大数乘法（快速傅立叶变换）上
在谈论大数乘法前，先来看看多项式乘法，假设
A = 7x^3 + 5x^2 + 3x + 4
B = 4x^2 + 6
C = A * B
那传统的做法就是这样：
7x^3 + 5x^2 + 3x + 4
4x^2 + 6
---------------------------------------
+42x^3 + 30x^2 + 18x + 24
28x^5 + 20x^4 +12x^3 + 16x^2
-----------------------------------------------------------
28x^5 + 20x^4 + 54x^3 + 46x^2 + 18x + 24
若A 和 B 都有 n 个系数，很明显这样做的时间复杂度为O(n^2)，当n很大时效果相当不理想
像 B = 4x^2 + 6 这样的式子叫系数表示法；如果我们把 B 一般化，即 B = b0 + b1x + b2x^2；则我们至少需要 3 对 (x, y) 值才能求出 b0, b1, b2。这里 b0 = 6, b1 = 0, b2 = 4；例如 B 在x0 = 1, x1 = 2, x2 = 3 的情况下的解分别为 y0 = 10, y1 = 22, y2 = 42。那我们也可以用 {(1, 10)，(2, 22)，(3, 42)}，即 {(x0, y0)，(x1, y1)，(x2, y2)} 来表示唯一的多项式B，即假如我们在不知道b0, b1, b2的情况下可以用{(1, 10)，(2, 22)，(3, 42)} 来唯一表示多项式B，即唯一确定b0, b1, b2。当然 x0, x1, x2 也可以取其他值，但对于这个例子一定要取够3个，因为有3个未知数 b0, b1, b2；对应的 y0, y1, y2 也会不同，这就叫点值表示法。
为什么要这样做？还是上面那个例子，我们用点值表示法算一遍C = A * B，（A 和 B 的xi要对应相同）还是假设取x0 = 1, x1 = 2, x2 = 3，我们发现 A 有4个未知数，所以要多一个x3，假设x3 = 4；为了方便计算，我们把 B 的 (x3, y3) 也算出来。
A = {(1, 19)，(2, 86)，(3, 247)，(4, 544)}
B = {(1, 10)，(2, 22)，(3, 42)，(4, 70)}
xi 不变，yi对应相乘得到 Ci = (xi, yai * ybi)
C = {(1, 190)，(2, 1892)，(3, 10374)，(4, 38080)}
到这里我们发现对于一般情况的等长度的两个多项式相乘，结果的长度会接近加倍，比如
A = a0 + a1x + a2x^2 + a3x^3
B = b0 + b1x + b2x^2 + b3x^3
C = A * B = c0 + c1x + c2x^2 + c3x^3 + c4x^4 + c5x^5 + c6x^6
因此有n个系数的两个多项式相乘（比如A * B）时仅用其n个点值相乘是不能正确表示结果的（比如C），所以我们要使用足够多的点值，比如这里 A 和 B 都应该至少使用7个点值。如下（数有点大，偷下懒。。。）
A = {(x0, y0)，(x1, y1)，(x2, y2)，(x3, y3)，(x4, y4)，(x5, y5)，(x6, y6)}
B = {(x0, y0')，(x1, y1')，(x2, y2')，(x3, y3')，(x4, y4')，(x5, y5')，(x6, y6')}
C = {(x0, y0*y0')，(x1, y1*y1')，(x2, y2*y2')，(x3, y3*y3')，(x4, y4*y4')，(x5, y5*y5')，(x6, y6*y6')}
这样C的点值才能表示唯一的6次多项式（7个未知系数有6次幂），最后，用某方法（重点下面讲）把C的点值表示法转换成系数表示法就达到了目的，这个过程叫插值
所以，先理下思路
1）分别计算A、B足够多的点值（也叫求值），使其能唯一表示C（如A、B的系数都有n个，则通常扩展到2n个点值）
2）点乘：即A、B点值对应相乘得到C
3）插值：把C的点值表示法转换为系数表示法
其中点乘的复杂度显然为O(n)，我们记N = 2n（记住了下面要用的~），所以我们如能找到一种方法能够快速对A、B进行求值，插值，那目的就达到了，事实上也的确有这样的方法，这也是多项式乘法的重点，不然都没法往下讲。。。
