多项式牛顿迭代及其运用
- 参考资料
- 前言-牛顿迭代
- 实数意义下的
- 多项式意义下的
- 多项式对数函数
- 多项式指数函数
- 多项式求幂
参考资料
牛顿迭代法在多项式运算的应用-by Miskcoo
如何通俗易懂地讲解牛顿迭代法?
前言-牛顿迭代
在食用本文之前,建议先学习这篇博客:
同样的,本文还是建议从前往后进行学习~~~
实数意义下的
首先是看了马老师的博客,然后就了解了求不规则函数根的方法。
下面是博主自己的概括和理解:
大概就是随便在x轴上找一个点,然后向上作x轴的垂线,交函数于一点y,然后再作(x,y)处的切线,交x轴于(x',0)。又从(x',0)这个点开始不断地重复。
最终我们找到的交x轴的那个点,有极大的概率是方程的根(函数的零点)。
现在我们来看一下,在已知\((x_0,f(x_0))\)的情况下,如何求出x'的值:
设原函数为\(f(x)\),然后在\((x_0,f(x_0))\)的切线方程为:\(y=f'(x_0)(x-x_0)+f(x_0)\),然后就可以简单的令y=0,就可以得到:\(0=f'(x_0)(x'-x_0)+f(x_0)\)->\(x'=x_0-\frac{f(x_0)}{f'(x_0)}\),然后就可以通过这个式子进行不断地迭代了。
多项式意义下的
这个...其实还没有发现和上面的那个有什么关系...可能是我研究的还不够深入吧...先道个歉...
重点是记住结论就好了
首先看一个式子:
已知的是G(x),要求的是F(x)。
咋搞呢?
首先是多项式问题的常见套路:设\(F_0(x)\)是在\(mod\ x^{\lfloor\frac{n}{2}\rfloor}\)意义下的解,而且已经求出来了。
也就是有:
由泰勒展开可得:
\[G(F(x))=\frac{G(F_0(x))}{0!}+\frac{G'(F_0(x))}{1!}(F(x)-F_0(x))+\frac{G''(F_0(x))}{2!}(F(x)-F_0(x))^2+... \]然后我们进一步可以发现,其实从式子中的第三项开始就可以省略了。
为什么呢??
因为在高次的情况下满足的式子,低次也是满足的:
\[G(F(x))\equiv 0(mod\ x^{\lfloor\frac{n}{2}\rfloor}) \]进一步也就是说\(F(x)\)和\(F_0(x)\)的后n/2位是相等的。
然后你就会发现\((F(x)-F_0(x))^2\)的最低次项的次数都是(n/2)*(n/2)=n的,在模\(x^n\)的意义下,就变成0了!!!
所以说只有前面两项是有意义的。
这样子之后就变得炒鸡简单啦:
\[G(F(x))=\frac{G(F_0(x))}{0!}+\frac{G'(F_0(x))}{1!}(F(x)-F_0(x)) \]然后我们进行进一步的变形,就能够得出F(x)的表达式:
\[F(x)=F_0(x)-\frac{G(F_0(x))}{G'(F_0(x))} \]特别需要注意的是,这里的F(x)最好是看成是一个变元(通俗地讲,就看成是'x'),在这个意义下在进行求导的运算。
如何具体的使用这个蕴藏着丰富力量的公式呢?
