_{n}^0)^0*a_0+(\omega_{n}^0)^1*a_1+...+(\omega_{n}^0)^{n-1}*a_{n-1}=A(\omega_{n}^0)$$
$$(\omega_{n}^1)^0*a_0+(\omega_{n}^1)^1*a_1+...+(\omega_{n}^1)^{n-1}*a_{n-1}=A(\omega_{n}^1)$$
$$......$$
$$(\omega_{n}^{n-1})^0*a_0+(\omega_{n}^{n-1})^1*a_1+...+(\omega_{n}^{n-1})^{n-1}*a_{n-1}=A(\omega_{n}^{n-1})$$
我们可以将之写作矩阵的形式。
于是我们就只要对左边的矩阵求逆了。
假设现在的式子是:$V*X=F$
那么我们需要求出$V'$使得$V'*V*X=X=F*V'$
这个矩阵可以构造出来,我们利用一下求和性质。
于是新矩阵的第$i,j$项为:
$$c_{i,j}=\sum_{k=0}^{n-1}a_{i,k}*b_{k,j}$$
如果我们令$V'$中的每一项都恰好为$V$的相反数(雾)
即$(i,j)$为$(\omega_{n}^{-i})^j$
于是可以得到:
$$c_{i,j}=\sum_{k=0}^{n-1}(\omega_{n}^{-i})^k*(\omega_{n}^k)^j$$
也就是:
$$c_{i,j}=\sum_{k=0}^{n-1}(\omega_{n}^{-i})^k*(\omega_{n}^j)^k$$
$$c_{i,j}=\sum_{k=0}^{n-1}(\omega_{n}^{j-i})^k$$
由求和性质
当$i=j$时,其为$n$
否则其为$0$
所以我们构造出来的$V'$还要除一个$n$才是单位矩阵
也就有:$V'*F/n=X$
我们考虑求解$V'*F$
因为$F$固定,所以我们尝试将之看作一个新的系数
首先$V'*F$肯定是一个大小为$1*n$的矩阵
所以有:$V'*F$后得到的第$i$项其实就是:
$$A_0*(\omega_{n}^{-i})^0+A_1*(\omega_{n}^{-i})^1+...+A_{n-1}*(\omega_{n}^{-i})^{n-1}$$
你惊人的发现它变成了我们想要求出当$x$取$\omega_{n}^{-0},\omega_{n}^{-1}...\omega_{n}^{-(n-1)}$时的点值了
于是就再做一遍$FFT$,不过是每次取$\omega_{n}^{-1}$为基本增量。
复杂度$O(n\log n)$
## $Second.NTT$
我们尝试利用整数$int$类型来代替浮点数进行计算。
首先是阶的定义:(下面的等于$(=)$是同余)
如果有$a^n=1(mod~p)$
则称满足此条件最小的$n$为$a$模$p$的阶
若一个数$g$的阶为$\phi(p)$,则称$g$为$p$的原根
我们尝试使用原根代替单位根进行计算。
首先要有单位根的如下几条性质:
$1.$对于$n$次单位根,$0\le k < n$,满足$\omega_{n}^k$互补相等。
其次是折半性质$(DFT)$和求和性质$(IDFT)$
我们尝试证明原根亦满足如下三条性质。
$1.$若$g$为$p$的原根,则$g^i\%p$互不相等$(0\le i <\phi(p))$
证明:
若存在两者相等,不妨设$k>j$且$g^k=g^j(mod~p)$
于是有:$g^{k-j}=1(mod~p)$
又$k<\phi(p),j<\phi(p)$
故$k-j<\phi(p)$
与定义矛盾,得证。
$2.$我们定义原根$g_{n}^1$为$g^{\frac{p-1}{n}}$
那么$g_{n}^k=(g_n^1)^k$,由性质$1$,可以得到原根互不相等。
不难得到:$g_{n}^{2k}=g_{n/2}^k(mod~p)$
把两边拆开,代入$g_{n}^1$即可。
其次:
我们接下来考虑将之指数看作一个角度为$p-1$的大圆,那么里面的$n$就是将之$n$等分,其余与单位根相似。
那么其乘法就是幅角不断累加。
于是可以得到:$-g_n^k=p-g_n^k=g_n^{k+n/2}$
这里就感性理解吧,我实在是不会证了,按照单位根的方法理解。
性质$3:$求和性质
求和性质利用了等比数列求和的定理,我们套用即可,因为是在$\%p$意义下,乘法操作仍然满足。
故$g$满足求和性质。
有了这三个性质,我们就能愉快的把原根代入单位根运算了。
然后因为$FFT$中的$DFT$和$IDFT$的$n$均为$2^n$
