FWT(Fast Walsh Transformation)快速沃尔什变换学习笔记

引入

对于两个多项式，形如
$$a_0\times x^0+a_1\times x^1+\cdots +a_n\times x^n$$

我们将其记为$f(x)$与$g(x)$，当我们需要快速求$h(x)=f(x)\ast g(x)$(卷积)时，我们就会用$\mathrm{F}\mathrm{F}\mathrm{T}$算法来解决这个问题。
而$\mathrm{F}\mathrm{W}\mathrm{T}$就是来解决集合上的一类卷积问题。

---

• 前言

在比赛与平时练题时，我们常常会遇到一些关于集合的动态规划的问题，比如集合的方案数计数，某些集合的权值计算等，但是一般推出的递推式复杂度会成指数或者阶乘之高，是无法忍受的，但是又没有好的解决方法，于是就放弃去打爆力算了。

---

那么对于两个集合，形如
{ a 0 , a 1 , a 2 , … , a n } \{a_0,a_1,a_2,\dots,a_n\} {a0​,a1​,a2​,…,an​}

我们将其记为$A$与$B$，现在又两个分别定义在$A$和$B$的函数$f$与$g$，现有另一个定义在集合上的函数$h$。对于一个集合$S$，$h_S$的计算方式如下，我们用$O$表示全集，其中$A\subseteq O,B\subseteq O,S\subseteq O$。
$$h_S=\sum _{I\subseteq O}\sum _{J\subseteq O}[I⨂J=S]f_I\times g_J$$

这里$⨂$为一类集合的运算，一般为$\bigcup \bigcap ⨁$(交，并，对称差)，这个便是集合的卷积。

那么有没有类似FFT的方法快速计算两个集合之间的卷积呢?若有不就可以解决前言中的问题了?答案肯定是有的。

---

前置

集合幂级数

对数列理论熟悉的读者应该知道，我们可以把一个数列$f_0,f_1,f_2,\dots$和一个形式幂级数$f(x)={\sum }_{0\le k}{f}_k\times x^k$相对应，称之为该数列的生成函数。由于有很多相关的理论与快速算法，这个方法就能解决很多的数列的计算问题。

那么我们对于集合也定义类似的东西，看看能否达到同样的效果。

设$F$是一个域，则称函数$f:O->F$为$F$上的一个集合幂级数，对于一个集合$S(S\subseteq O)$，我们令$f_S$为把$S$带入函数$f$时的函数值，同样的将$f_S$称为该集合幂级数的第$S$项的系数。那么如果所有的$f_S$确定了的话，该函数$f$也就确定了。

那么我们设$f,g$为集合幂级数，定义加法$f+g=h$，$h$也是一个集合幂级数，且对于一个集合$S$，满足如下式子:
$$h_S=f_S+g_S$$

所以，集合幂级数的加法就是对应系数相加，减法同理，改为$f_S-g_S$即可。

下面我们定义集合幂级数的具体形式。参照形式幂级数的样子，我们定义如下: 对于任意的$v\in F,S\subseteq O$，我们用$v\times x^S$表示$f$函数中的第$S$项的系数为$v$。

那么对于一个集合幂级数的函数$f$，形式如下:
$$f=\sum _{S\subseteq O}{f}_S\times x^S$$

$f_S\times x^S$一般简写为$f_S{x}^S$

我们以此来表示一个集合幂级数。

举个栗子，当 O = { 1 , 2 } , F = R O=\{1,2\},F=R O={1,2},F=R($R$表示实数集)，对于该函数$f$，我们可以用 f ( x ) = 3 x ∅ + 7 x { 1 } + 6 x { 2 } + 9 x { 1 , 2 } f(x)=3x^{∅}+7x^{\{1\}}+6x^{\{2\}}+9x^{\{1,2\}} f(x)=3x∅+7x{1}+6x{2}+9x{1,2}来表示一个对应系数为$3,7,6,9$的集合幂级数。

我们同样定义乘法如下，对于集合幂级数$h,f,g$,其中$h=f\times g$，且其中的每一项满足$\left(f_I{x}^I\right)\times \left(g_J{x}^J\right)=(f_I\times g_J)x^{I\times J}$，那么这个乘法就可以满足交换，结合，分配等定律了。

---

集合的并，交，对称差卷积

并

我们令三个集合幂级数$f,g,h$，其中$h$满足如下式子:
$$h_S=\sum _{I\subseteq O}\sum _{J\subseteq O}[I\bigcup J=S]f_I\times g_J$$

