Fast Fourier Transform

最新推荐文章于 2025-06-20 09:35:55 发布

fo0Old

最新推荐文章于 2025-06-20 09:35:55 发布

阅读量699

点赞数

CC 4.0 BY-SA版权

分类专栏：公式文章标签： fft 算法 acm

本文链接：https://blog.csdn.net/fo0Old/article/details/77726281

公式专栏收录该内容

3 篇文章

订阅专栏

本文详细介绍了快速傅里叶变换(FFT)的基本概念及其在多项式乘法中的应用，包括多项式的基本表达形式、单位复根的概念及性质，并通过实例展示了FFT的具体实现过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

快速傅里叶变换(FFT)

这几天在家没事慢慢研究了一下集训最后的一个专题FFT, 陈犇讲完还是有点不是很懂, 网上的很多资料都讲的不是很清晰, 由于这个算法太美了, 我有必要写点什么东西表示对前人智慧的赞美! (顺便练练打公式)

1.FFT这玩意是什么?有什么用?

FFT ( fast Fourier transform )的中文名是快速傅里叶变换, 在信号领域有很大的作用, 在ACM中我们常用FFT来求解多项式乘法

举个例子:

$y_1=2x^4+3x^2+5x+7$
$y_2=5x^3+7x^2+11$
FFT就是用来快速地计算 $y_1\cdot y_2$ 所得到的多项式
( $y1\cdot y2=10x^7+14x^6+15x^5+68x^4+70x^3+82x^2+55x+77$ )

2.FFT预备知识

1.多项式

1.多项式定义

$A(x)=a_0+a_1x+a_2x^2+\cdots+a_{n-2}x^{n-2}+a_{n-1}x^{n-1}$

A (x) = \sum i = 0 n - 1 a i x i

$A(x)=\sum_{i=0}^{n-1}a_ix^i$

2.多项式表达方式

系数表达: $(a_0,a_1,a_2,\cdots,a_{n-2},a_{n-1})$
点值表达:选取 $n$ 个(或以上)不同的值: $x_0,x_1,...x_{n-2},x_{n-1}$ , 对多项式 $A(x)$ 求值得到 $A(x_0),A(x_1),···,A(x_{n-1})$
那么就称 $\{(x_i,A(x_i)),0\le i\lt n,i\in\mathbb Z\}$ 为多项式 $A(x)$ 的点值表示

举个例子:

$f(x)=2+3x+x^2$ 这个多项式的系数表达式就是 $(2,3,1)$ , 点值表达式就是 $\{(0,2),(1,6),(2,12)\}$ 或者 $\{(1,6),(2,12),(3,20),(4,30)\}$
$n-1$ 次多项式只要选取任意不同的 $n$ 个点(或以上)都是可以的

显然不管是点值表达式还是系数表达式都可以唯一确定一个 $n-1$ 次多项式, 并且它们是可以相互推导的

3.多项式的乘法

系数表达式下的乘法
$A (x) = \sum i = 0 n - 1 a i x i, B (x) = \sum i = 0 n - 1 b i x i$ $A(x)=\sum_{i=0}^{n-1}a_ix^i,B(x)=\sum_{i=0}^{n-1}b_ix^i$
那么 $A(x)\cdot B(x)$ 就可以表示为
$C (x) = \sum i = 0 2 n - 2 (\sum j = 0 i a j b i - j) x i$ $C(x)=\sum_{i=0}^{2n-2}(\sum_{j=0}^ia_jb_{i-j})x^i$
点值表达式下的乘法
${x i, C (x i)} = {x i, A (x i) \cdot B (x i)}$ $\{x_i,C(x_i)\}=\{x_i,A(x_i)\cdot B(x_i)\}$

举个例子:

已知 $f_1(x)=x^2+1,f_2(x)=x+3$
$f_1(x)$ 的点值表达式是 $\{(0,1),(1,2),(2,5),(3,10)\}$
$f_2(x)$ 的点值表达式是 $\{(0,3),(1,4),(2,5),(3,6)\}$
那么 $f_1(x)\cdot f_2(x)$ 的点值表达式就是 $\{(0,3),(1,8),(2,25),(3,60)\}$

2.单位复根

0.引入

先不考虑什么叫做单位复根
先在平面直角坐标系下画一个单位圆, 即 $\{(x,y)| x^2+y^2=1\}$
现在我们要在这个圆上取 $n$ 个点 $(n>0),$ 使得这 $n$ 个点恰好把圆弧分成了 $n$ 等份, 规定第 $1$ 个点一定是 $(1,0)$