所以我们取的$p$要$p-1$整除足够大的$n$
比较常用的$p$是$998244353$,它的原根为$3$
且$998244353=119*8388608(2^{23})+1$
## $Third.$非递归版$FFT$和$NTT$
$1.FFT$跑的慢因为它是递归的
我们尝试优化它,从递归变成循环
仔细划分$FFT$会发现其呈现出树的结构
我们假设我们通过某种手段快速的得到了其最后的序列(叶子节点)
那么就可以两两往上合并来求答案
比如原序列:
$0~ 1~ 2~ 3~ 4~ 5~ 6~ 7$
最后得到的序列应该是:
$0~4~2~6~2~5~3~7$
我们打个表,发现:
$000,001,010,011,100,101,110,111$
变成了:
$000,100,010,110,001,101,011,111$
其实就是二进制反转了
考虑求出这个东东
貌似有一个递推式,不妨记$R[i]$为$i$反转后的值
于是有:$R[i]=(R[i>>1]>>1)|((i\&1)<<(L-1))$
$L$为位数
简单讲讲
我们假设$[0,x)$的反转值都已经求出,现在想求出$x$的反转值
如果$x$为奇数,那么$x$可以写作$2*(x>>1)|1$
那么有我们将$x>>1$反转后,可以将之右移一位,然后$x$还要在其最高位补上一个$1$
偶数类似,不用补$1$而已
这样就$O(n)$
然后因为这个关系双向,所以我们做$swap$即可。
```cpp
#include<bits/stdc++.h>
using namespace std;
#define rep( i, s, t ) for( register int i = s; i <= t; ++ i )
#define re register
#define LL long long
int read() {
char cc = getchar(); int cn = 0, flus = 1;
while(cc < '0' || cc > '9') { if( cc == '-' ) flus = -flus; cc = getchar(); }
while(cc >= '0' && cc <= '9') cn = cn * 10 + cc - '0', cc = getchar();
return cn * flus;
}
const int P = 998244353 ;
const int G = 3 ;
const int Gi = 332748118 ;
const int N = 4e6 + 5 ;
int n, m, R[N], L, limit ;
LL A[N], B[N] ;
LL fpow( LL x, int k ) {
LL ans = 1, base = x ;
while( k ) {
if( k & 1 ) ans = ans * base % P ;
k >>= 1, base *= base, base %= P ;
}
return ans ;
}
void NTT( LL *a, int type ) {
for( int i = 0; i < limit; ++ i )
if( i < R[i] ) swap( a[i], a[R[i]] ) ;
for( int k = 1; k < limit; k <<= 1 ) {
LL dg = fpow( ( type == 1 ) ? G : Gi, ( P - 1 ) / ( k << 1 ) ); //这里要注意
for( int i = 0; i < limit; i += ( k << 1 ) ) //注意*2
for( LL j = i, g = 1; j < i + k; ++ j, g = ( g * dg ) % P ) {
LL Nx = a[j], Ny = ( a[j + k] * g ) % P;
a[j] = ( Nx + Ny ) % P, a[j + k] = ( Nx - Ny + P ) % P ;
}
}
}
void init() {
while( limit <= n + m ) limit <<= 1, ++ L ;
for( int i = 0; i < limit; ++ i ) R[i] = ( R[i >> 1] >> 1 ) | ( ( i & 1 ) << ( L - 1 ) ) ;
}
signed main()
{
n = read(), m = read(), limit = 1 ;
