【算法专题】多项式运算与生成函数
【快速傅里叶变换】FFT
参考:从多项式乘法到快速傅里叶变换 by miskcoo
FFT 学习笔记 by Menci
(一)多项式的表示法
系数表示法:f(x)=a[n-1]*x^(n-1)+...+a[0],称为n-1次多项式。
点值表示法:一个n-1次多项式在复数域中有n个根,即n个(x,y)可以唯一确定一个n-1次多项式。
对于一个多项式,从其系数表示法到其点值表示法的变换称为离散傅里叶变换(DFT),反之称为傅里叶逆变换(IDFT)。
朴素的离散傅里叶变换,枚举实现的复杂度为O(n^2)。
快速傅里叶变换是指以O(n log n)的复杂度实现IDF和IDFT的算法,常用Cooley-Tukey算法。
(二)复数
复数是形如a+bi的数,当b=0时为实数。
定义一个平面为复平面,那么平面内的每个点(a,b)唯一对应一个复数a+bi,i可以理解为y轴上的单位长度,正如1是x轴上的单位长度。
i的本质是在数轴上定义旋转变换,i是1逆时针旋转90°,那么i^2=-1。
复数相加,遵循平行四边形定则。
复数相乘,模长相乘,幅角相加。
(三)单位根
以圆点为起点,以复平面单位圆的n等分点为终点,作n个向量,设所得幅角为正且最小的向量对应的复数为ω(1,n),即n次单位根。(括号左为上标,右为下标)。
#include<cstdio> #include<cstring> #include<cctype> #include<cmath> #include<queue> #include<stack> #include<set> #include<vector> #include<complex> #include<algorithm> #define ll long long #define lowbit(x) x&-x using namespace std; int read(){ char c;int s=0,t=1; while(!isdigit(c=getchar()))if(c=='-')t=-1; do{s=s*10+c-'0';}while(isdigit(c=getchar())); return s*t; } int min(int a,int b){return a<b?a:b;} int max(int a,int b){return a<b?b:a;} int ab(int x){return x>0?x:-x;} //int MO(int x){return x>=MOD?x-MOD:x;} //void insert(int u,int v){tot++;e[tot].v=v;e[tot].from=first[u];first[u]=tot;} /*------------------------------------------------------------*/ const int inf=0x3f3f3f3f,MOD=1e9+7,maxn=300010;// const double PI=acos(-1); namespace fft{ complex<double>o[maxn],oi[maxn]; void init(int n){ for(int k=0;k<n;k++){o[k]=complex<double>(cos(2*PI*k/n),sin(2*PI*k/n));oi[k]=conj(o[k]);} } void transform(complex<double>*a,int n,complex<double>*o){ int k=0; while((1<<k)<n)k++; for(int i=0;i<n;i++){ int t=0; for(int j=0;j<k;j++)if(i&(1<<j))t|=(1<<(k-j-1)); if(i<t)swap(a[i],a[t]); } for(int l=2;l<=n;l*=2){ int m=l/2; for(complex<double>*p=a;p!=a+n;p+=l){ for(int i=0;i<m;i++){ complex<double>t=o[n/l*i]*p[i+m]; p[i+m]=p[i]-t; p[i]+=t; } } } } void dft(complex<double>*a,int n){transform(a,n,o);} void idft(complex<double>*a,int n){ transform(a,n,oi); for(int i=0;i<n;i++)a[i]/=n; } } int n,N,m,kind,f[maxn][30],h[30],F[maxn],g[2][maxn]; complex<double>a[maxn],b[maxn],c[maxn],d[maxn],v[maxn]; ll