那么我们称$h$为$f,g$的集合并卷积，简记为$f⨀g=h$。

交

我们令三个集合幂级数$f,g,h$，其中$h$满足如下式子:
$$h_S=\sum _{I\subseteq O}\sum _{J\subseteq O}[I\bigcap J=S]f_I\times g_J$$

那么我们称$h$为$f,g$的集合交卷积，简记为$f⨀g=h$。

对称差

我们令三个集合幂级数$f,g,h$，其中$h$满足如下式子:
$$h_S=\sum _{I\subseteq O}\sum _{J\subseteq O}[I⨁J=S]f_I\times g_J$$

那么我们称$h$为$f,g$的集合对乘差卷积，简记为$f\cdot g=h$或者$f\times g$（能看懂就行）。

---

对于如上的三个卷积，显然都可$O(|O{|}^2)$的时间复杂度计算(括号外面的$O$为时间复杂度的符号，里面的$O$表示全集，$|O|$表示全集大小)。

但是这样肯定不能解决大多数问题，那么我们需要考虑快速算法。

---

分治是一种降低复杂度的好方法，那么这个能否分治呢？

我们将全集$O$中的一个元素$w$单独提出，也就是对于所有含$w$的集合提一个$w$出来，那么$f$可以写成由两个集合组合出来的函数，$f^{-}$表示不含$w$的部分，$f^{+}$表示含有$w$的部分，那么 f = f − + x { w } f + f=f^-+x^{\{w\}}f^+ f=f−+x{w}f+，由此我们可以把原式写成如下形式 f × g = ( f − + x { w } f + ) × ( g − + x { w } g + ) f\times g=\left(f^-+x^{\{w\}}f^+\right)\times \left(g^-+x^{\{w\}}g^+\right) f×g=(f−+x{w}f+)×(g−+x{w}g+)

对于不同的$⨀$，我们可以将其化简成不同的形式。

• $⨀=\bigcup$时

由于当前的运算为并，那么 x { w } × x { } = x { w } x^{\{w\}}\times x^{\{\}}=x^{\{w\}} x{w}×x{}=x{w}, x { w } × x { w } = x { w } x^{\{w\}}\times x^{\{w\}}=x^{\{w\}} x{w}×x{w}=x{w}， x { } × x { } = x { } x^{\{\}}\times x^{\{\}}=x^{\{\}} x{}×x{}=x{}(有元素$w$的与没有的并起来就有元素$w$,都有元素$w$并起来还是有，都没有并起来就还是没有)。

所以我们进行如下化简:
f × g = ( f − + x { w } f + ) × ( g − + x { w } g + ) f\times g=\left(f^-+x^{\{w\}}f^+\right)\times \left(g^-+x^{\{w\}}g^+\right) f×g=(f−+x{w}f+)×(g−+x{w}g+)
= f − × g − + x { w } × ( f − × g + ) + x { w } × ( f + × g − ) + x { w } × ( f + × g + ) =f^-\times g^-+x^{\{w\}}\times \left(f^-\times g^+\right)+x^{\{w\}}\times \left(f^+\times g^-\right)+x^{\{w\}}\times \left(f^+\times g^+\right) =f−×g−+x{w}×(f−×g+)+x{w}×(f+×g−)+x{w}×(f+×g+)
这里将乘号略写
= f − g − + x { w } ( f − g +   + f + g − + f + g + ) =f^-g^-+x^{\{w\}}\left(f^-g^+\ + f^+g^-+f^+g^+\right) =f−g−+x{w}(f−g+ +f+g−+f+g+)

将其化简为乘积的形式
= f − g − + x { w } ( ( f − + f + ) × ( g − + g + ) − f − g − ) =f^-g^-+x^{\{w\}}\left(\left(f^-+f^+\right)\times \left(g^-+g^+\right)-f^-g^-\right) =f−g−+x{w}((f−+f+)×(g−+g+)−f−g−)