rep( i, 0, n ) A[i] = read() ;
rep( i, 0, m ) B[i] = read() ;
init(), NTT( A, 1 ), NTT( B, 1 ) ;
rep( i, 0, limit ) A[i] = ( A[i] * B[i] ) % P ;
NTT( A, -1 ) ; int inv = fpow( limit, P - 2 ) ;
rep( i, 0, n + m ) printf("%lld ", ( A[i] * inv ) % P ) ;
return 0;
}
```
## $Fourth.MTT/$任意模数$FFT$
貌似有很多做法,先记着一个我会的,最慢的,$7FFT$
将每一项的系数拆成$k1*m+b1=a,k2*m+b2=b$
于是显然有:$m*K1(x)+B1(x)=A(x)$,另一个同理。
我们就分别对$K1,B1,K2,B2$做一遍$DFT$
然后考虑合并
其在$x$处的取值,我们做乘法本来是$A(x)*B(x)$
变成$(m*K1+B1)*(m*K2+B2)$
然后暴力展开,发现还要对$K1*K2,K1*B2+K2*B1,B1*B2$做一遍$IDFT$
最后合并系数即可,$7FFT$
以后学了别的会慢慢补充$.......$
### $MTT$
考虑对于两个多项式$A,B$
构造$P=A+iB,Q=A-iB$
显然有,记$P_k$表示$P$在$\omega_{n}^k$处的取值
记录$X=\dfrac{2\pi jk}{n}$
$$P_k=A(\omega_{n}^k)+i*B(\omega_n^k)$$
$$P_k=\sum_{j=0}^kA_j(\omega_n^{jk})+i*B_j(\omega_n^{jk})$$
$$P_k=\sum_{j=0}^k(A_j+i*B_j)*\omega_{n}^{jk}$$
$$P_k=\sum_{j=0}^k(A_j+i*B_j)*(cosX+isinX)$$
$$Q_k=\sum_{j=0}^kA_j(\omega_n^{jk})-i*B_j(\omega_n^{jk})$$
$$Q_k=\sum_{j=0}^k(A_j-i*B_j)*\omega_{n}^{jk}$$
$$Q_k=\sum_{j=0}^k(A_j-i*B_j)(cosX+isinX)$$
$$Q_k=\sum_{j=0}^k(A_jcosX+B_jsinX)+i*(A_jsinX-B_jcosX)$$
$$Q_k=conj(\sum_{j=0}^k(A_jcosX+B_jsinX)-i*(A_jsinX-B_jcosX))$$
$$Q_k=conj(\sum_{j=0}^kA_j(cosX-i*sinX)+i*B_j(cosX-i*sinX))$$
$$Q_k=conj(\sum_{j=0}^k(A_j+i*B_j)(cosX-i*sinX))$$
$$Q_k=conj(\sum_{j=0}^k(A_j+i*B_j)\omega_{n}^{-jk})$$
$$Q_k=conj(\sum_{j=0}^k(A_j+i*B_j)(\omega_{n}^{n-k})^j)$$
$$Q_k=conj(P_{n-k})$$
所以我们只要$DFT$出$P$,就能还原$Q$了
然后求出了$P$和$Q$后
就有:
$$A=\dfrac{P+Q}{2},B=\dfrac{P-Q}{2}*(-i)$$
然后对$A*B$做一遍$IDFT$即可
$3$次$FFT->2FFT$
上述优化过程后得到的$\rm FFT$叫做$\rm MTT$
接下来考虑优化$\rm IDFT$
假设我们有$A$的点值和$B$的点值
根据求和性质,我们只需要求出其在$\omega_{n}^{-k}$的点值就可以$get$到系数
不妨构造$P=\dfrac{A+iB}{2},Q=\dfrac{A-iB}{2}$
$$P_k=\sum_{j=0}^k(A_j+i*B_j)*(\omega_{n}^{n-k})^j$$
$$Q_k=\sum_{j=0}^kA_j(\omega_n^{n-k})^j-i*B_j(\omega_n^{n-k})^j$$
令$X=\dfrac{2\pi*(-kj)}{n}$
同上可得:
$$Q_k=conj(P_{n-k})$$
貌似还有$MTT2$,可以做到$1.5FFT$搞出结果,不会告辞
这样大概可以将两次算点值做到一次同时$get$
然后就可以将$7FFT$这种丢人的东西变成$4FFT$...
