(转+原）线性基学习总结(详)

(转+原）线性基学习总结(详)

概述

基（basis是线性代数中的一个概念，它是描述、刻画向量空间的基本工具。而在现行的 OI 题目中，通常在利用基在异或空间中的一些特殊性质来解决题目，而这一类题目所涉及的知识点被称作「线性基」。

预备知识

向量空间（vector space）

向量空间 - 维基百科

定义 $(F,V,+,\cdot )(F,V,+,\cdot )(F,V,+,\cdot )$ 为向量空间（vector space），其中$F$为域，$V$ 为集合，$V$ 中元素称为向量，$+$ 为向量加法，$\cdot$ 为标量乘法，且运算满足 8 条公理（见维基百科）。

线性无关（linearly independent）

线性无关 - 维基百科

对于向量空间中 $V$上 $n$ 个元素的向量组 $({\mathbf{v}}_1,\dots ,{\mathbf{v}}_n)$，若存在不全为 $0$的数 $a_i\in F$，满足
$$a_{}1v_{}1+a_{}2v_{}2+\dots +a{}_n{v}_{}n=0$$
则称这$n$个向量线性相关（linearly dependent），否则称为线性无关（linearly independent）。

线性组合（linear combination）

线性组合 - 维基百科
对于向量空间中$V$上$n$个元素的向量组 $({\mathbf{v}}_1,\dots ,{\mathbf{v}}_n)$，其线性组合（linear combination是如下形式的向量
$$a1v1+a2v2+\dots +anvn$$
其中$a_1,\dots ,a_n\in F$。

一组向量线性无关 $\iff$ 没有向量可用有限个其他向量的线性组合所表示

张成（span）

对于向量空间中$V$上$n$个元素的向量组$({\mathbf{v}}_1,\dots ,{\mathbf{v}}_n)$，其所有线性组合所构成的集合称为 $({\mathbf{v}}_1,\dots ,{\mathbf{v}}_n)$ 的张成（span），记为 $\mathrm{s}\mathrm{p}\mathrm{a}\mathrm{n}({\mathbf{v}}_1,\dots ,{\mathbf{v}}_n)$。

基（basis）

基（线性代数）

若向量空间$V$中向量组$\mathfrak{B}$既是线性无关的又可以张成 $V$，则称其为$V$的基（basis）。

$\mathfrak{B}$中的元素称为基向量。如果基中元素个数有限，就称向量空间为有限维向量空间，将元素的个数称作向量空间的维数。

性质

设 $\mathfrak{B}$ 是向量空间 $V$ 的基。则 $\mathfrak{B}$具有以下性质：

1. $V$ 是 $\mathfrak{B}$ 的极小生成集，就是说只有 $\mathfrak{B}$ 能张成$V$，而它的任何真子集都不张成全部的向量空间。
2. $\mathfrak{B}$ 是 $V$ 中线性无关向量的极大集合，就是说 $\mathfrak{B}$ 在 $V$ 中是线性无关集合，而且 $V$中没有其他线性无关集合包含它作为真子集。
3. $V$ 中所有的向量都可以按唯一的方式表达为 $\mathfrak{B}$中向量的线性组合。

第三点尤其重要，感性的理解，基就是向量空间中的一个子集，它可以通过唯一的线性组合，来张成向量空间中所有的向量，这样就可以大大的缩小我们向量空间的大小。

线性相关性引理（Linear Dependent Lemma）

如果$({\mathbf{v}}_1,\dots ,{\mathbf{v}}_n)$ 在 $V$ 中是线性相关的，并且 ${\mathbf{v}}_1̸=0$，则有至少一个 j ∈ { 2 , … , m } ​ j \in \{2, \ldots, m\}​ j∈{2,…,m}​ 使得下列成立：