每次都将题目中的同余式化成右边等于0 的形式,然后再令左边等于G(F(x)),再带入上述的结论式中,就能够得到你想要的结论了~~~
下面给出的常见操作大都是使用牛顿迭代得到的,其实也有常规的推导方式,只不过使用牛顿迭代更加简单易懂罢了。
多项式对数函数
这个是用不到牛顿迭代的...这里就先说了。
通常题目都是在模x^n的意义下进行求解的,后面就不再重复了。
题目就是:
其中A(x)是已知的,B(x)是我们要求的。
对两边同时求导可得:
\[B'(x)\equiv \frac{A'(x)}{A(x)}(mod\ x^n) \]然后我们发现后面的那个式子是能够使用之前的方法解决的(求逆+求导)。求导的话,不懂的可以出门百度一下,比较简单。
最后得到B'(x)之后,再积分回来,就能够得到最终的答案了。(积分和求导都是有比较简单的公式的,且是O(n)的)
板题:【模板】多项式对数函数
#include
#include
#include
#define MAXN 2000000
#define MO 998244353
#define G 3
using namespace std;
int a[MAXN+5],a2[MAXN+5];
int n;
int PowMod(int x,int y)
{
int ret=1;
while(y)
{
if(y&1)
ret=1LL*ret*x%MO;
x=1LL*x*x%MO;
y>>=1;
}
return ret;
}
void NTT(int P[],int len,int oper)
{
for(int i=1,j=0;i>=1,~j&s;);
if(i=1;i--)
{
int inv=PowMod(i,MO-2);
a[i]=1LL*a[i-1]*inv%MO;
}
a[0]=0;
for(int i=0;i
多项式指数函数
从这里开始就需要用到牛顿迭代了。
我们的问题是:
其中A(x)是已知的,B(x)是我们要求的。
将问题转化一下,就变成了:
\[ln(B(x))\equiv A(x)(mod\ x^n) \]然后将A(x)移到左边来,就有了:
\[ln(B(x))-A(x)\equiv 0(mod\ x^n) \]再令\(G(F(x))=ln(B(x))-A(x)\)
最后来一波牛顿迭代,就有了:
再变一下,就有了:
\[B(x)=B_0(x)(1-ln(B_0(x))+A(x))$$其中$B_0(x)$是我们在模$x^{\lfloor\frac{n}{2}\rfloor}$意义下已经求得的答案。求ln(B0(x))的话,可以用之前的**多项式对数函数**搞就可以了。 这里需要特别注意的是,多项式求指数函数是有前提的:A(x)的常数项必须为0,否则在底层的时候B[0]无法赋初值 这样子就有B[0]=1(因为ln(1)=0)。 板题:[【模板】多项式指数函数](https://www.luogu.org/problemnew/show/P4726) ```cpp #include其中A(x)已知,B(x)是要求的。
把根号去掉就有:
然后又用常见的套路:
\[G(F(x))=A(x)-(B(x))^2 \]就有牛顿迭代:
\[B(x)=B_0(x)-\frac{A(x)-(B_0(x))^2}{-2*B_0(x)} \]化简一下就有:
\[B(x)=\frac{B_0(x)}{2}+\frac{A(x)}{2*B_0(x)} \]然后就可以做了(求逆就可以了)。
多项式求幂
这个就比较简单(但是也想不到这个思路)。
之前我们就有一个比较简单的一个思路,就是多项式快速幂,是\(O(n\log^2 n)\)的算法。这里利用之前的方法能够优化到\(O(n\log n)\)(但是常数巨大...)。
思路其实就是将\((F(x))^k\)转化为\(e^{k*ln(F(x))}\)。
如果觉得不显然的话,展开之后,你就会发现他们是一样的!!!
那就是nlogn了(是不是感觉有点震惊...)。
组合板题:帕秋莉的超级多项式
(多项式运算五合一)
代码:
#include
#include
#include
#include
#define MAXN 500000
#define MO 998244353
#define G 3
using namespace std;
int a[MAXN+5],b[MAXN+5],inv[MAXN+5];
void Prepare()
{
inv[1]=1;
for(int i=2;i<=MAXN;i++)
inv[i]=1LL*inv[MO%i]*(1LL*MO-1LL*MO/i)%MO;
}
int PowMod(int x,int y)
{
int ret=1;
while(y)
{
if(y&1)
ret=1LL*ret*x%MO;
y>>=1;
x=1LL*x*x%MO;
}
return ret;
}
void Diff(int A[],int len)
{
for(int i=0;i=1;i--)
A[i]=1LL*A[i-1]*inv[i]%MO;
A[0]=0;
}
void NTT(int P[],int len,int oper)
{
for(int i=1,j=0;i>=1,~j&s;);
if(i