我寻思大家为什么都用鱼写的那个奇怪的东西叫做三次变两次啊...真正的三次变两次不应该是这玩意儿吗...这是真正意义上同时$DFT$出两个点值啊...
**然后就要开始上全家桶了qwq**
~~华丽的分割线~~
-----------------------
# 多项式全家桶
## $First.$多项式求逆
给定$n-1$次多项式$F(x)$,求解$G(x)$使得:
$G(x)*F(x)=1(mod~x^n)$
首先显然那些什么$n$次幂及以上的部分对答案没有影响
于是我们考虑递推
不妨设已知:$H(x)*F(x)=1(mod~x^{n/2})$
则显然:$G(x)*F(x)=1(mod~x^{n/2})$
故做差,得到:
$$G(x)-H(x)=0(mod~x^{n/2})$$
平方得到:
$$(G(x)-H(x))^2=0(mod~x^n)$$
于是有:
$$G^2+H^2-2G*H=0(mod~x^n)$$
两边同时乘$F$得到:
$$G+F*H^2-2H=0(mod ~x^n)$$
于是有:
$$G=2H-F*H^2$$
如此递推即可。
从$1$递推到$2^k>n$比较合适
复杂度$O(n\log n)$
关于证明:
$T(x)=x\log x+T(x/2)$
于是$T'(x)=\log x*(O'(x))>T(x)$
$O'(x)=x+O(x/2)=O(n)$
所以$T'(x)=\log x *O'(x)=n\log n$
## $Second.$ 【模板】分治 $FFT$
考虑构造一个函数$F(x)=\sum_{i=0}^{\infty}f_i*x^{i}$
当然这样的$f$我们无限的生成下去
类似的构造一个$G(x)$,没输入的地方都取$0$
于是显然有:$F(x)*G(x)+f_0=F(x)$
然后就有:$F(x)=f_0*(1-G(x))^{-1}$
因为我们只要求出$n-1$项,所以有:
$$F(x)=f_0*(1-G(x))^{-1}(mod~x^n)$$
因为$f_0=1$,所以我们直接跑多项式求逆就好了$...$
## $Third.$【模板】多项式除法
给定$F,G$
求出$Q,R$使得:
$$F=G*Q+R$$
注意到如下性质:
$$f(\dfrac{1}{x})*x^n=f_r(x)$$
$f_r$表示$f$的转置(倒转)
于是有:
$$F(x)=G*Q(x)+R(x)$$
$$F(\dfrac{1}{x})*x^n=G*Q(\dfrac{1}{x})*x^n+R(\dfrac{1}{x})*x^n$$
$$F(\dfrac{1}{x})*x^n=G(\dfrac{1}{x})*x^m*Q(\dfrac{1}{x})*x^{n-m}+R(\frac{1}{x})*x^{m-1}*x^{n-m+1}$$
$$F_r(x)=G_r(x)*Q_r(x)+R_r(x)*x^{n-m+1}$$
同时取模得到:
$$F_r(x)=G_r(x)*Q_r(x)(~mod~ x^{n-m+1}~)$$
$$F_r(x)*G_r^{-1}(x)=Q_r(x)(~mod~ x^{n-m+1}~)$$
于是就求个逆,然后做乘法$......$
## $Sixth.$多项式$\ln$/多项式$\exp(4\&5$为泰勒展开+牛顿迭代$)$
这个东西要前置芝士...
