2016-10-02

整系数Discrete Fourier transform技巧

Discrete Fourier transform

向量的DFT 定义为：

其中是primitive root of unity of order ，即：且。通常取或。

Inverse transform

性质： (j模n为0时取1，否则取0)

因此

假设加减乘除时间复杂度为，朴素实现的时间复杂度为。一个fast Fourier transform算法的时间复杂度为。 radix-2的fast Fourier transform算法最常见。

注意使用的是DFT用的系数的倒数。如果使用DFT实现IDFT可以先翻转向量：

reverse(a+1, a+n);

// compute DFT

for (long i = 0; i < n; i++)
  a[i] *= 1.0/n;

Decimation in time FFT

Cooley-Tukey是一种radix-2分治算法，把偶数下标的子序列的Fourier transform与奇数下标的子序列的Fourier transform，用时间合并。

Decimation in time在变换之后对下标进行bitreverse操作。

Decimation in frequency FFT

Sande-Tukey是另一种radix-2分治算法，把前一半子序列的Fourier transform与后一半子序列的Fourier transform，用时间合并。

Decimation in frequency在变换之前对下标进行bitreverse操作。如果Decimation in time的DFT与Decimation in frequency的IDFT一起用，可以省略两处bitreverse操作。

Number theoretic transform

DFT可以用于复数以外的其他ring，常用于。

使用128 bits模数需要高效的u64*u64%u64，其中模数是常数。

硬件除法指令(32 bits、64 bits)

DIV指令性能很低。

extern inline u64 mul_mod(u64 a, u64 b, u64 m)
{
  u64 r;
  asm("mulq %2\n\tdivq %3" : "=&d"(r), "+a"(a) : "rm"(b), "rm"(m) : "cc");
  return r;
}

到AVX-512也没有提供把两个64 bits乘数的积放在一个128 bits寄存器的指令，GCC没有提供用乘法、移位等模拟的u128除以u64的常量除法。

64位mantissa浮点数(32 bits、64 bits)

当模数时可以用64位mantissa浮点数计算u64*u64%u64。

由等式

两边模，得

即用u64乘法计算的低64位，减去的低64位。其中，可以用64位mantissa浮点数(Intel x87 80-bit double-extended precision)计算，再round成u64。

round时若向上取整了，减数会大于被减数。若，可以根据差的符号位判断。

u64 mul_mod(u64 a, u64 b, u64 P)
{
  u64 x = a*b, r = x - P*u64((long double)a*b/P+0.5);
  return i64(r) < 0 ? r + P : r;
}

存储的倒数，用(long double)a*b*Q代替(long double)a*b/P能快些。此时会引入额外的误差，Matters Computational说适用于，原因不明。

编译器生成的常量除法(32 bits)

对于固定的模，GCC/llvm可以生成u64%u32的高效代码。llvm的lib/Transforms/Utils/IntegerDivision.cpp。

Montgomery modular multiplication+Barret reduction(32 bits)

Faster arithmetic for number-theoretic transforms，用乘法和移位代替除法。

快速计算u64%u32，用乘法和移位代替除法。设，为大于等于的整数，为负整数。

，是的估计值，若大于等于则减去的倍数。

因此

令，则，即估计值最多小2，最多两个conditional move指令(if (r >= P) r -= P;)即可修正余数。

令，则估计值最多小1。

extern inline u64 barrett_30_2(u64 a, u64 P, u64 M)
{ // 2^29 < P < 2^30, M = floor(2^61/P)
  u64 r = a-((a>>28)*M>>33)*P;
  if (r >= P) r -= P;
  return r;
}

extern inline u64 barrett_30_1(u64 a, u64 P, u64 M)
{ // 2^29 < P < 2^30, M = floor(2^60/P)
  u64 r = a-((a>>29)*M>>31)*P;
  if (r >= P) r -= P;
  if (r >= P) r -= P;
  return r;
}

当模数为常量时，该算法不如编译器生成的常量除法。若模数不固定时可以考虑使用。

Cyclic convolution

两个长为的序列与的cyclic convolution的长度也是。第项定义为：

Linear convolution

两个长为的序列与的linear convolution的长度是。

第项总是0。多项式乘法是一种常见的linear convolution应用。

Zero pad原序列到长度后，计算cyclic convolution即可得到linear convolution。

范围和精度

向量卷积需要注意精度问题。

使用complex<double>计算convolution，需要保证结果每一项的实数部分在(Number.MIN_SAFE_VALUE、Number.MAX_SAFE_INTEGER)范围内，是double能精确表示的最大整数。采取round half to even规则，均表示为，无法区分。

