[基本操作]多项式
首先 FFT
没啥可说的，背诵全文
#include<bits/stdc++.h> #define LL long long using namespace std; const int maxn = 4000100,mod = 998244353,iG = 332748118,G = 3; int n,L,R[maxn],lg[maxn + maxn]; int poly[maxn],Poly[maxn]; int nn; inline int read() { int x = 0,f = 1;char ch = getchar(); for(;!isdigit(ch);ch = getchar())if(ch == '-')f = -f; for(;isdigit(ch);ch = getchar())x = 10 * x + ch - '0'; return x * f; } inline int ksm(int x,int t) { int res = 1; while(t) { if(t & 1) res = ((LL)res * (LL)x) % mod; x = ((LL)x * (LL)x) % mod; t >>= 1; } return res; } inline void fft_init(int n){for(int i=0;i<n;i++) R[i] = (R[i>>1] >> 1) | ((i & 1) << (lg[n] - 1));} inline void fft(int *a,int f,int n) { for(int i=0;i<n;i++)if(i < R[i])swap(a[i],a[R[i]]); for(int i=1;i<n;i<<=1) { int wn = ksm(((f == 1) ? G : iG),(mod - 1) / (i << 1)); for(int j=0;j<n;j+=(i<<1)) { int w = 1; for(int k=0;k<i;k++,w=(1LL * (LL)w * (LL)wn) % mod) { int x = a[j + k], y = (1LL * (LL)w * (LL)a[j + k + i]) % mod; a[j + k] = (x + y) % mod; a[j + k + i] = (x - y + mod) % mod; } } } if(f == -1) { int inv = ksm(n,mod - 2); for(int i=0;i<n;i++)a[i] = ((LL)a[i] * (LL)inv) % mod; } } int main() { n = read();nn = read();lg[0] = -1; for(int i=1;i<maxn+maxn;i++)lg[i] = lg[i >> 1] + 1; for(int i=0;i<=n;i++)poly[i] = read(); for(int i=0;i<=nn;i++)Poly[i] = read(); int m; for(m=n+nn,n=1;n<=m;n<<=1); fft_init(n); fft(poly,1,n);fft(Poly,1,n); for(int i=0;i<n;i++)poly[i] = ((LL)poly[i] * (LL)Poly[i]) % mod; fft(poly,-1,n); for(int i=0;i<=m;i++)printf("%d ",poly[i]); }
#include<bits/stdc++.h> #define LL long long using namespace std; inline int read() { int x = 0,f = 1;char ch = getchar(); for(;!isdigit(ch);ch = getchar())if(ch == '-') f = -f; for(;isdigit(ch);ch = getchar())x = 10 * x + ch - '0'; return x * f; } const int maxn = 4e6 + 10; const double pi = acos(-1); #define cp complex<double> cp a[maxn],b[maxn]; int lg[maxn + maxn],R[maxn]; inline void fft_init(int n){for(int i=0;i<n;i++)R[i] = (R[i >> 1] >> 1) | ((i & 1) << (lg[n] - 1));} inline void fft(cp *a,int f,int n) { for(int i=0;i<n;i++)if(i < R[i])swap(a[i],a[R[i]]); for(int i=1;i<n;i <<= 1) { cp wn(cos(pi / i),f * sin(pi / i)); for(int j=0;j<n;j += (i << 1)) { cp w(1,0); for(int k=0;k<i;k++,w *= wn) { cp x = a[j + k],y = w * a[j + k + i]; a[j + k] = x + y; a[j + k + i] = x - y; } } } if(f == -1)for(int i=0;i<=n;i++)a[i] /= n; } int main() { lg[0] = -1;for(int i=1;i<maxn+maxn;i++)lg[i] = lg[i >> 1] + 1; int N = read(),M = read(); for(int i=0;i<=N;i++)cin>>a[i]; for(int i=0;i<=M;i++)cin>>b[i]; int n; for(n=1;n <= N+M;n<<=1); fft_init(n);fft(a,1,n);fft(b,1,n); for(int i=0;i<=n;i++)a[i] *= b[i]; fft(a,-1,n); for(int i=0;i<=N+M;i++)printf("%d ",(int)(a[i].real() + 0.5)); }