ans1[maxn],ans2[maxn],ans3[maxn],ans4[maxn];// void multply(complex<double>*x,complex<double>*y,ll *z){ for(int i=0;i<N;i++)v[i]=x[i]*y[i]; fft::idft(v,N); for(int i=0;i<n;i++)z[i]=(ll)(v[i].real()+0.5); } void MTT(int *x,int *y,int *z){ for(int i=0;i<N;i++)a[i]=b[i]=c[i]=d[i]=complex<double>(0,0);// for(int i=0;i<n;i++)a[i].real(x[i]>>15); for(int i=0;i<n;i++)b[i].real(x[i]&32767); for(int i=0;i<n;i++)c[i].real(y[i]>>15); for(int i=0;i<n;i++)d[i].real(y[i]&32767); fft::dft(a,N);fft::dft(b,N);fft::dft(c,N);fft::dft(d,N); multply(a,c,ans1);multply(a,d,ans2); multply(b,c,ans3); multply(b,d,ans4); for(int i=0;i<n;i++)z[i]=(ans1[i]*32768%MOD*32768%MOD+(ans2[i]+ans3[i])*32768%MOD+ans4[i])%MOD; } int main(){ n=read();m=read();kind=read(); f[0][0]=1;h[0]=1; int mx=0; for(mx=1;h[mx-1]<n;mx++)h[mx]=h[mx-1]*m;mx--; for(int i=1;i<=n;i++){ for(int j=0;j<=mx;j++)if(i-h[j]>=0){ for(int k=0;k<=j;k++)f[i][j]=(f[i][j]+f[i-h[j]][k])%MOD; } } for(int i=0;i<=n;i++)for(int j=0;j<=mx;j++)F[i]=(F[i]+f[i][j])%MOD; int x=0; for(int i=0;i<=n;i++)g[x][i]=F[i]; n++; N=1;// while(N<n+n)N*=2;fft::init(N); for(int k=1;k<kind;k++)MTT(g[x],F,g[1-x]),x=1-x; int sum=0; for(int i=0;i<=n;i++)sum=(sum+g[x][i])%MOD; printf("%d",sum); return 0; }View Code 注意清空complex的时候实部和虚部(imag)要一起清空。
好看的模板:L_0_Forever_LF
【快速数论变换】NTT
只记录重要概念,证明略去。
(一)原根
当(a,m)=1时,对于满足a^x=1(%m)的最小正整数x,称x为a模m的阶。
根据欧拉定理a^φ(m)=1(%m),当x=φ(m)时,称a为m的原根。
以下只讨论m为素数的情况,则当a为m的原根时,a^0~a^(p-2)取遍1~p-1所有值。
模m有原根的充要条件:m=2,4,p^e,2*p^3,p是奇素数。(也就是说,m为素数时一定有原根)
求m的原根:p-1= p1^a1 * p2^a2 * pk^ak,g是p的原根当且仅当对于所有的pi满足g^[ (p-1)/pi ] ≠ 1 (%p)
(二)快速数论变换
当模数为形如p=r*2^k+1的素数(费马素数)时,则有n|p-1,可以进行NTT。
先找到p的原根g(p=998244353 || 1004535809,g=3)
在原来FFT的基础上,omega[i]=g^[ (p-1)/n*i ] % p,倒数为逆元。
IDFT时,除以n改为乘n的逆元。
(三)模数任意的NTT
找到三个费马素数满足相乘结果>n*(m-1)^2,分别进行NTT后用CRT合并。
p=998244353,1004535809,469762049,g=3。
我写的是FFT合并。
(四)离散对数
当(a,p)=1时,若满足a^x=b (%p),则称在模p意义下,x是b以a为底的离散对数,即logab=x(单个快速求解可用BSGS算法)。
1.对于x*y=z(%p),有log x+log y=log z(%p-1),因此离散对数常用于乘法转加法(生成函数)。
2.对于x^y=z(%p),有y*log x=log z(%p-1)。
其中log以p的原根g为底。
例题:【BZOJ】3992: [SDOI2015]序列统计 NTT+生成函数