设每项系数的绝对值小于等于，那么convolution结果每一项绝对值小于等于，若则可放心使用complex<double>。

complex<double>还要受到浮点运算误差影响。根据Roundoff Error Analysis of the Fast Fourier Transform，没仔细看，relative error均值为log2(n)*浮点运算精度*变换前系数最大值，对于结果，这个量达到就很可能出错。增长速度可以看作是，不如。因此通常不必担心浮点运算的误差。

对于模的number theoretic transform，，若则可放心使用。

1004535809 (=479*2**21+1), 998244353 (=119*2**23+1), 897581057 (=107*2**23+1)，这三个数均小于，两倍不超过INT32_MAX(两个+-P之间的数加减不会超出int32_t表示范围)，且可表示为，其中为2的幂，适合用作number theoretic transform的模。3是它们共同的原根。另外可以选取880803841 (=105*2**23+1)，26是一个原根。

设系数取自的uniform distribution，则系数均值为，方差为。若把系数平移至，则系数均值，方差为。若其中之一independent and identically distributed，则方差会很小。可以用Chebyshev's inequality等估计系数绝对值，上界可以减小。即使不是independent and identically distributed，也可以用来计算，是independent and identically distributed uniform 。

下面考察模P多项式乘法，碰到精度问题时的两种应对方案：sqrt decomposition、Chinese remainder theorem。

方案0：sqrt decomposition(FFT, NTT)

适用于FFT与NTT。取为接近的整数，分解、，则：

适当选择可以使的系数小于等于，convolution结果系数最大值为，比原来的小。

求出后，计算等式右边四个convolution，带权相加即得到原convolution。

如上朴素方案需要4次长为的DFT、1次长为的inverse DFT。

一种优化方案是使用Toom-2 (Karatsuba)计算，可以减少为3次DFT、1次inverse DFT。。

容易扩展到cube root decomposition等。对于number theoretic transform，分成份需要个DFT和个IDFT，不如用Chinese remainder theorem。

优化0：实部表示低位、虚部表示高位

FFT可以计算复数的DFT，但在朴素的多项式乘法中，FFT只作用于实数向量，虚数部分浪费了。 sqrt decomposition把一个系数拆分成两项，我们可以把两项装载到实数部分和虚数部分。具体方法如下：

取正整数与接近且是一个尽可能小的正整数。

分解、。考察如下的变换：

注意每一项绝对值的值域变为倍了，因此计算对精度有更高的要求。取较小的可以降低精度要求。

右边同余于。提取虚部与实部，将虚部除以再乘以，再加上实部即得：

正是我们需要的形式。

这个优化需要2次长为的DFT、1次长为的inverse DFT。

优化1：正交计算两个实系数向量DFT(FFT)

这是另一种利用向量的虚数部分的方法。

的共轭的DFT可由的DFT求出：

换言之，计算一个复数向量的DFT，可以通过简单变换，得到实数部分向量的DFT与实数部分向量的DFT。买一送一。

分解、后，根据上面的公式，用计算和，同法计算和。然后用计算出与，同法计算出与。

需要2次长为的DFT、2次长为的inverse DFT。

奇偶项优化(FFT)

该优化可以和其他方式叠加。

把看作多项式，同样地，看作多项式。

偶次项, 奇次项，同样地，定义与。的系数为，的系数为，令其长为，高位用填充。

用正交计算两个实系数向量DFT的方式，用2次长度为(之前都是 )的DFT计算, 。循环右移1位的DFT的第项等于，因此根据的DFT的系数可以得到的DFT的系数。

构造长为的向量：

的实部为结果的偶次项系数，虚部为结果的奇次项系数。

需要2次长为的DFT、1次长为的inverse DFT。

方案1：Chinese remainder theorem(NTT)

适用于NTT。取个可用于number theoretic transform的质数，使，计算个NTT，之后用Chinese remainder theorem合并。

求有至少两种算法。

经典算法(Gauss's algorithm)