我们将其看作两种形式，第一种为单独的$f^{-}$或$g^{-}$，另一种为单独的$(f^{-}+f^{+})$或$(g^{-}+g^{+})$，那么我们通过分治的方法，先将$f$和$g$分别变化成$f^{‘}=\left(f^{-},\left(f^{-}+f^{+}\right)\right)$和$g^{‘}=\left(g^{-},\left(g^{-}+g^{+}\right)\right)$
然后对应的项乘起来，我们令$h^{‘}=f^{‘}\times g^{‘}$，此时$h^{‘}=(h^{-},h^{+})=(f^{-}{g}^{-},(f^{-}+f^{+})\times (g^{-}+g^{+}))$，但是此时的$h^{‘}$并不是我们要求的$h$，联想$\mathrm{F}\mathrm{F}\mathrm{T}$的做法，既然变换过去了，肯定要找个方法变换回来。再看我们推导化简式子的最后有一个$\left(\left(f^{-}+f^{+}\right)\times \left(g^{-}+g^{+}\right)-f^{-}{g}^{-}\right)$，所以我们将$h^{‘}$变成$h=(h^{-},h^{+}-h^{-})$，就可以得到$h$了。

复杂度分析，我们令$size$为元素种类的大小，设总的变换的时间复杂度为$T(size)$，可得$T(size)=2\times T(size-1)+O(|O|)$，其中$2\times T(size-1)$是因为提出一个元素后，元素种类减少1，分成了本来有该元素和本来无该元素的两部分，所以乘2，再加上当前这次变换的复杂度。最后解得总复杂度$T(size)=O(size\times |O|)$，而$size$大小是远远小于由$size$个元素组成的集合的全集$O$的大小的，一般$|O|=2^{size}$，复杂度远远低于暴力复杂度，可以看做$O(nlo{g}_{2}n)$。

说明:例如当前$size=3$，有$1,2,3$元素，那么 O = { { ∅ } , { 1 } , { 2 } , { 3 } , { 1 , 2 } , { 1 , 3 } , { 2 , 3 } , { 1 , 2 , 3 } } O=\{\{∅\},\{1\},\{2\},\{3\},\{1,2\},\{1,3\},\{2,3\},\{1,2,3\}\} O={{∅},{1},{2},{3},{1,2},{1,3},{2,3},{1,2,3}}，所以$O$的大小为$2^{size}=8$。

---

• $⨀=\bigcap$时

同样对于交，我们化简原式，过程略，得到如下式子:

乘号略写公式太难打了QAQ。
f ⋅ g = f − g − + f + g − + f − g + + x { w } ( g + f + ) f\cdot g=f^-g^-+f^+g^-+f^-g^++x^{\{w\}}(g^+f^+) f⋅g=f−g−+f+g−+f−g++x{w}(g+f+)

说明:因为交是必须两个都有$w$元素，最后才会有，否则就没有$w$元素。

写成乘积形式
= ( ( f − + f + ) ⋅ ( g − + g + ) − f + g + ) + x { w } ( g + f + ) =\left((f^-+f^+)\cdot(g^-+g^+)-f^+g^+\right)+x^{\{w\}}(g^+f^+) =((f−+f+)⋅(g−+g+)−f+g+)+x{w}(g+f+)

同样的，提出类似的部分后，我们可以对$f,g$先自己变换，然后相乘(对应项)，然后再变换一次变回来就可以求出$h$。

其中$f^{‘}=((f^{-}+f^{+}),f^{+}),g^{‘}=((g^{-}+g^{+}),g^{+}),h=(h^{-}-h^{+}),h^{+}$

复杂度同上。

---

• $⨀=⨁$时

对于对称差，都是大同小异。

化简后得到
f ⋅ g = ( f − g − + f + g + ) ⋅ x { w } ( f − g + + f + g − ) f\cdot g=(f^-g^-+f^+g^+)\cdot x^{\{w\}}(f^-g^++f^+g^-) f⋅g=(f−g−+f+g+)⋅x{w}(f−g++f+g−)

说明:因为对称差计算有点奇怪好吧其实也不奇怪,两者都有或者都没有该元素，计算出来就没有。只要其中一个有另一个没有，计算出来就有。

所以变换为:

$f^{‘}=((f^{-}+f^{+}),(f^{-}-f^{+}))$
$g^{‘}$同理。

$h=(\frac{(h^{-}+h^{+})}{2},\frac{(h^{-}-h^{+})}{2})$

自己手推一下应该可以得到。

• 对称差的另外一种推导方法

我们这么半天，集合幂级数的性质也没太明显用，下面就将对称差的另外一种推导方法。

首先引入如下式子：

对于一个集合$S$有：
$$\frac{1}{2^{size}}\sum _{T\subseteq O}(-1{)}^{|S\bigcap T|}=[S=\varnothing ]$$