----------------------------------------------------------------------------------------------------------------------------------------------------
先看求值，y = a0 + a1x + a2x^2 + ... + anx^n 给出一个 x 要求 y 如果按正常顺序求需要做 (1 + n) * n / 2 次乘法和 n 次加法；这种方法肯定是不可取的，因为算一个值都要 O(n^2)，那算 N 个值就是 O(n^3) 了，比系数表示法直接乘还慢~
再来看另一种方法，国产方法，没错就是它，秦九韶算法（在国外也叫霍纳(Horner)法则）；为了理解方便，我们举个短的例子 y = a0 + a1x + a2x^2 + a3x^3；那它就可以化为 y = a0 + x(a1 + x(a2 + a3x))，这样对某个x求y就需要做 n 次乘法和 n 次加法，算 N 个值的复杂度为 O(n^2)。比上面的好了点，不过跟系数表示法相比并没有什么优势~
所以我们需要第三种方法，这种方法的特点其实是在 xi 的选取上很特殊；它选的 xi 不是从 x0 = 1, x1 = 2, ... , xn = n 或者其他一些相异的整数或实数；它选的是复数！当然也不是乱选的，因此我们要先在这里停一下，吸口气，去打下复数的基础。。。
---------------------------------------------------------------------------------------------------------------------------------------------------------
z = x + yi 这是常见的复数表示形式大家都知道，|z| = sqrt(x^2 + y^2) 表示复数的模
用建立了笛卡尔直角坐标系的平面表示复数的平面叫做复平面
下面必须盗图了（来自《复变函数与积分变换》）不难的，请坚持看完！
复数的指数式也称为欧拉公式，它更像是一种定义。欧拉公式是非常美妙的式子，为什么要引入它呢？主要是为了简化计算！因为 z = x + yi 可以表示成 z = r*(cosθ + i*sinθ)，r = |z|。看个例子：
所以用指数式表示复数是很简洁的，我们最后的求值与插值的方法也是用复数的指数式表示。
这里有一点要提一下，有人说 θ = 0 时，e^(θi) = e^(0*i) = 1；结果没有错，但不是这样算的。e^(θi) 不能理解为 e^(θ*i)；那个不是乘号，只是一种记号。正确解法应该把它展开算 e^(θi) = cosθ + isinθ = cos0 + isin0 = 1
设 z 为复数，n 为正整数，若存在复数 w 满足方程 w^n = z；
重要的事情说三遍：
在几何上 z^(1/n) 的 n 个值就是以原点为中心，r^(1/n) 为半径的圆的内接正 n 边形的 n 个顶点。
在几何上 z^(1/n) 的 n 个值就是以原点为中心，r^(1/n) 为半径的圆的内接正 n 边形的 n 个顶点。
在几何上 z^(1/n) 的 n 个值就是以原点为中心，r^(1/n) 为半径的圆的内接正 n 边形的 n 个顶点。
还有上面的公式 z = e^(iθ) != 0，wk = (r^(1/n)) * e^(i(θ+2*k*pi) / n)。θ 为 z 在复平面中向量表示的幅角。
做个题目理解下：
这个就不画了，想加深理解可以自己画一下~
--------------------------------------------------------------------------------------------------------------------------------------------------------
接下来才是高能部分：
我们前面讲了，在对 A = a0 + a1x + a2x^2 + ... + a(N-1)x^(N-1) （我们假设A的系数有 N（前面讲过N = 2n） 个，即a0 ~ a(N-1)）求值时我们选的 N 个 xi (0 <= i < N) 用的是复数，那现在告诉你这 N 个 xi 就是 w^N = 1 的 N 个解，w0 ~ wN 叫N 次单位复根。即 x0 ~ xN 分别等于 w0 ~ wN；
这里的 N 也就是一种记号，如果看不顺，理解成 n 也是没问题的~
再上一遍公式
对于 N 次单位复根的求解，θ 值为 0 ，r^(1/N) = 1。其中解 w1 = e^(i(2*pi/N)) 叫主单位复根；其实也就是把一个圆分成 N 份，w1 表示每份的大小，只不过是在复平面上表示。