Gauss之前也有很多人提出。

对于每个用Blankinship's algorithm计算。

注意可能超出机器single-precision表示范围，该算法不适合求。

Garner's algorithm

定义

满足前个方程，满足所有方程。

稍加变形可用于求。

原来的每个是精确值，现在只有的结果，因此计算时之前的都不可复用，需要重新计算。时间复杂度上升为。

测试

https://gist.github.com/MaskRay/fac2042058dd5d9e59953f18f3f3978a

NTT int使用小于的素数，编译器用乘法模拟常数除法。 NTT long，编译器无法优化常数除法，性能很低，使用浮点mul_mod会略快于128位除以64位的DIV指令。

n	microseconds	algorithm

131072  3860    NTT dit2 int
131072  6104    FFT dif2
131072  6712    FFT dit2
131072  6912    NTT dif2 int
131072  6936    Montgomery+Barrett NTT dif2 int
131072  9592    NTT dif2 long non-constant P
131072  10122   NTT dit2 long
131072  13169   NTT dif2 int non-constant P
131072  15419   NTT dif2 long

262144  8993    NTT dif2 int
262144  9036    NTT dit2 int
262144  9670    Montgomery+Barrett NTT dif2 int
262144  15484   FFT dit2
262144  17601   FFT dif2
262144  19731   NTT dit2 long
262144  20527   NTT dif2 long non-constant P
262144  21910   NTT dif2 long
262144  29457   NTT dif2 int non-constant P

524288  18502   NTT dif2 int
524288  20110   Montgomery+Barrett NTT dif2 int
524288  23156   NTT dit2 int
524288  39890   FFT dif2
524288  39904   FFT dit2
524288  44145   NTT dif2 long non-constant P
524288  45038   NTT dit2 long
524288  46334   NTT dif2 long
524288  65265   NTT dif2 int non-constant P

1048576 43648   NTT dit2 int
1048576 45704   NTT dif2 int
1048576 46167   Montgomery+Barrett NTT dif2 int
1048576 104362  NTT dit2 long
1048576 107571  NTT dif2 long non-constant P
1048576 119743  FFT dif2
1048576 122029  NTT dif2 long
1048576 122174  FFT dit2
1048576 144370  NTT dif2 int non-constant P

2097152 122989  Montgomery+Barrett NTT dif2 int
2097152 137276  NTT dif2 int
2097152 143955  NTT dit2 int
2097152 293222  FFT dif2
2097152 338580  FFT dit2
2097152 352833  NTT dif2 int non-constant P
2097152 360372  NTT dif2 long non-constant P
2097152 422108  NTT dit2 long
2097152 423817  NTT dif2 long

4194304 455859  NTT dit2 int
4194304 467340  NTT dif2 int
4194304 490114  Montgomery+Barrett NTT dif2 int
4194304 779945  FFT dif2
4194304 839698  FFT dit2
4194304 904096  NTT dit2 long
4194304 956174  NTT dif2 long
4194304 969572  NTT dif2 long non-constant P
4194304 1074858 NTT dif2 int non-constant P

8388608 1052072 NTT dit2 int
8388608 1138089 NTT dif2 int
8388608 1189775 Montgomery+Barrett NTT dif2 int
8388608 1737166 FFT dif2
8388608 1839095 FFT dit2
8388608 2053195 NTT dif2 long
8388608 2072172 NTT dif2 long non-constant P
8388608 2186451 NTT dit2 long
8388608 2893584 NTT dif2 int non-constant P

花哨的Montgomery+Barrett不如常量除法的NTT int，好处是一份代码可以适用于多个模数，而NTT int得用template或其他方式为各个模数生成不同代码。

不受到Level 3 cache制约时，Montgomery NTT只需要NTT int 60%的时间，此时每次重新计算unit root代替lookup table会快些。

一般来说，decimation in frequency(Sande-Tukey，从较大的n计算到较小的n)优于decimation in time(Cooley-Tukey，从较小的n计算到较大的n)，可能是因为decimation in frequency的butterfly数据依赖小些。

FFT有超过10%时间花在计算unit roots上，而NTT只有5%。考虑到FFT往往能正交计算两个序列，而NTT只能计算一个，且double有53位精度而NTT int只能使用以下的素数(当前代码只能处理以下的)，FFT通常优于NTT。

References

感谢ftiasch老师教导。

黄嘉泰(fotile96), https://async.icpc-camp.org/d/408-fft
Jörg Arndt, Matters Computational
Handbook of Applied Cryptography
毛啸，再探快速傅里叶变换，2016年信息学奥林匹克中国国家队候选队员论文集
Faster arithmetic for number-theoretic transforms
Speeding Up Barrett and Montgomery Modular Multiplications

uwi，https://www.hackerrank.com/rest/contests/w23/challenges/sasha-and-swaps-ii/hackers/uwi/download_solution：Modified Montgomery+Barrett变体+Garner's algorithm：