对于证明我们较容易发现，当$S=\varnothing$时$|S\bigcap T|$恒为$0$，那么$(-1{)}^{|S\bigcap T|}$也就恒为1，又因为$|O|=2^{size}$，所以最后除以了一个$2^{size}$，式子的值就为1。对于$S$不为空集，令一个元素$v\in S$，由于 ( − 1 ) ∣ S ⋂ ( T ⨁ { v } ) ∣ (-1)^{|S\bigcap (T\bigoplus \{v\})|} (−1)∣S⋂(T⨁{v})∣，根据对称差的分配律 S ⋂ ( T ⨁ { v } ) = ( S ⨁ { v } ) ⋂ ( T ⨁ { v } ) = ( S ⋂ T ) ⨁ { v } S\bigcap (T\bigoplus \{v\})=(S\bigoplus \{v\})\bigcap (T\bigoplus \{v\})=(S\bigcap T)\bigoplus \{v\} S⋂(T⨁{v})=(S⨁{v})⋂(T⨁{v})=(S⋂T)⨁{v}，原式等于 ( − 1 ) ∣ ( S ⋂ T ) ⨁ { v } ∣ (-1)^{|(S\bigcap T)\bigoplus\{v\}|} (−1)∣(S⋂T)⨁{v}∣，又因为$S\bigcap T$中没有 { v } \{v\} {v}交集大小增加1，有 { v } \{v\} {v}交集大小减少1，所以怎么都要变化1，所以 ( − 1 ) ∣ ( S ⋂ T ) ⨁ { v } ∣ = − ( − 1 ) ∣ S ⋂ T ∣ (-1)^{|(S\bigcap T)\bigoplus \{v\}|}=-(-1)^{|S\bigcap T|} (−1)∣(S⋂T)⨁{v}∣=−(−1)∣S⋂T∣，那么可以得知 ( − 1 ) ∣ S ⋂ T ∣ + ( − 1 ) ∣ ( S ⋂ T ) ⨁ { v } ∣ = 0 (-1)^{|S\bigcap T|}+(-1)^{|(S\bigcap T)\bigoplus \{v\}|}=0 (−1)∣S⋂T∣+(−1)∣(S⋂T)⨁{v}∣=0，由于 T ⨁ { v } ⨁ { v } = T T\bigoplus \{v\} \bigoplus \{v\} = T T⨁{v}⨁{v}=T，所以$T$与 T ⨁ { v } T\bigoplus \{v\} T⨁{v}一一对应，所以最后原式的值肯定为0。

我们接下来看：

$$h=f\cdot g$$

对于一个集合$S$，可知
$$h_S=\sum _{I\subseteq O}\sum _{J\subseteq O}[I⨁J=S]f_I\cdot g_J$$
$$=\sum _{I\subseteq O}\sum _{J\subseteq O}[I⨁J⨁S=\varnothing ]f_I\cdot g_J$$
$$=\sum _{I\subseteq O}\sum _{J\subseteq O}\frac{1}{2^{size}}\sum _{T\subseteq O}(-1{)}^{|(I⨁J⨁S)\bigcap T|}{f}_I\cdot g_J$$
$$=\sum _{I\subseteq O}\sum _{J\subseteq O}\frac{1}{2^{size}}\sum _{T\subseteq O}(-1{)}^{|T\bigcap I|}(-1{)}^{|T\bigcap J|}(-1{)}^{|T\bigcap S|}{f}_I\cdot g_J$$

说明:这里能这样变换是因为$(-1)\times (-1)=1$对答案无影响，会消掉，所以如果$I⨁J⨁S$有或者没有某个元素，和$T$交后，会被如上方法抵消影响。

举个栗子：$I,J,S$的某个元素 { v } \{v\} {v}的有无情况如下(因为都与$T$相交，所以可以不管$T$的影响):
{ 1 , 0 , 0 } { 0 , 1 , 0 } { 0 , 0 , 1 } { 1 , 1 , 1 } \{1,0,0\} \{0,1,0\} \{0,0,1\} \{1,1,1\} {1,0,0}{0,1,0}{0,0,1}{1,1,1}，此时 $I⨁J⨁S$会有该元素，但是三种情况分别为$(-1{)}^1,(-1{)}^3$都为$-1$不变，同样$I⨁J⨁S$没有该元素的都为$1$不变，所以可以拆开，其实因为$\bigoplus $出来有该元素必须有奇数个1，无该元素必须有偶数个1，所以$(-1)$的奇数次方为-1，偶数次方为0，而奇数$\bigoplus $出来有该元素，就是$(-1)^{1$还是$-1$，偶数没有，就是$(-1)}0$，所以为1。

$$=\frac{1}{2^{size}}\sum _{T\subseteq O}(-1{)}^{|T\bigcap S|}\left(\sum _{I\subseteq O}(-1{)}^{|T\bigcap I|}{f}_I\right)\left(\sum _{J\subseteq O}(-1{)}^{|T\bigcap J|}{g}_J\right)$$