下面我们要换下记号了
记 N 为 n
则 A = a0 + a1x + a2x^2 + ... + a(n-1)x^(n-1)
也可记为 
原来的各个单位复根 w0, w1, ... , w(n-1) 记为 
，下标的 n 就是对单位复数 1 开 n 次方的意思，很简单大家都能明白。这样是因为下面的计算会改变下标。
那用 代入 xk 来求解 A(xk) 就可以表示为 (0 <= k <= n-1)
如果把 A 的系数用向量表示 a = {a0, a1, a2, ..., a(n-1)}，把求出的所有 y 值也用向量表示 y = {y0, y1, y2, ... , y(n-1)}，那我们可以称向量 y 为 向量 a 的离散傅立叶变换（Discrete Fourier Transform, DFT）。我们的目的之一就是把向量 a 的离散傅立叶变换（即向量 y ）快速地算出来，我们使用的是一种叫快速傅立叶变换（FFT）的算法。这里我们可以猜到，FFT 算法起码要比系数表示法直接相乘的 O(n^2) 的复杂度更低才行，幸运的是，FFT 的时间复杂度是 O(n*logn)；下面讲的是 FFT 是怎样快速地计算向量 y 的。
在讲FFT之前需要讲清楚一件事，就是上面所讲的 n 到底是多大？
举个例子吧，比如：
A = 3 + 2X^2 + 4X^3 + 6x^4
B = 2x + X^2 + 5X^3
以 A 举例（B类似），它可以写成标准式：A = a0 + a1x + a2x^2 + a3x^3 + a4x^4；这里有 5 个系数，根据前面讲的为了能正确表示 A 与 B相乘的结果 C，我们把 A 放大到 A = a0 + a1x + ... + a9x^9，使它变成10个系数（当然 a5 ~ a9 的值都是 0，B 类似），同时用 A 和 B 的 10 个点值计算C。不过对于 FFT 算法，这样扩大是不行的；根据算法要求（下面会讲清楚，现在不用管），我们要确保 n 为 2 的幂，所以 A 有 5 个系数，不是 2 的幂，我们应该把它先扩大到比5大且离 5 最近的那个 2 的幂，即 2^3 = 8。然后再把 8 扩大两倍变成 16；这才是 A B 两个多项式相乘的最终的 n。当然原来系数个数就是 2 的幂的话就只需要把它扩大两倍就行了。当系数个数为 513 的话，没错，要先把它扩大成1024个系数，然后再放大两倍变成 2048个系数；就是这么狠！想想这样有点耗空间~
所以最终的 A = a0 + a1x + a2x^2 + a3x^3 + ... + a(n-1)x^(n-1) 中的系数个数，即 n 必须是 2 的幂，我们总能够通过添加 ai = 0 满足需要。
FFT 算法运用了分治策略，这下有点理解为什么 n 要是 2 的幂了吧~，什么是分治策略就不展开讲了，不懂的就搞清楚了再往下看。
次数界就是多项式最高次幂是多少次方。
莫慌，我们看看 A(k) = a0 + a1k + a2k^2 + a3k^3 + ... + a(n-1)k^(n-1) 怎样算
把 k^2 代入 
和 有
不难看出 A(k) = + k * 
这样，求次数界为 n 的多项式 A(x) 在 处的值就转化为：
求次数界为 n / 2 的多项式 和 在 
处的值。
形象地举个 n = 4 的例子就是：
在这里我们引入定理：
相消引理：对任何整数 n >= 0，k >= 0，d > 0； 
也不难证明：
可以得出推论：对于任意偶数 n > 0， 有 
（举个例子上下标不断除以2嘛）
结合上面的 n 个点 ，其实只有 n/2 个不同的值。
上面 n = 4 的例子中
可以知道 
，因此
所以， 前面 n/2 项跟后面 n/2 项是重复出现的；如上面 
和 
重复出现了2次。
因此，之前的式子可以改为：
这样，求次数界为 n 的多项式 A(x) 在 处的值就完全转化为：
求次数界为 n / 2 的两个多项式 和 在 
处的值；规模神奇地缩小了一半，之后我们递归处理和 就可以把向量 y 整个儿求出来！伪代码应运而生：
如果伪代码还需要解释的话就说明之前的知识没有理解透彻，请往回多看几次（主要是高能部分）！
这就是多项式系数表示法转换为点值表示法（也称为求值过程）的 O(n*logn) 复杂度所用到的FFT算法的整个过程。
所以我们可以将多项式 A 和 B 按照上面的方法分别转化为点值表示，然后 y 值对应相乘就得到了多项式 C 的点值表示，接下来把 C 的点值表示转换为系数表示就完成了多项式乘法的运算。所以，下面讲介绍插值过程的算法。
插值过程的算法： 大数乘法（快速傅立叶变换）下