1. ${\mathbf{v}}_j\in \mathrm{s}\mathrm{p}\mathrm{a}\mathrm{n}({\mathbf{v}}_1,\dots ,{\mathbf{v}}_{j-1})；$
2. 如果从$({\mathbf{v}}_1,\dots ,{\mathbf{v}}_n)$ 去掉第 $j$ 项，则剩余向量组的张成仍然等于 $\mathrm{s}\mathrm{p}\mathrm{a}\mathrm{n}({\mathbf{v}}_1,\dots ,{\mathbf{v}}_{\mathbf{n}})。$

异或运算下的基

对于数 $a_1,\dots ,a_n$，将 $a_i$ 的二进制表示 $(b_m\dots b_0{)}_2$ 看作一个向量 ${\mathbf{a}}_i=(b_m,\dots ,b_0)$，为了叙述上的方便，下文称向量 ${\mathbf{a}}_i的第j位为b_j$。

向量组 ${\mathbf{a}}_1,\dots ,{\mathbf{a}}_n$ 可以张成一个向量集合 $\mathrm{s}\mathrm{p}\mathrm{a}\mathrm{n}({\mathbf{a}}_1,\dots ,{\mathbf{a}}_n)$，加上我们的异或运算和乘法运算（显然满足 8 条公理），即可形成一个向量空间 V = ( { 0 , 1 } , s p a n ( a 1 , … , a n ) , ⊕ , ⋅ ) V = (\{0, 1\}, \mathrm{span}(\mathbf{a}_1, \ldots, \mathbf{a}_n), \oplus, \cdot) V=({0,1},span(a1​,…,an​),⊕,⋅)

我们考虑求出向量空间 $V$ 的一个基 $\mathfrak{B}$，从 $\mathfrak{B}=({\mathbf{a}}_1,\dots ,{\mathbf{a}}_n)$开始。

第 1 步 如果 ${\mathbf{a}}_1=0$，则从 $\mathfrak{B}中去掉{\mathbf{a}}_1$，否则保持 $\mathfrak{B}$ 不变。
第 j 步 若 ${\mathbf{a}}_j\in \mathrm{s}\mathrm{p}\mathrm{a}\mathrm{n}({\mathbf{a}}_1,\dots ,{\mathbf{a}}_{j-1})$，则从 $\mathfrak{B}$ 中去掉 ${\mathbf{a}}_j$，否则保持 $\mathfrak{B}$ 不变。

经过 $n$步后终止程序，得到一个向量组 $\mathfrak{B}$。由于每一次去掉的向包含于前面诸向量的张成，到最后这个组 $\mathfrak{B}$ 仍然可以张成 $V$。而且这一程序确保了$\mathfrak{B}$ 中的任何向量都不包含与它前面诸向量的张成，根据线性相关性引理可知 $\mathfrak{B}$ 是线性无关的。于是 $\mathfrak{B}$ 是 $V$的一个基。

如果一个向量 ${\mathbf{a}}_i$ 能被 ${\mathbf{a}}_1,\dots ,{\mathbf{a}}_{i-1}$ 张成，它不应添加进 $\mathfrak{B}$，在高斯消元的过程中它必然是已经存在的行向量的线性组合，所以这个方程实际上是多余的，它最后一定会被异或为一个 $0$。反之如果向量 ${\mathbf{a}}_i$ 不能被 ${\mathbf{a}}_1,\dots ,{\mathbf{a}}_{i-1}$张成，那么它一定能找到某一个行添加进去。

我们来模拟下这个过程， n = 5 , a = { 7 , 1 , 4 , 3 , 5 } ​ n = 5, a = \{7, 1, 4, 3, 5\}​ n=5,a={7,1,4,3,5}​。一开始矩阵是这样的：

$$\left[\begin{array}{ccc}0& 0& 0\\ 0& 0& 0\\ 0& 0& 0\end{array}\right]$$

加入 $7=(111{)}_2$，矩阵变为：

$$\left[\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ 0& 0& 0\end{array}\right]$$