这里前半部分$\frac{1}{2^{size}}{\sum }_{T\subseteq O}(-1{)}^{|T\bigcap S|}$只有当$S=\varnothing$时后半部分才为1，所以这个式子的值为1，然后对于单个集合$f$的变换，我们可以将集合$g$看作一个常量，也就是式子最后半部分关于$g$的那个括号里的值可以看作1，所以这种形式可以启发我们定义以下变换。

这样我们就可以定义一种变换，对于一个集合幂级数$f$，我们定义它的沃尔什变换为集合幂级数$f^{\wedge }$,其中:
$$f_S^{\wedge }=\sum _{T\subseteq O}{f}_T(-1{)}^{|S\bigcap T|}$$

其逆变换同样由上面推导式得到:
$$f_S=\frac{1}{2^{size}}\sum _{T\subseteq O}{f}_T^{\wedge }(-1{)}^{|S\bigcap T|}$$

再从集合对称差卷积得到:
$$h_S^{\wedge }=f_S^{\wedge }{g}_S^{\wedge }$$

于是我们先可以对$f,g$做沃尔什变换，再相乘得到$h^{\wedge }$然后对其做沃尔什逆变换得到答案$h$

这里可以用递推的方法，我们设$f_S^{\wedge (i)}$为只考虑那些与$S$的对称差是 { 1 , … , i } \{1,\dots ,i\} {1,…,i}的子集的沃尔什变换的第$S$项(也就是 T ⨁ S ⊆ { 1 , … , i } T\bigoplus S\subseteq \{1,\dots ,i\} T⨁S⊆{1,…,i}的集合$T$的$f_T(-1{)}^{|S\bigcap T|}$之和)，这里容易得到对于不包含$i$的$S$有
f S ∧ ( i ) = f S ∧ ( i − 1 ) − f S ⋃ { i } ∧ ( i − 1 ) f^{\wedge (i)}_S=f^{\wedge (i-1)}_S-f^{\wedge (i-1)}_{S\bigcup \{i\}} fS∧(i)​=fS∧(i−1)​−fS⋃{i}∧(i−1)​

f S ⋃ { i } ∧ ( i ) = f S ∧ ( i − 1 ) + f S ⋃ { i } ∧ ( i ) f^{\wedge (i)}_{S\bigcup \{i\}}=f^{\wedge (i-1)}_S+f^{\wedge (i)}_{S\bigcup \{i\}} fS⋃{i}∧(i)​=fS∧(i−1)​+fS⋃{i}∧(i)​