**$1.$求导**
定义式:
$$f'(x)=\lim_{dx\to 0}\dfrac{f(x+dx)-f(x)}{dx}$$
关于求导运算的一些结论:
$$1.(f(x)*g(x))'=f'(x)*g(x)+f(x)*g'(x)$$
证明:
$$(f*g)'(x)=\dfrac{(f*g)(x+dx)-(f*g)(x)}{dx}$$
$$\dfrac{(f*g)(x+dx)-f(x+dx)g(x)+f(x+dx)g(x)-(f*g)(x)}{dx}$$
$$\dfrac{f(x+dx)(g(x+dx)-g(x))+g(x)*(f(x+dx)-f(x))}{dx}$$
于是就有:
因为$\lim_{dx\to 0}f(x+dx)=f(x)$
所以就有:
原式$=$
$$f(x)*g'(x)+g(x)*f'(x)$$
于是:
$$(f*g)(x)=f(x)*g'(x)+g(x)*f'(x)$$
-----
$$2.f(g(x))'=f'(g(x))*g'(x)$$
证明:
$$f(g(x))'=\dfrac{f(g(x+dx))-f(g(x))}{dx}$$
可以构造$dg=\dfrac{}{dx}$
咕咕咕...
------
$$(\dfrac{f(x)}{g(x)})'=\dfrac{f'(x)g(x)-g'(x)f(x)}{g(x)^2}$$
$$(f/g)'=f\times (g^{-1})'=f\times (g^{-1})'+f'/g$$
注意到 $f^k$ 是一个复合导,所以 $(f^k)'=f'\times k\times f^{k-1}$
所以:
$$(f/g)'=(-1)fg'/g^2+f'/g=(f'g-fg')/g^2$$
一些比较常用的结论:
$$1.\ln'(x)=\dfrac{1}{x}$$
$$2.e'^x=e^x$$
$$3.f(x)=x^k,f'(x)=k*x^{k-1}$$
*$3.$式比较有用*
**$2.$积分**
积分和求导为逆运算,定义式:
$$\int dx*f(x)$$
然后积分可加...(面积可加)
于是同理求导可加
然后积分可以直接乘以倍数/系数,反过来求导也可以qwq
## $Fourth.$泰勒展开
首先是一个函数的泰勒展开:
$$F(x)=f(x_0)+\sum_{i=1}^{\infty}\dfrac{f^{i}(x_0)(x-x_0)^i}{i!}$$
其中$f^i$表示$i$阶导数
然而在精度允许的条件下由于阶乘非常的大所以只需要把$n$开到$12,13$左右即可
然后由于我们可以随便选择一个$x_0$进行泰勒展开,所以一般选择$0$
于是我们就可以将原式转化为
$$F(x)=f(0)+\sum_{i=1}^{\infty}\dfrac{f^i(0)*x^i}{i!}$$
## $Firth.$牛顿迭代
用于求解$0$点
与二分不同的是牛顿迭代的求法是对一个函数求导,降次,求解降次后的$0$点以逼近原函数的$0$点
多项式牛顿迭代即求解满足$G(F(x))=0(mod~~x^n)$的解$F(x)$
$n=1$的时候满足条件的多项式可以直接求出来,这个时候只有常数项,令常数项$=0$
假设现在已经求出了:
$$G(F_0(x))=0(mod ~~x^{n/2})$$
考虑拓展到$x^n$次意义下,可以在$G(F_0(x))$处将$G(F(x))$泰勒展开变成:
$$G(F(x))=G(F_0(x))+\sum_{i=1}^n\dfrac{G^{i}(F_0(x))*(F(x)-F_0(x))^i}{i!}$$
因为我们有:$G(F(x))=0(mod~~x^n)$
所以就有:
$$G(F(x))=G(F_0(x))+\sum_{i=1}^n\dfrac{G^{i}(F_0(x))*(F(x)-F_0(x))^i}{i!}=0(mod~~x^n)$$
又$G(F_0(x))=0(mod~~x^{n/2})$
然后又由于理论上应该有:$F(x)$和$F_0(x)$的$n/2$项应该相等
所以那个奇怪的减法会导致这个函数没有最后$n/2$项
于是就发生了神奇的结论!