【生成函数】母函数
生成函数的三大要素:①选择项,②大小,③元素个数。一般最终要求某个“大小”的元素个数。
对于一类组合对象构成的集合A:
1.每个元素a∈A都定义了一个非负整数的”大小“,记为|a|。
2.大小为n的元素个数记为$A_n$。
那么A的一般生成函数是
$$A(x)=\sum_{i=0}^{n}A_ix^i$$
在这里每个元素都抽象成”大小“,元素a可以理解为有|a|的单位元素的元素。
组合对象集合D为A和B的笛卡尔积,即D中的每个元素都是A中某个元素a和B中某个元素b组成的有序二元组(a,b),那么显然有D(x)=A(x)B(x)。
若干一般生成函数的乘积中,第n项的含义是:每个选择项取一个元素,大小相加为n的元素个数。
每个生成函数本质上是一个集合,那么若干生成函数的乘积就是★每个集合取一个元素的组合。例如生成函数A,B,C,A*B*C的每个元素就是有序三元组(a,b,c)。
指数型生成函数是
$$A(x)=\sum_{i=0}^{n}A_i\frac{x^i}{i!}$$
这样就会有:
$$D_n=\sum_{i+j=n}A_iB_j\frac{(i+j)!}{i!j!}=\sum_{i+j=n}A_iB_j\binom{i+j}{i}$$
这里乘(i+j)!是因为这只是系数,后面要除以(i+j)!。
理解为每个元素内部有序就可以了,这样元素内部是排列。
生成函数都是处理对于n个选择项各选一个组成对应”大小“的元素个数,而一般生成函数元素内部是组合,指数型生成函数元素内部是排列。
一般生成函数还有个化简公式,令x∈[-1,1]时套等比数列公式即可收敛:
$$\sum_{i=0}^{n}x^i=\frac{1}{1-x}$$
指数型生成函数也有个化简公式——泰勒展开:
$$\sum_{i=0}^{n}\frac{x^i}{i!}=e^x$$
例题:
1.热身:苹果只能取偶数个,橘子只能取1~4个,求拿n个水果的方案数
题解:定义每种水果为一个集合(每个集合选一个),“大小”为水果个数,最后求总集合”大小“为n的元素个数。
f(x)=(1+x^2+x^4+...)*(1+x+x^2+x^3+x^4)。
如果觉得集合很难理解,不妨用”选择项“这个词。
题意:给定n个物品,价值为ai,物品价格互不相同,求选一个或两个或三个的价值为x的方案数,输出所有存在的x和对应方案数。ai<=40000。
题解:要求什么就定义什么为”大小“,所以定义”大小“为价值,[第一个物品][第二个物品][第三个物品]为三个选择项。
那么每个选择项的每个系数记录对应价值的物品数量(1个)。
这样拼起来就好了吗?不是,物品不能重复取,所以拼起来之后再容斥掉选相同的。
我们可以直接写出选一个物品的集合的生成函数f,两个相同物品的g和三个相同物品的h。
考虑有AAB,ABA,BAA,AAA四种不合法情况,答案就是f^3-3f*g+2h。最后这个求得排列数,需要/3!。选1个或2个的随便推推也一样。
3.【BZOJ】3992: [SDOI2015]序列统计 NTT+生成函数
题意:给定一个[0,m-1]范围内的数字集合S,从中选择n个数字(可重复)构成序列。给定x,求序列所有数字乘积%m后为x的序列方案数%1004535809。1<=n<=10^9,3<=m<=8000,m为素数,1<=x<=m-1。
题解:要求乘积,定义”大小“为数字的乘积。但是我们不能加减”大小“啊?
换成离散对数就可以了,然后定义每个数字为选择项,答案就是f^n。
题意:有n种物品,并且知道每种物品的数量。要求从中选出m件物品的排列数。例如有两种物品A,B,并且数量都是1,从中选2件物品,则排列有”AB”,”BA”两种。
题解:定义”大小“为物品数量,选择项为每种物品,那么组合数就是一般生成函数(元素内部有序,严格按物品编号排),排列数就是指数型生成函数(元素内部带标号,可以打乱)。
这里指数型生成函数,指的是方案就是元素内部带标号的方案数,这样再计算过程中那个公式自动/i!后进行计算再乘回(i+j)!的。
暴力枚举求解这个生成函数。
另一部分知识:生成函数公式的化简
参考:什么是生成函数? by M67
首先根据二项式定理:
$$(1+x)^n=\sum_{i=0}^{n}\binom{n}{i}x^i$$
扩展到负数和实数,即广义二项式定理,只要将组合数表示成下降幂即可:
$$(1+x)^{n}=\sum_{i=0}^{\infty}\frac{n^{\underline{i}}}{i!}x^i$$
这里有一个特殊的变换,当n>0时:
$$(1-x)^{-n}=\sum_{i=0}^{\infty}\frac{(-n)^{\underline{i}}}{i!}(-x)^i$$
$$(1-x)^{-n}=\sum_{i=0}^{\infty}\frac{(-1)^i*n^{\overline{i}}}{i!}*(-1)^i*x^i$$