说明:对于第一个式子,不含有 { i } \{i\} {i}元素的$f_S^{\wedge (i)}$根据定义式$={\sum }_{T\subseteq O}{f}_T(-1{)}^{|S\bigcap T|}$，将其拆分为两部分 = ∑ T ⊆ O f T ( − 1 ) ∣ S ⋂ T ∣ [ { i } ∉ T ] + ∑ T ⊆ O f T ( − 1 ) ∣ S ⋂ T ∣ [ { i } ∈ T ] =\sum_{T\subseteq O}f_T(-1)^{|S\bigcap T|}[\{i\}\notin T]+\sum_{T\subseteq O}f_T(-1)^{|S\bigcap T|}[\{i\}\in T] =∑T⊆O​fT​(−1)∣S⋂T∣[{i}∈/​T]+∑T⊆O​fT​(−1)∣S⋂T∣[{i}∈T],对于前半部分因为已经是$S$不含有$i$了，但是对于后者，我们要用 S ⋃ { i } S\bigcup \{i\} S⋃{i}来表示，所以当$S$换成 S ⋃ { i } S\bigcup \{i\} S⋃{i}时，$|S\bigcap T|$变成 ∣ ( S ⋃ { i } ) ⋂ T ∣ |(S\bigcup \{i\})\bigcap T| ∣(S⋃{i})⋂T∣，它的集合大小会增加1，因为开始$S$中没有 { i } \{i\} {i}，交出来也没有，后面 ∣ S ⋃ { i } ∣ |S\bigcup \{i\}| ∣S⋃{i}∣中有了，所以交出来就比原来多了一个 { i } \{i\} {i}(这里的$T$中是有 { i } \{i\} {i}的),所以 ∑ T ⊆ O f T ( − 1 ) ∣ S ⋂ T ∣ [ { i } ∈ T ] = − ∑ T ⊆ O f T ( − 1 ) ∣ ( S ⋃ { i } ) ⋂ T ∣       [ { i } ∈ T ] \sum_{T\subseteq O}f_T(-1)^{|S\bigcap T|}[\{i\}\in T]=-\sum_{T\subseteq O}f_T(-1)^{|(S\bigcup \{i\})\bigcap T|}\ \ \ \ \ [\{i\}\in T] ∑T⊆O​fT​(−1)∣S⋂T∣[{i}∈T]=−∑T⊆O​fT​(−1)∣(S⋃{i})⋂T∣     [{i}∈T]，所以可以得到一式。
对于二式，也是同样的道理，开始变成了含有 { i } \{i\} {i}的集合 S ⋃ { i } S\bigcup \{i\} S⋃{i},同样用定义式将其拆成两部分 ∑ T ⊆ O f T ( − 1 ) ∣ ( S ⋃ { i } ) ⋂ T ∣       [ { i } ∉ T ] + ∑ T ⊆ O f T ( − 1 ) ∣ ( S ⋃ { i } ) ⋂ T ∣       [ { i } ∈ T ] \sum_{T\subseteq O}f_T(-1)^{|(S\bigcup \{i\})\bigcap T|}\ \ \ \ \ [\{i\}\notin T]+\sum_{T\subseteq O}f_T(-1)^{|(S\bigcup \{i\})\bigcap T|}\ \ \ \ \ [\{i\}\in T] ∑T⊆O​fT​(−1)∣(S⋃{i})⋂T∣     [{i}∈/​T]+∑T⊆O​fT​(−1)∣(S⋃{i})⋂T∣     [{i}∈T]，然后后半部分已经为 S ⋃ { i } S\bigcup \{i\} S⋃{i}所以要将前半部分变成没有 { i } \{i\} {i}的$S$,同样来看， ∣ ( S ⋃ { i } ) ⋂ T ∣ |(S\bigcup \{i\})\bigcap T| ∣(S⋃{i})⋂T∣和$|S\bigcap T|$没有变化，因为这里的$T$是不包含 { i } \{i\} {i}元素的，所以可以得到二式。

但是对于最底层的$f_S^{\wedge (0)}$，根据定义来看，我们最底层的$T$只能等于$S$，这样$S⨁T=\varnothing$，所以$f_S^{\wedge (0)}$，当$S$大小为奇数时它等于$-f_S$，为偶数时他就等于$f_S$，这样十分不好处理，所以我们统一规定，$f_S^{\wedge (0)}=f_S$，那么对于上面求出的式子也要进行改动。

我们这里假设$(-1{)}^{|S\bigcap T|}=1$,那么 ( − 1 ) ∣ ( S ⋃ { i } ) ⋂ T ∣ = − 1 (-1)^{|(S\bigcup \{i\})\bigcap T|}=-1 (−1)∣(S⋃{i})⋂T∣=−1,(其实反过来也可以，虽然式子符号（正负）会变，最终的答案不会改变),因为后者会比前者多一个元素 { i } \{i\} {i}，所以 f S ⋃ { i } ∧ ( i ) f^{\wedge (i)}_{S\bigcup \{i\}} fS⋃{i}∧(i)​本来要乘以$-1$，又因为我们上面的重定义，所以不能乘以$-1$，所以对于后者要取相反数，这里我们便得到了最终的集合对称差卷积的沃尔什变换的式子:
f S ∧ ( i ) = f S ∧ ( i − 1 ) + f S ⋃ { i } ∧ ( i − 1 ) f^{\wedge (i)}_S=f^{\wedge (i-1)}_S+f^{\wedge (i-1)}_{S\bigcup \{i\}} fS∧(i)​=fS∧(i−1)​+fS⋃{i}∧(i−1)​

f S ⋃ { i } ∧ ( i ) = f S ∧ ( i − 1 ) − f S ⋃ { i } ∧ ( i ) f^{\wedge (i)}_{S\bigcup \{i\}}=f^{\wedge (i-1)}_S-f^{\wedge (i)}_{S\bigcup \{i\}} fS⋃{i}∧(i)​=fS∧(i−1)​−fS⋃{i}∧(i)​

其实也就和之前的证明方法的结果相同了，$f^{\wedge }=(f^{-}+f^{+},f^{-}-f^{+})$。

逆变换也就是原来的变换乘以了$\frac{1}{2^{size}}$，所以我们发现这里可以不用像原来的逆变换每次除以2，可以做顺变换，最后答案除以$2^{size}$即可。

