多项式基础操作学习笔记
多项式简单操作学习笔记
前置知识与约定
- 多项式乘法,我们可以用
FFT/NTT解决. - 简单求导/微积分(
简单的意思是如果这都不会就不要说自己学过了) - \([P]\)表示艾弗森括号,当\(P\)为真时表达式的值为\(1\)，\(P\)为假时表达式的值为\(0\)
- \(f^{(n)}\)表示函数\(f(x)\)的\(n\)阶导函数
多项式乘法
我们可以用FFT/NTT在\(\mathcal O(n \log n)\)的时间内解决, 但两者优劣势不尽相同.
FFT的缺点在于使用复数,精度差,使用单位根,常数大等.
而NTT的缺点在于必须在模数的原根较特殊的情况下才能使用(如\(998244353\)等).
Code
inline void NTT(int *f, int type) {
for(int i = 0; i < n; ++i) if(i < rev[i]) std::swap(f[i], f[rev[i]]);
for(int i = 1; i < n; i <<= 1) {
int tk = quick_power(3, (mod - 1) / (i << 1));
for(int j = 0; j < n; j += (i << 1)) {
int t = 1, x, y;
for(int k = 0; k < i; ++k, t = 1ll * t * tk % mod) {
x = f[j + k], y = 1ll * t * f[j + k + i] % mod;
f[j + k] = (x + y) % mod; f[j + k + i] = (x - y + mod) % mod;
}
}
}
if(type == 1) return ;
int inv = quick_power(n, mod - 2);
std::reverse(f + 1, f + n);
for(int i = 0; i < n; ++i) f[i] = 1ll * f[i] * inv % mod;
}
多项式泰勒展开
如果函数\(f(x)\)在\(x_0\)处存在\(n\)阶导数,那么定义\(f(x)\)在\(x = x_0\)处的\(\rm Taylor\)展开式为:
其中\(R_n(x)\)表示拉格朗日余项,即\((x - x_0)^n\)的高阶无穷小.
一个例子:\(e^x = 1 + \frac {x}{\Gamma(1)} + \frac {x^2}{\Gamma(2)} + \cdots\)
多项式牛顿迭代
牛顿迭代可以用来求函数的零点,而多项式牛顿迭代可以求多项式函数的零点.
即对于一个多项式\(F(x)\), 求一个多项式\(G_k(x)\)满足\(F(G_k(x)) \equiv 0 \pmod{2^k}\)
假设我们已经求出了\(G_{k-1}(x)\),考虑如何推得\(G_k(x)\)
我们把\(F(G_k(x))\)在\(x = G_{k-1}(x)\)处进行\(\rm Taylor\)展开,可以得到:
化简,移项得:
多项式求逆
已知\(F(x)\),求\(G(x)\)满足\(F(x)G(x) \equiv 1 \pmod{x^n}\)
和推牛顿迭代的式子一样,我们假设已经求出了\(G_0(x)\)满足:
由题目条件可得:
上下两式相减可得:
同余式两边同时除以\(F(x)\)可得:
同余式两遍平方可得:
由题目条件,同余时两边同时乘\(F(x)\)得:
把式子移项,可得:
递归求解即可.
Code
inline void PolyInv(int *f, int *g, int n) {
static int c[MAXN];
if(n == 1) {g[0] = quick_power(f[0], mod - 2); return ;}
PolyInv(f, g, (n + 1) >> 1);
int len = 1ll, lgm = 0ll; while(len < (n << 1)) {len <<= 1; ++lgm;}
for(register int i = 1; i < len; ++i) rev[i] = (rev[i >> 1] >> 1) | ((i & 1) << (lgm - 1));
for(register int i = 0; i < n; ++i) c[i] = f[i];
for(register int i = n; i < len; ++i) c[i] = 0; NTT(c, len, 1); NTT(g, len, 1);
for(register int i = 0; i < len; ++i) g[i] = 1ll * (2 - c[i] * g[i] % mod + mod) % mod * g[i] % mod;
NTT(g, len, -1); for(register int i = n; i < len; ++i) g[i] = 0;
}
多项式求导
没啥好说的吧, 给出公式:
Code
inline void PolyDer(int *f, int *g, int len) {
for(int i = 1; i < len; ++i) g[i - 1] = 1ll * i * f[i] % mod;
g[len - 1] = 0;
}
多项式积分
根据牛顿-莱布尼兹公式:
Code
inline void PolyInt(int *f, int *g, int len) {
for(int i = 1; i < len; ++i) g[i] = 1ll * f[i - 1] * quick_power(i, mod - 2) % mod;
g[0] = 0;
}
多项式对数函数
即多项式求\(\ln\)
已知\(F(x)\),求\(G(x)\)满足\(G(x) \equiv \ln F(x) \pmod{x^n}\)
设函数\(H(x) = \ln x\),那么同余式右边即为\(H(F(x))\).
考虑将同余式两边求导,可得:
即:
那么我们把\(F(x)\)求个导,再求个逆,然后把得到的两个多项式求一下卷积.
这样我们得到的是\(G'(x)\),然后再把他积回去即可.