举个例子:

当 $n=3$ 时, 这些点的坐标按照逆时针顺序分别是

$(1, 0), (- 1 2, 3 \sqrt 2), (- 1 2, - 3 \sqrt 2)$ $(1,0),(-\frac{1}{2},\frac{\sqrt 3}{2}),(-\frac{1}{2},-\frac{\sqrt 3}{2})$
当 $n=4$ 时, 这些点的坐标按照逆时针顺序分别是
$(1, 0), (0, 1), (- 1, 0), (0, - 1)$ $(1,0),(0,1),(-1,0),(0,-1)$
当 $n=8$ 时, 这些点的坐标按照逆时针顺序分别是
$(1, 0), (2 \sqrt 2, 2 \sqrt 2), (0, 1), (- 2 \sqrt 2, 2 \sqrt 2),$ $(1,0),(\frac{\sqrt 2}{2},\frac{\sqrt 2}{2}),(0,1),(-\frac{\sqrt 2}{2},\frac{\sqrt 2}{2}),$
$(- 1, 0), (- 2 \sqrt 2, - 2 \sqrt 2), (0, 1), (2 \sqrt 2, - 2 \sqrt 2)$ $(-1,0),(-\frac{\sqrt 2}{2},-\frac{\sqrt 2}{2}),(0,1),(\frac{\sqrt 2}{2},-\frac{\sqrt 2}{2})$
如果我们把平面直角坐标系看做是复平面, 那么上面那些点就变成了一个复数, 它们正是单位复根
1.单位复根定义

方程 $x^n=1$ 在复数域内一定有 $n$ 个不同的解
那么规定: $w_n^k$ 是方程 $x^n=1$ 的第 $k+1$ 个根 $(0\le k\lt n)$
也就是对应了上面我们从圆上逆时针选取的 $n$ 个点中的第 $k$ 个点

举个例子:

$w_2^0=1$ $(x^2=1$ 的第 $1$ 个根是 $1)$
$w_2^1=1$ $(x^2=1$ 的第 $2$ 个根是 $-1)$

$w_4^0=1$ $(x^4=1$ 的第 $1$ 个根是 $1)$
$w_4^1=i$ $(x^4=1$ 的第 $2$ 个根是 $i)$
$w_4^2=1$ $(x^4=1$ 的第 $3$ 个根是 $-1)$
$w_4^3=i$ $(x^4=1$ 的第 $4$ 个根是 $-i)$

$w_8^0=1$ $(x^8=1$ 的第 $1$ 个根是 $1)$
$w_8^1=i$ $(x^8=1$ 的第 $2$ 个根是 $\frac{\sqrt 2}{2}+\frac{\sqrt 2}{2}i)$
$w_8^2=1$ $(x^8=1$ 的第 $3$ 个根是 $i)$
$w_8^3=i$ $(x^8=1$ 的第 $4$ 个根是 $-\frac{\sqrt 2}{2}+\frac{\sqrt 2}{2}i)$
$w_8^4=1$ $(x^8=1$ 的第 $5$ 个根是 $-1)$
$w_8^5=i$ $(x^8=1$ 的第 $6$ 个根是 $-\frac{\sqrt 2}{2}-\frac{\sqrt 2}{2}i)$
$w_8^6=1$ $(x^8=1$ 的第 $7$ 个根是 $-i)$
$w_8^7=i$ $(x^8=1$ 的第 $8$ 个根是 $\frac{\sqrt 2}{2}-\frac{\sqrt 2}{2}i)$

我们不难归纳得到:

$w k n = c o s (2 π k n) + s i n (2 π k n) i$ $w_n^k=cos(\frac{2\pi k}{n})+sin(\frac{2\pi k}{n})i$
规定: 当 $k\ge n$ 时, $w_n^k=w_n^{k\%n}$
例如: $w_4^6=w_4^2,w_8^{20}=w_8^4$
2.单位复根性质

下面的只讨论 $n$ 是 $2$ 的次方时,即: $n=2^m,(m\ge 0)$ 时的性质
画图我们可以很容易的证明

$(w k n) 2 = w k n / 2$ $(w_n^k)^2=w_{n/2}^k$
例如: $(w_8^3)^2=w_4^3$ , $(w_8^6)^2=w_4^6=w_4^2$
3.FFT原理

用一句话来说就是:将原多项式的系数表达式转换成点值表达式 $\bigl( O(nlog_2n)\bigr)$ , 再将多项式的点值表达式相乘得到目标表达式的点值表达式 $\bigl( O(n)\bigr)$ , 再将点值表达式转换成为系数表达式 $\bigl( O(nlog_2n)\bigr)$