$$(1-x)^{-n}=\sum_{i=0}^{\infty}\binom{n+i-1}{n-1}*x^i$$
所以这是将i个相同的数分割n个非空部分的方案数的生成函数。
另外还常用等比数列递推公式来收敛等比数列:
$$\sum_{i=0}^{\infty}(x^q)^i=\frac{1}{1-x^q}$$
另外对于有限的等比数列还常用类似错位相减的方法,左边乘上(1-x)就会变成右边分子,即:
$$\sum_{i=0}^{n}x^i=\frac{1-x^{n+1}}{1-x}$$
例题:
1.求:
$$g(x)=(1+x^2+x^4+...)(1+x^5+x^{10}+...)(1+x+x^2+x^3+x^4)(1+x)$$
用上面提到的技巧即可得到:
$$g(x)=\frac{1}{1-x^2}*\frac{1}{1-x^5}*\frac{1-x^5}{1-x}*(1+x)$$
不断地约分,最后用平方差公式化简可得:
$$g(x)=\frac{1}{(1-x)^2}=(1-x)^{-2}=\sum_{i=0}^{\infty}(i+1)x^i$$
再代入上面那个结论就可以得到多项式了。
2.食物:用上面的技巧化简约分最后剩个小组合数,n=10^500用读入取模。
【多项式求逆】
核心原理是$\%x^{\frac{n}{2}}$的多项式平方后可以转化为$\%x^n$。
已知多项式f(x),求多项式g(x),满足f(x)g(x)=1(%x^n)。
$$f(x)g(x)=1(\%x^{\frac{n}{2}})$$
$$f(x)h(x)=1(\%x^n)$$
现在已知g(x),求h(x)。
$$f(x)g(x)-1=0(\%x^{\frac{n}{2}})$$
将1移到左边后就可以平方了。
$$f(x)^2g(x)^2-2f(x)g(x)+1=0(\%x^n)$$
将1换成f(x)*g(x),从而将h(x)代入,提出f(x)消去。
$$f(x)g(x)^2-2g(x)+h(x)=0(\%x^n)$$
最终得到:
$$h(x)=g(x)(2-f(x)g(x))(\%x^n)$$
然后就可以递归求解,边界条件:当n=1时,f(x)g(x)=1(%x),g(0)是f(0)在%MOD意义下的数论逆元。
注意:每次n不同都要重新预处理Omega[]。
例题:【BZOJ】4555: [Tjoi2016&Heoi2016]求和 排列组合+多项式求逆 或 斯特林数+NTT
【拉格朗日插值法】
参考:拉格朗日插值法(图文详解) by Angel_Kitty
对于一个n次多项式,如果已知n+1个点,可以构造拉格朗日多项式L(x):
$$L(x)=\sum_{i=0}^{n}y_il_i(x)$$
其中$l_i(x)$为插值基函数:
$$l_i(x)=\prod_{j=0,j\neq i}^{n}\frac{x-x_j}{x_i-x_j}$$
通过代入需要的x即可得到答案。
每次插值的复杂度为O(n^2)。
例题:【BZOJ】4559: [JLoi2016]成绩比较 计数DP+排列组合+拉格朗日插值
当横坐标连续时,上式可以表示为:
$$f(x)=\sum_{i=0}^{n}f(i)*\prod_{j=0,j\neq i}^{n}\frac{x-j}{i-j}$$
预处理阶乘的逆元$\frac{1}{i!}$,预处理$v=\prod x-j$,每次乘上v/(i-j),分母是两段阶乘,再根据负数的个数判断正负性。
复杂度O(n)。
例题:【BZOJ】3453: tyvj 1858 XLkxc 拉格朗日插值(自然数幂和)
- [bzoj3625][Codeforces 250 E]The Child and Binary Tree(生成函数+多项式运算+FFT)
- 02-线性结构2 一元多项式的乘法与加法运算 (20分)
- 小白算法练习 简单背包专题003 完全背包 hdu lanqiao 包子凑数 dp
- 每日一题13:多项式的(基于链表实现)简单运算
- 数据结构(Data structure):用链表实现多项式的表示和运算(C语言)
- 算法(求对输入的N个数进行加法或减法运算,得到最小的正整数的组合.)
- 02-线性结构1 一元多项式的乘法与加法运算
- 位运算专题
- 蓝桥杯 算法训练 集合运算
- php中逻辑运算的短路算法
- pta 一元多项式的乘法与加法运算
- 【图像算法】彩色图像分割专题七:基于分水岭的彩色分割
- 计算多项式的值(秦九昭算法,clock()函数的使用)
- 算法题:前缀表达式的运算
- 算法-简单的四则运算
- C语言之基本算法33—矩阵的基本运算
- 多项式求值的几个简单算法(C语言)
- (转)Oracle开发专题之:时间运算
- javascript中解析四则运算表达式的算法和示例
- 一元多项式加法与乘法运算链表实现