注：对于其它两个集合运算也有类似的证明，但是过于繁琐，而且实际应用中集合对称差用到此证明公式的最多，所以其余两个就不讲此类证法，有兴趣的读者可自行查阅资料。

---

到这里，沃尔什变换就大概完整了。

三种卷积的变换与逆变换

集合并$\bigcup$

• 沃尔什变换 $f^{\wedge }=(f^{-},f^{-}+f^{+})$

• 沃尔什逆变换 $f=(f^{\wedge -},f^{\wedge +}-f^{\wedge -})$

集合交$\bigcap$

• 沃尔什变换 $f^{\wedge }=(f^{-}+f^{+},f^{+})$

• 沃尔什逆变换 $f=(f^{\wedge -}-f^{\wedge +},f^{\wedge +})$

集合对称差$⨁$

• 沃尔什变换 $f^{\wedge }=(f^{-}+f^{+},f^{-}-f^{+})$

• 沃尔什逆变换 $f=(\frac{f^{\wedge -}+f^{\wedge +}}{2},\frac{f^{\wedge -}-f^{\wedge +}}{2})$

注意：在取模运算时，除2要变成乘以2对应的逆元。

---

那么对于全集的每个元素，我们可以用0或者1来表示它是否在某个集合里，就可以用一个二进制数来表示集合，这在运算上就十分方便了，原因如下:

• 对于集合并，它就相当于位运算中的$|(or)$，$1011\bigcup 0110=1111$ , $1011|0110=1111$。

• 对于集合交，它就相当于位运算中的&(and)，$1011\bigcap 0110=0010$ , 1011&0110=0010。

• 对于集合对称差，你应该想到了，没错，它就是$\wedge (xor)$ ，$1011⨁0110=1101$ ，$1011\wedge 0110=1101$

---

那么由于位运算每一位之间互不影响，所以我们可以把它按照当前位为0或1分治，也就是表示当前元素有无分治。

但是递归虽然可以，有时常数以及实际效率并不是很优秀，所以我们考虑不用递归的形式。

我们发现它的全集$O$，可以用二进制数全部表示出来，转换为十进制来看就是 { 0 , 1 , 2 , … , 2 s i z e − 1 } \{0,1,2,\dots ,2^{size}-1\} {0,1,2,…,2size−1}，其中$0$表示$\varnothing$。

那么我们来看二进制的形式：

{ 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 } \{0,1,2,3,4,5,6,7\} {0,1,2,3,4,5,6,7}就等于

{ 000 , 001 , 010 , 011 , 100 , 101 , 110 , 111 } \{000,001,010,011,100,101,110,111\} {000,001,010,011,100,101,110,111}

我们发现对于第$i$位(从右往左数)，它为$0$相隔$2^{i-1}$个数，为$1$也是，如 1 : { 0 , 1 , 0 , 1 , 0 , 1 , 0 , 1 } 1:\{0,1,0,1,0,1,0,1\} 1:{0,1,0,1,0,1,0,1}, 2 : { 0 , 0 , 1 , 1 , 0 , 0 , 1 , 1 } 2:\{0,0,1,1,0,0,1,1\} 2:{0,0,1,1,0,0,1,1}, 3 : { 0 , 0 , 0 , 0 , 1 , 1 , 1 , 1 } 3:\{0,0,0,0,1,1,1,1\} 3:{0,0,0,0,1,1,1,1}，以此类推，所以我们可以用循环来代替递归。

第一层循环，枚举当前为第$i$位

for(int bit=1;bit<(1<<size);bit<<=1)

第二次枚举当前连续的一段0和1

int inc=bit<<1;
for(int i=0;i<(1<<size);i+=inc)

依次枚举这一段对应的0和1,

for(int j=0;j<bit;j++)

那么我们用$x$表示0这一位，$y$表示1这一位，那么就有

x=a[i+j],y=a[i+j+bit];
//eg.当前这一位是{0,0,1,1,0,0,1,1}
//               |   |
//               i   i+bit
// j {0~1}

所以对于三种变化我们计算如下

运算方式	or并	and交	xor对称差
沃尔什变换	a[i+j+bit]=x+y	a[i+j]=x+y	a[i+j]=x+y,a[i+j+bit]=x-y
沃尔什逆变换	a[i+j+bit]=y-x	a[i+j]=x-y	a[i+j]=(x+y)/2,a[i+j+bit]=(x-y)/2