为了能够在 $O(nlog_2n)$ 时间内得到多项式的点值表达式, FFT采取了一些小技巧, 选择 $n$ 个单位复根进行求值, 由于单位复根的一些性质, 我们可以在 $O(nlog_2n)$ 求出它们的值

现在我们有一个最高次幂是 $m$ 的多项式:

$A (x) = a 0 + a 1 x + a 2 x + \dots + a m - 1 x m - 1 + a m x m$ $A(x)=a_0+a_1x+a_2x+\cdots+a_{m-1}x^{m-1}+a_mx^m$
1.先将这个多项式的最高次数扩充到 $2$ 的次方 $n-1$

$A (x) = a 0 + a 1 x + a 2 x + \dots + a m x m + 0 \cdot x m + 1 + 0 \cdot x m + 2 + \dots + 0 \cdot x n - 1 (n - 1 \geq m) = a 0 + a 1 x + a 2 x 2 + \dots + a n - 2 x n - 2 + a n - 1 x n - 1$ $\begin{align} A(x)&=a_0+a_1x+a_2x+\cdots+a_mx^m+0\cdot x^{m+1}+0\cdot x^{m+2}+\cdots+0\cdot x^{n-1}(n-1\ge m)\\ &=a_0+a_1x+a_2x^2+\cdots+a_{n-2}x^{n-2}+a_{n-1}x^{n-1} \end{align}$
2.分别带入 $n$ 个不同的单位复根 $(w_n^0,w_n^1,w_n^2,...,w_n^{n-1})$
$⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ A (w 0 n) = a 0 + a 1 w 0 n + \dots + a n - 1 (w 0 n) n - 1 A (w 1 n) = a 0 + a 1 w 1 n + \dots + a n - 1 (w 1 n) n - 1 A (w 2 n) = a 0 + a 1 w 2 n + \dots + a n - 1 (w 2 n) n - 1 \dots \dots A (w n - 2 n) = a 0 + a 1 w n - 2 n \dots + a n - 1 (w n - 2 n) n - 1 A (w n - 1 n) = a 0 + a 1 w n - 1 n \dots + a n - 1 (w n - 1 n) n - 1$ $\begin{cases} A(w_n^0)=a_0+a_1w_n^0+\cdots+a_{n-1}(w_n^0)^{n-1}\\ A(w_n^1)=a_0+a_1w_n^1+\cdots+a_{n-1}(w_n^1)^{n-1}\\ A(w_n^2)=a_0+a_1w_n^2+\cdots+a_{n-1}(w_n^2)^{n-1}\\ \cdots \cdots\\ A(w_n^{n-2})=a_0+a_1w_n^{n-2}\cdots+a_{n-1}(w_n^{n-2})^{n-1}\\ A(w_n^{n-1})=a_0+a_1w_n^{n-1}\cdots+a_{n-1}(w_n^{n-1})^{n-1}\\ \end{cases}$
可以写成一个矩阵:
$⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ A (w 0 n) A (w 1 n) A (w 2 n) ⋮ A (w n - 2 n) A (w n - 1 n) ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ = ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ 111 ⋮ 11 w 0 n w 1 n w 2 n ⋮ w n - 2 n w n - 1 n (w 0 n) 2 (w 1 n) 2 (w 2 n) 2 ⋮ (w n - 2 n) 2 (w n - 1 n) 2 \dots \dots \dots ⋱ \dots \dots (w 0 n) n - 2 (w 1 n) n - 2 (w 2 n) n - 2 ⋮ (w n - 2 n) n - 2 (w n - 1 n) n - 2 (w 0 n) n - 1 (w 1 n) n - 1 (w 2 n) n - 1 ⋮ (w n - 2 n) n - 1 (w n - 1 n) n - 1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ a 0 a 1 a 2 ⋮ a n - 2 a n - 1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟$ $\left(\begin{matrix} A(w_n^0)\\A(w_n^1)\\A(w_n^2)\\\vdots\\A(w_n^{n-2})\\A(w_n^{n-1}) \end{matrix}\right)= \left(\begin{matrix} 1&w_n^0&(w_n^0)^2&\cdots&(w_n^0)^{n-2}&(w_n^0)^{n-1}&\\ 1&w_n^1&(w_n^1)^2&\cdots&(w_n^1)^{n-2}&(w_n^1)^{n-1}&\\ 1&w_n^2&(w_n^2)^2&\cdots&(w_n^2)^{n-2}&(w_n^2)^{n-1}&\\ \vdots&\vdots&\vdots&\ddots&\vdots&\vdots\\ 1&w_n^{n-2}&(w_n^{n-2})^2&\cdots&(w_n^{n-2})^{n-2}&(w_n^{n-2})^{n-1}&\\ 1&w_n^{n-1}&(w_n^{n-1})^2&\cdots&(w_n^{n-1})^{n-2}&(w_n^{n-1})^{n-1}&\\ \end{matrix}\right) \left(\begin{matrix} a_0\\a_1\\a_2\\\vdots\\a_{n-2}\\a_{n-1} \end{matrix}\right)$
没错我们就是要在 $O(nlog_2n)$ 时间内得到 $A(w_n^0),A(w_n^1),A(w_n^2),\cdots,A(w_n^{n-2}),A(w_n^{n-1})$ 这 $n$ 个值 ! ! !
3.单独考虑其中任意一个方程
$A (w k n) = a 0 + a 1 w k n + a 2 (w k n) 2 + \dots + a n - 1 (w k n) n - 1$ $A(w_n^k)=a_0+a_1w_n^k+a_2(w_n^k)^2+\cdots+a_{n-1}(w_n^k)^{n-1}$
3.将奇数项和偶数项分开
得到
$A (w k n) = (a 0 + a 2 (w k n) 2 + \dots + a n - 2 (w k n) n - 2) + (a 1 w k n + a 3 (w k n) 3 + \dots + a n - 1 (w k n) n - 1) = (a 0 + a 2 (w k n) 2 + \dots + a n - 2 (w k n) n - 2) + w k n (a 1 + a 3 (w k n) 2 + \dots + a n - 1 (w k n) n - 2) = (a 0 + a 2 w k n / 2 + \dots + a n - 2 (w k n / 2) n 2 - 1) + w k n (a 1 + a 3 w k n / 2 + \dots + a n - 1 (w k n / 2) n 2 - 1)$ $\begin{align} A(w_n^k)&=\bigl(a_0+a_2(w_n^k)^2+\cdots+a_{n-2}(w_n^k)^{n-2}\bigr)+\bigl(a_1w_n^k+a_3(w_n^k)^3+\cdots+a_{n-1}(w_n^k)^{n-1}\bigr)\\ &=\bigl(a_0+a_2(w_n^k)^2+\cdots+a_{n-2}(w_n^k)^{n-2}\bigr)+w_n^k\bigl(a_1+a_3(w_n^k)^2+\cdots+a_{n-1}(w_n^k)^{n-2}\bigr)\\ &=\bigl(a_0+a_2w_{n/2}^k+\cdots+a_{n-2}(w_{n/2}^k)^{\frac{n}{2}-1}\bigr)+w_n^k\bigl(a_1+a_3w_{n/2}^k+\cdots+a_{n-1}(w_{n/2}^k)^{\frac{n}{2}-1}\bigr)\\ \end{align}$
4.假设两个新的多项式:
$A_0(x)=a_0+a_2x+\cdots+a_{n-2}x^{\frac{n}{2}-1}$
$A_1(x)=a_1+a_3x+\cdots+a_{n-1}x^{\frac{n}{2}-1}$
那么 $A(w_n^k)=A_0(w_{n/2}^k)+w_n^kA_1(w_{n/2}^k)$
我们只要再次用同样的方法计算 $A_0(x)$ 以及 $A_1(x)$ 就可以在 $O(nlog_2n)$ 时间内求出 $A(x)$ 的所有点值表达式了
举个例子:

多项式 $f(x)=a_0+a_1x+a_2x^2+a_3x^3$ , 我们要计算 $A(w_4^0),A(w_4^1),A(w_4^2),A(w_4^3)$ 这4个点的值
1.
$A(w_4^0)=A_0(w_2^0)+w_4^0A_1(w_2^0)$
$A(w_4^1)=A_0(w_2^1)+w_4^1A_1(w_2^1)$
$A(w_4^2)=A_0(w_2^0)+w_4^2A_1(w_2^0)$
$A(w_4^3)=A_0(w_2^1)+w_4^3A_1(w_2^1)$
2.
$A(w_2^0)=A_0(w_1^0)+w_2^0A_1(w_1^0)$
$A(w_2^1)=A_0(w_1^0)+w_2^1A_1(w_1^0)$
3.
因为 $w_1^0=1$ 所以可以直接得到它的值, 也就是当前的系数

上述过程就称为 离散傅里叶变换(Discrete Fourier Transform)

我们将多个多项式的点值表达式相乘, 获得了目标表达式的点值表达式
那么: 怎么获得目标表达式的系数表达式呢?

下面我们将要介绍 逆离散傅里叶变换(Inverse Discrete Fourier Transform)

$⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ A (x 0) A (x 1) A (x 2) ⋮ A (x n - 2) A (x n - 1) ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ = ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ 111 ⋮ 11 x 0 x 1 x 2 ⋮ x n - 2 x n - 1 (x 0) 2 (x 1) 2 (x 2) 2 ⋮ (x n - 2) 2 (x n - 1) 2 \dots \dots \dots ⋱ \dots \dots (x 0) n - 2 (x 1) n - 2 (x 2) n - 2 ⋮ (x n - 2) n - 2 (x n - 1) n - 2 (x 0) n - 1 (x 1) n - 1 (x 2) n - 1 ⋮ (x n - 2) n - 1 (x n - 1) n - 1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ a 0 a 1 a 2 ⋮ a n - 2 a n - 1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟$ $\left(\begin{matrix} A(x_0)\\A(x_1)\\A(x_2)\\\vdots\\A(x_{n-2})\\A(x_{n-1}) \end{matrix}\right)= \left(\begin{matrix} 1&x_0&(x_0)^2&\cdots&(x_0)^{n-2}&(x_0)^{n-1}&\\ 1&x_1&(x_1)^2&\cdots&(x_1)^{n-2}&(x_1)^{n-1}&\\ 1&x_2&(x_2)^2&\cdots&(x_2)^{n-2}&(x_2)^{n-1}&\\ \vdots&\vdots&\vdots&\ddots&\vdots&\vdots\\ 1&x_{n-2}&(x_{n-2})^2&\cdots&(x_{n-2})^{n-2}&(x_{n-2})^{n-1}&\\ 1&x_{n-1}&(x_{n-1})^2&\cdots&(x_{n-1})^{n-2}&(x_{n-1})^{n-1}&\\ \end{matrix}\right) \left(\begin{matrix} a_0\\a_1\\a_2\\\vdots\\a_{n-2}\\a_{n-1} \end{matrix}\right)$
上面的矩阵就是 $DFT$ 的过程, 下面的矩阵就是 $IDFT$ 的过程

$⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ a 0 a 1 a 2 ⋮ a n - 2 a n - 1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ = 1 n ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ 111 ⋮ 11 x - 1 0 x - 1 1 x - 1 2 ⋮ x - 1 n - 2 x - 1 n - 1 (x 0) - 2 (x 1) - 2 (x 2) - 2 ⋮ (x n - 2) - 2 (x n - 1) - 2 \dots \dots \dots ⋱ \dots \dots (x 0) - n + 2 (x 1) - n + 2 (x 2) - n + 2 ⋮ (x n - 2) - n + 2 (x n - 1) - n + 2 (x 0) - n + 1 (x 1) - n + 1 (x 2) - n + 1 ⋮ (x n - 2) - n + 1 (x n - 1) - n + 1 ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ A (x 0) A (x 1) A (x 2) ⋮ A (x n - 2) A (x n - 1) ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟$ $\left(\begin{matrix} a_0\\a_1\\a_2\\\vdots\\a_{n-2}\\a_{n-1} \end{matrix}\right)=\frac{1}{n} \left(\begin{matrix} 1&x_0^{-1}&(x_0)^{-2}&\cdots&(x_0)^{-n+2}&(x_0)^{-n+1}&\\ 1&x_1^{-1}&(x_1)^{-2}&\cdots&(x_1)^{-n+2}&(x_1)^{-n+1}&\\ 1&x_2^{-1}&(x_2)^{-2}&\cdots&(x_2)^{-n+2}&(x_2)^{-n+1}&\\ \vdots&\vdots&\vdots&\ddots&\vdots&\vdots\\ 1&x_{n-2}^{-1}&(x_{n-2})^{-2}&\cdots&(x_{n-2})^{-n+2}&(x_{n-2})^{-n+1}&\\ 1&x_{n-1}^{-1}&(x_{n-1})^{-2}&\cdots&(x_{n-1})^{-n+2}&(x_{n-1})^{-n+1}&\\ \end{matrix}\right) \left(\begin{matrix} A(x_0)\\A(x_1)\\A(x_2)\\\vdots\\A(x_{n-2})\\A(x_{n-1}) \end{matrix}\right)$
其实差异并不大, 我们只需要将原来DFT中 $w_n^k$ 换成 $w_n^{-k}$ ,结果再乘上 $\frac{1}{n}$ 就从 $DFT$ 变成了 $IDFT$