加入 $1=(001{)}_2$，添加到最后一行，同时为了维护对角矩阵，消去第一行的最低位，矩阵变为：

$$\left[\begin{array}{ccc}1& 1& 0\\ 0& 0& 0\\ 0& 0& 1\end{array}\right]$$

加入 $4=(100{)}_2$，由于第一行已经有数了，它被异或为 $(010{)}_2$，加入第二行矩阵变为：

$$\left[\begin{array}{ccc}1& 1& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right]$$

剩下的数都加不上了。

这样所有被选上的 ${\mathbf{a}}_i$构成一个向量空间 $V$的一个基 $\mathfrak{B}$。同时我们知道高斯消元最后得到的矩阵 $b$是 $\mathfrak{B}$ 中的向量构成的矩阵进行若干初等行变换得到的矩阵，而任意初等行变换不会影响向量之间的线性无关性，且任意初等行变换过后，这些向量仍然能够张成原有的向量空间（不难证明）。所以，所有非 $0$的 ${\mathbf{b}}_i$ 仍然构成向量空间 $V$ 的一个基。

大家所称的「线性基」一般都指这个方式得到的基，因为这个基具有一个独特的性质，可以应用到 OI 题目中。所以我们一般谈论的线性基，特指高斯消元解出的对角矩阵的非零行构成的向量组。

线性基的插入

int a[maxn];
void insert(int val){
    for(int i=60;i>=0;i--){
        if(val&(1LL<<i)){
            if(!a[i]){a[i]=val;break;}
            else val^=a[i];
        }
    }
}

线性基查询最大值

int query(){
    int ans=0;
    for(int i=60;~i;i--){
        if(ans^a[i])>ans) ans^=a[i];
    }
    return ans;
}

线性基查询最小值

int query(){
    for(int i=0;i<=60;i++){
        if(a[i]) return a[i];
    }
    return 0;
}

线性基的对角矩阵形式

int p[maxn],cnt=0;
void rebuild(int n){ //线性基的重建，将上三角矩阵转化为对角矩阵
    for(int i=60;i>=0;i--){
        for(int j=i-1;j>=0;j--){
            if(a[i]&(1LL<<j)) a[i]^=a[j];
        }
    }cnt=0;
    for(int i=60;~i;i--){
        if(a[i]) p[cnt++]=a[i];
    }
}

线性基查询第k小的值(无重复)

int query(int k,int cnt) //需先化为对角矩阵
    int ans=0;
    for(int i=0;i<cnt;i++){}
        if(k>>i&1LL) ans^=p[i];
    }
}

线性基查询q在n个数的任意组合的异或值的排名(有重复)

//n个数，它们随意组合的异或值有2^n个数，但是去重后只有2^r个数，r为线性基的个数。
//所以对于每个数它们出现的次数一定相同，为2^(n-r)次。
void rebuild(int n){ //线性基的重建，将上三角矩阵转化为对角矩阵
    for(int i=60;i>=0;i--){
        for(int j=i-1;j>=0;j--){
            if(a[i]&(1LL<<j)) a[i]^=a[j];
        }
    }cnt=0;
    for(int i=0;i<=60;i++){
        if(a[i]) p[cnt++]=i;
    }
}

for(int i=0;i<cnt;i++) if(q&(1LL<<p[i])) ans=(ans+(1<<i));

线性基的合并

void merge(int *g){
    for(int i=0;i<=60;i++){
        if(g[i]) insert(g[i]);
    }
}

其他

1、1~n的路径最大异或和可以有任意一条1~n的路径异或图中的一些环来得到。

2、若求$n$个数任意组合异或值的和或者期望，可以对每个二进制位考虑贡献。

3、若是多次查询类型，可以将所有查询区间按右端点从小到大排序，并且插入到线性基的时候记录这个数插入的位置$ i $，同时靠右的数具有优先插入权。查询的时候只要插入位置大于左端点即可以使用。

参考博客：https://www.cnblogs.com/ljh2000-jump/p/5869991.html

​ https://www.cnblogs.com/joyouth/p/5645682.html

​ https://blog.sengxian.com/algorithms/linear-basis

​ https://blog.csdn.net/jokerwyt/article/details/81636007