多项式的一个基本操作就是卷积，也就是对于两个多项式 $F$ 和 $G$ ，求
$$\sum_{i=1}^n F_i \times G_{n-i}$$
很多 dp 题可以转换成卷积的形式，我们可以 FFT 一发
对于一些计数问题，生成函数是一个非常有用的计数方法，FFT 也可以快速计算两个母函数的卷积
之后就是一些很好的操作，先放在这
1.求逆
对于一个多项式 $A$ ，你要求一个多项式 $B$ 满足 $A \times B \equiv 1 \space (mod \space x^n)$
考虑倍增
1.如果要求 $A$ 在膜 $x^0$ 意义下的逆，那就相当于求常数项的逆元
2.如果我们知道在膜 $x^{\lceil \frac{n}{2} \rceil}$ 意义下的逆 $B'$ ，我们要求膜 $x^n$ 意义下的逆 $B$
稍微有点麻烦，考虑一下
先把 $A \times B$ 放到膜 $x^{\lceil \frac{n}{2} \rceil}$ 意义下，得到 $A \times B \equiv 1 \space (mod \space x^{\lceil \frac{n}{2} \rceil})$
减一下 $B - B' \equiv 0 \space (mod \space x^{\lceil \frac{n}{2} \rceil})$
两边平方 $B^2 - 2 \times B \times B' + B'^2 \equiv 0 \space (mod \space x^n)$
乘上一个 $A$ ，移项可以得到 $B \equiv 2 \times B'- A \times B'^2 \space (mod \space x^n)$
这样做的时间复杂度是 $T(n) = T(\frac{n}{2}) + O(nlogn)$
主定理搞一波是 $O(nlogn)$ 的
只有一个 log ，非常优秀
int temp[maxn]; inline void inverse(int *a,int *b,int n) { if(n == 1){b[0] = ksm(a[0],mod - 2);return;} inverse(a,b,n >> 1); memcpy(temp,a,n * sizeof(int)); memset(temp + n,0,n * sizeof(int)); fft(temp,1,n << 1);fft(b,1,n << 1); for(int i=0;i<(n << 1);i++)b[i] = 1LL * b[i] * ((2LL - 1LL * temp[i] * b[i] % mod + mod) % mod) % mod; fft(b,-1,n << 1);memset(b + n,0,n * sizeof(int)); }
2.求导 / 积分
下面一些东西的前置操作
void Derivative(int *f,int *g,int n) { for(int i=0;i<n;i++)g[i] = (LL)f[i + 1] * (i + 1) % mod; g[n] = 0; } void Integral(int *f,int *g,int n) { for(int i=1;i<=n;i++)g[i] = (LL)f[i - 1] * ksm(i,mod - 2) % mod; g[0] = 0; }
3.多项式开根
还是倍增
对于一个多项式 $A$ ，假设我们要求 $B^2 \equiv A \space (mod \space x^n)$
跳个步，$B^2 - B'^2 \equiv 0 \space (mod \space x^{\lceil \frac{n}{2} \rceil})$
平方差公式，$(B - B')(B + B') \equiv 0 \space (mod \space x^{\lceil \frac{n}{2} \rceil})$
有 2 个解，我们考虑前面那个，也就是 $B - B' \equiv 0 \space (mod \space x^{\lceil \frac{n}{2} \rceil})$
平方一下 $B^2 - 2 \times B \times B' + B'^2 \equiv 0 \space (mod \space x^n)$
把 $A$ 代进去 $A - 2 \times B \times B' + B'^2 \equiv 0 \space (mod \space x^n)$
移项，得到 $B \equiv \frac{A + B'^2}{2 \times B'} \space (mod \space x^n)$
求逆就可以了
复杂度还是 $O(nlogn)$
inline void sqrt(int *a,int *b,int n) { if(n == 1){b[0] = 1;return;} sqrt(a,b,n>>1); memset(d,0,n*2*sizeof(int)); inverse(b,d,n); memcpy(c,a,n*sizeof(int)); memset(c+n,0,n*sizeof(int)); fft(c,1,n<<1); fft(b,1,n<<1); fft(d,1,n<<1); for(int i=0;i<(n<<1);i++) b[i] = (1LL * c[i] * d[i] % mod + b[i]) % mod * inv2 % mod; fft(b,-1,n<<1); memset(b+n,0,n*sizeof(int)); }
4.求 ln
$$ln(A) \equiv \int \frac{A'}{A} dx$$
用求导和积分搞一搞就可以了
int D[maxn],A[maxn]; inline void ln(int *f,int *g,int n) { Derivitive(f,g,n); inverse(f,A,n);fft_init(n); fft(A,n,0);fft(D,n,0); for(int i=0;i<n;i++)(A[i] *= D[i]) %= mod; fft(A,n,1); Integral(f,g,n); }