$F(x)-F_0(x)$
没有最后$n/2$项
所以$(F(x)-F_0(x))^2$没有最后$n-1$项
于是令人惊喜的是我们泰勒展开的第二项就是$(F(x)-F_0(x))^2$
所以我们居然只需要展开两项即可!!!woc
所以就得到了神奇的结论:
$$G(F(x))=G(F_0(x))+G'(F_0(x))*(F(x)-F_0(x))=0(mod~~x^n)$$
于是就有:
$$F(x)=F_0(x)-\dfrac{G(F_0(x))}{G'(F_0(x))}(mod~~x^n)$$
于是就可以倍增处理了$...$
问题的关键主要是对$G'(F_0(x))$求导才对吧...
下面给出两个对于$G'(F_0(x))$求导的例子:
## $Sixth.$多项式$\ln$/多项式$\exp$
## $1.$多项式$\ln$
然后接下来推一下多项式$\rm ln$
$$ B(x)=\ln(A(x))$$
两边同时求导得:
令$u=A(x)$
$$B'(x)=\ln'(u)*A'(x)$$
又$\ln'(u)=\dfrac{1}{u}$
所以得:
$$B'(x)=\dfrac{A'(x)}{A(x)}$$
所以就只需要计算出$A'(x)$即可
因为求导与积分互逆,所以求导可加$=$积分可加,~~个人感觉~~
首先有对一个数求导是$0$
所以我们知道
$$A'(x)=\sum_{i=1}^na_i*ix^{i-1}$$
然后在求一下$A(x)$的逆$A^{-1}(x)$
然后将$A'(x)$和$A^{-1}(x)$乘起来就好了qwq
然后还原回去就套用上面求导那里的公式
## $2.$多项式$\exp$
现在想要求解:
$$B(x)=e^{A(x)}$$
于是两边同时取$\ln$得:
$$\ln B(x)-A(x)=0$$
可以设$G(B(x))=\ln B(x)-A(x)$于是问题变成求解它的$0$点
这个多项式里面$A(x)$为定值,而$B(x)$为变量
我们假设有:
$$G(H(x))=0(mod~~x^{n/2})$$
问题是求解$B(x)$
于是代入牛顿迭代的公式得到:
$$B(x)=H(x)-\dfrac{G(H(x))}{G'(H(x))}$$
因为$G'(H(x))=\ln H(x)-A(x)$
而其中$A(x)$为常量,由于求导的可加性,$A'(x)=0$,简单求和可以得到:
$$G'(H(x))=\dfrac{1}{H(x)}$$
所以我们可以得到:
$$B(x)=H(x)-(\ln H(x)-A(x))*H(x)$$
$$B(x)=H(x)(1-\ln H(x)+A(x))$$
然而因为求解$\ln H(x)$的复杂度是$O(n\log n)$的
于是求解$\exp$的复杂度也是$T(x)=x\log x+T(x/2)$
即$O(n\log n)$
不过常数比较大就是了......