Code
inline void PolyLn(int *f, int *g, int n) {
static int a[MAXN], b[MAXN];
PolyDer(f, a, n); PolyInv(f, b, n);
int len = 1ll, lgm = 0ll; while(len < (n << 1)) {len <<= 1; ++lgm;}
for(register int i = 1; i < len; ++i) rev[i] = (rev[i >> 1] >> 1) | ((i & 1) << (lgm - 1));
NTT(a, len, 1); NTT(b, len, 1);
for(register int i = 0; i < len; ++i) a[i] = a[i] * b[i] % mod;
NTT(a, len, -1); PolyInt(a, g, n);
for(register int i = 0; i < len; ++i) a[i] = b[i] = 0;
}
多项式指数函数
即多项式求\(\rm exp\)
已知\(F(x)\),求\(G(x)\)满足\(G(x) \equiv \exp (F(x)) \pmod{x^n}\).
考虑同余式两边同时取自然对数:
移项,可得:
将这个式子套进 多项式牛顿迭代 可得:
化简可得:
递归+多项式Ln计算即可.
Code
inline void PolyExp(int *f, int *g, int n) {
static int a[MAXN], b[MAXN];
if(n == 1) {g[0] = 1ll; return ;} PolyExp(f, g, (n + 1) >> 1);
int len = 1ll, lgm = 0ll; while(len < (n << 1)) {len <<= 1; ++lgm;}
for(register int i = 1; i < len; ++i) rev[i] = (rev[i >> 1] >> 1) | ((i & 1) << (lgm - 1));
for(register int i = 0; i < (n << 1); ++i) a[i] = b[i] = 0;
PolyLn(g, a, n); for(register int i = 0; i < n; ++i) b[i] = f[i];
NTT(g, len, 1); NTT(a, len, 1); NTT(b, len, 1);
for(register int i = 0; i < len; ++i) g[i] = (1ll - a[i] + b[i] + mod) % mod * g[i] % mod;
NTT(g, len, -1); for(register int i = n; i < len; ++i) g[i] = 0;
}
多项式快速幂
已知\(F(x)\),求\(G(x)\)满足\(G(x) \equiv F(x)^k \pmod{x^n}\)
首先我们在初中阶段就应该学过这样一个式子:
这个式子对多项式也成立,
那么我们只需要把\(F(x)\)求一个\(\ln\),然后把它乘上\(k\),最后再\(\exp\)回去即可.
Code
inline void PolyPow(int *f, int *g, int k, int len){
static a[MAXN];
PolyLn(f, a, len);
for(int i = 0; i < len; ++i) a[i] = 1ll * a[i] * k % mod;
PolyExp(a, g, len);
for(int i = 0; i < len; ++i) a[i] = 0;
}
多项式开根
已知\(F(x)\),求\(G(x)\)满足\(G(x)^2 \equiv F(x) \pmod{x^n}\)
和多项式求逆类似,利用那个结论,得到:
那么我们先把\(F(x)\)求个\(\ln\),然后把它的系数乘以\(2\)的逆元,最后再\(\exp\)回去即可.
Code
inline void PolySqr(int *f, int *g, int len) {
static a[MAXN];
PolyLn(f, a, len);
int invt = quick_power(2, (mod - 2));
for(int i = 0; i < len; ++i) a[i] = 1ll * a[i] * invt % mod;
PolyExp(a, g, len);
for(int i = 0; i < len; ++i) a[i] = 0;
}
多项式除法 & 多项式取模
已知多项式\(F(x),G(x)\), 求\(Q(x),R(x)\), 满足\(F(x) \equiv Q(x)G(x) + R(x) \pmod{x^n}\)
又是一种神仙思路。 考虑设\(F_R(x)\)表示把\(F(x)\)的系数 reverse 一遍的多项式。
显然对于\(n\)次多项式\(F(x)\), 我们有\(F_R(x) = x^nF(\frac 1x)\)。
然后我们来推式子：
然后把他换成\(\pmod {x^{n-m+1}}\)意义下的式子
通过这个式子求出\(Q_R(x)\)，然后代回上面的结果算\(R(x)\)即可。
Code
inline void PolyDiv(int *f, int *g, int *q, int *r, int n, int m) {
static a[MAXN], b[MAXN], c[MAXN];
for(int i = 0; i < n; ++i) a[i] = f[n - i - 1];
for(int i = 0; i < m; ++i) b[i] = g[m - i - 1];
PolyInv(a, c, n - m + 2);
int len = 1ll, lgm = 0ll; while(len < (n << 1)) {len <<= 1; ++lgm;}
for(int i = 1; i < len; ++i) rev[i] = (rev[i >> 1] >> 1) | ((i & 1) << (lgm - 1));
NTT(a, len, 1); NTT(c, len, 1);
for(int i = 0; i < len; ++i) q[i] = a[i] * c[i] % mod;
NTT(q, len, -1); std::reverse(q, q + n - m + 1);
for(int i = 0; i < len; ++i) a[i] = 0;
for(int i = n - m + 1; i < len; ++i) q[i] = 0;
for(int i = m; i < len; ++i) g[i] = 0;
NTT(q, len, 1); NTT(g, len, 1);
for(int i = 0; i < len; ++i) a[i] = q[i] * g[i] % mod;
NTT(q, len, -1); NTT(g, len, -1); NTT(a, len, -1);
for(int i = 0; i < m - 1; ++i) r[i] = (f[i] - a[i] + mod) % mod;
for(int i = 0; i < len; ++i) a[i] = b[i] = c[i] = 0;
}
更新日志&引用
- 2019/9/27, 更新至多项式求逆
- 2019/9/28, 更新至多项式开根
- 2020/7/25, 更新至多项式除法
作者是完完全全跟着Venus和M-sea大爷学的多项式,所以本篇文章有很多引用来自她们的博客.
再次感谢这两篇博客给予本菜鸡在多项式学习方面的帮助!
摘要来自NaCly_Fish的Luogu个人空间.