那么代码就很容易写了。
模板题目

Luogu P4717
#include<cstdio>
#include<cstring>
#include<algorithm>
#define ll long long
using namespace std;
const int M=1<<19;
const ll mod=998244353ll;
int n;
ll A[M],B[M];
ll a[M],b[M];
ll c[3][M],inv;
ll pow(ll a){
    ll b=mod-2,ans=1;
    for(;b;b>>=1,a=(a*a)%mod){
        if(b&1) ans=(ans*a)%mod;
    }
    return ans;
}
void WT(ll *w,int n,int f,int type){
    ll x,y;
    //type:0 or,1 and,2 xor
    //f=1 沃尔什变换 f=-1 沃尔什逆变换
    for(int d=1;d<n;d<<=1){
        for(int ad=d<<1,i=0;i<n;i+=ad){
            for(int j=0;j<d;j++){
                x=w[i+j],y=w[i+j+d];
                if(f==1){
                    switch(type){
                        case 0:{
                            w[i+j+d]=(x+y)%mod;
                            break;
                        }
                        case 1:{
                            w[i+j]=(x+y)%mod;
                            break;
                        }
                        case 2:{
                            w[i+j]=(x+y)%mod;
                            w[i+j+d]=(x-y+mod)%mod;
                            break;
                        }
     				}
                }else{
                    switch(type){
                        case 0:{
                            w[i+j+d]=(y-x+mod)%mod;
                            break;
                        }
                        case 1:{
                            w[i+j]=(x-y+mod)%mod;
                            break;
                        }
                        case 2:{
                            w[i+j]=(x+y)*inv%mod;
                            w[i+j+d]=(((x-y)*inv%mod)+mod)%mod;
                            break;
                        }
                    }
                }
            }
        }
    }
}
void FWT(ll *a,ll *b,int n){
    for(int f=0;f<3;f++){
        memset(A,0,sizeof(A));memset(B,0,sizeof(B));
        for(int i=0;i<n;i++) A[i]=a[i],B[i]=b[i];
        WT(A,n,1,f);WT(B,n,1,f);
        for(int i=0;i<n;i++) A[i]=(A[i]*B[i])%mod;
        WT(A,n,-1,f);
        for(int i=0;i<n;i++) c[f][i]=(A[i]%mod+mod)%mod;
    }
}

int main(){
    inv=pow(2);
    scanf("%d",&n);n=(1<<n);
    for(int i=0;i<n;i++) scanf("%lld",&a[i]);
    for(int i=0;i<n;i++) scanf("%lld",&b[i]);
    FWT(a,b,n);
    for(int i=0;i<3;i++){
        for(int j=0;j<n;j++) printf("%lld ",c[i][j]);puts("");
    }
    return 0;
}

hdxrie的更简洁的模板IN THERE
其中有一些简单的特判，避免了我的switch语句的麻烦。(感谢hdxrie提供)

而暴力计算其实十分简单，为了方便理解，这里放一份暴力代码。

#include<cstdio>
#include<cstring>
#include<algorithm>
#define ll long long
using namespace std;
const int M=1<<19;
const ll mod=998244353ll;
int n;
ll a[M],b[M];
ll cxor[M],cor[M],cand[M];
int main(){
    scanf("%d",&n);
    if(n>13) return 0;
    n=(1<<n);
    for(int i=0;i<n;i++)scanf("%lld",&a[i]);
    for(int i=0;i<n;i++)scanf("%lld",&b[i]);
    for(int i=0;i<n;i++){
        for(int j=0;j<n;j++){
            ll now=(a[i]*b[j])%mod;
            (cor[i|j]+=now)%=mod;
            (cxor[i^j]+=now)%=mod;
            (cand[i&j]+=now)%=mod;
        }
    }
    for(int i=0;i<n;i++) printf("%lld ",cor[i]);puts("");
    for(int i=0;i<n;i++) printf("%lld ",cand[i]);puts("");
    for(int i=0;i<n;i++) printf("%lld ",cxor[i]);puts("");
    return 0;
}

#End

这里就结束了，如果有不清楚或者错误的地方，欢迎向我提出，我会尽量及时回答与修改~~(我也是个初学者)~~。

参考

• 百度一下

• 大佬讲解

• 很好的讲解

• 其它的1

• 其它的2

• 其它的3

• 国家集训队2015文章

具体应用与题目

参考这篇文章

• 大佬讲解

#Thanks♪(･ω･)ﾉ for reading！