## $Seventh.$多项式开根
与上面类似
假设有
$$B(x)=\sqrt {A(x)}\quad (mod~~x^n)$$
两边同时平方得到:
$$B^2(x)-A(x)=0\quad (mod~~x^n)$$
可以设一个函数$G(B(x))=B^2(x)-A(x)$
代入牛顿迭代的式子就是:
$$B(x)=H(x)-\dfrac{G(H(x))}{G'(H(x))}$$
然后类似的,将$A(x)$看作常量,那么可以得到:$G'(B(x))=2B(x)$
所以得到:
$$B(x)=H(x)-\dfrac{H(x)^2-A(x)}{2H(x)}$$
$$B(x)=\dfrac{1}{2}H(x)+\dfrac{A(x)}{2H(x)}$$
于是要求逆,复杂度$O(n\log n)$
```cpp
#include<bits/stdc++.h>
using namespace std ;
#define rep( i, s, t ) for( register int i = s; i <= t; ++ i )
#define re register
#define LL long long
int gi() {
char cc = getchar() ; int cn = 0, flus = 1 ;
while( cc < '0' || cc > '9' ) { if( cc == '-' ) flus = - flus ; cc = getchar() ; }
while( cc >= '0' && cc <= '9' ) cn = cn * 10 + cc - '0', cc = getchar() ;
return cn * flus ;
}
const int P = 998244353 ;
const int Gi = 332748118 ;
const int G = 3 ;
const int N = 5e5 + 5 ;
int n, R[N], L, limit ;
LL A[N] ;
LL fpow( LL x, LL k ) {
LL ans = 1, base = x ;
while( k ) {
if( k & 1 ) ans = ( ans * base ) % P ;
base = ( 1ll * base * base ) % P, k >>= 1 ;
}
return ans % P ;
}
LL Gx[N], H[N], Inv ;
void Init( int x ) {
limit = 1, L = 0 ;
while( limit < x ) limit <<= 1, ++ L ; //因为都是2的整数次幂,实际上并不需要 <=
//这样会造成8倍长度的数组,最后TLE
rep( i, 0, limit - 1 ) R[i] = ( R[i >> 1] >> 1 ) | ( ( i & 1 ) << ( L - 1 ) ) ;
Inv = fpow( limit, P - 2 ) ;
}
void NTT( LL *a, int type ) {
rep( i, 0, limit - 1 ) if( R[i] > i ) swap( a[i], a[R[i]] ) ;
for( re int k = 1; k < limit; k <<= 1 ) {
int d = fpow( ( type == 1 ) ? G : Gi, ( P - 1 ) / ( k << 1 ) ) ;
for( re int i = 0; i < limit; i += ( k << 1 ) )
for( re LL j = i, g = 1; j < i + k; ++ j, g = ( d * g ) % P ) {
LL Nx = a[j], Ny = ( a[j + k] * g ) % P ;
a[j] = ( Nx + Ny ) % P, a[j + k] = ( Nx - Ny + P ) % P ;
}
}
if( type != 1 ) rep( i, 0, limit - 1 ) a[i] = ( a[i] * Inv ) % P ;
}
void GetInv( LL *a, int x ) {
int k = 1 ; memset( H, 0, sizeof(H) ), memset( Gx, 0, sizeof(Gx) ), H[0] = fpow( A[0], P - 2 ) ;
while( k < x ) { //这里同理
k <<= 1, Init( k * 2 ) ;
rep( i, 0, k - 1 ) Gx[i] = a[i] ;
NTT( Gx, 1 ), NTT( H, 1 ) ;
rep( i, 0, limit ) H[i] = ( 2ll - Gx[i] * H[i] % P + P ) * H[i] % P ;
NTT( H, -1 ) ; rep( i, k, limit ) H[i] = 0 ;
}
}
LL Gt[N], B[N] ;
void Sqrt( LL *a, int x ) {
int k = 1 ; LL Iv = 499122177 ; B[0] = 1 ;
while( k <= x ) {
k <<= 1 ; rep( i, 0, k - 1 ) Gt[i] = a[i] ;
GetInv( B, k ), Init( k * 2 ) ;
NTT( Gt, 1 ), NTT( H, 1 ), NTT( B, 1 ) ;
rep( i, 0, limit ) B[i] = 1ll * Iv * ( B[i] % P + Gt[i] * H[i] % P ) % P ;
NTT( B, -1 ) ; rep( i, k, limit ) B[i] = 0 ;
}
}
signed main()
{
n = gi() ;
rep( i, 0, n - 1 ) A[i] = gi() ;
Sqrt( A, n ) ;
rep( i, 0, n - 1 ) printf("%d ", B[i] ) ;
return 0 ;
}
```