快速沃尔什变换(FWT)-CSDN博客

本文链接：https://blog.csdn.net/Video_game/article/details/135735455

本文介绍了FWT（FastWalshTransform）在解决位运算卷积问题中的方法，通过分治策略将多项式分解并利用位运算特性快速计算，以O(n)的复杂度实现与、或、异或的卷积操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

$\huge 简介$

$F W T$ 是用于解决对下表进行位运算卷积问题的方法

更确切地说，给定两个多项式 $A$ 和 $B$ ，求多项式 $C$

$c_i = \sum _{i=j⊕k}a_jb_k$

其中， ⊕表示任意位运算符号（与(&)，或(|)，异或(^)之一）

与 $FFT$ 类似， $F W T$ 先将 $A, B$ 转换成 $F W T$ 的形式，相乘后再用逆变换转换成多项式形式。

以下会对三种位运算符号分别推导。

$\huge 或$

要求

$c_i = \sum _{i=j\|k}a_jb_k$

若 $FWT[a]_i$ 表示为 $a$ 转成 $F W T$ 形势下的第 $i$ 位

构造 $FWT[a]\_i = \sum_{j\|i=i}a_j$

则

$FWT[a]\_i \times FWT[b]\_i = \left( \sum_{j\|i=i}a_j \right) \left( \sum_{k\|i=i}b_k\right)\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \$

$=\sum_{j|i=i} \sum_{k|i=i}a_jb_k$

$=\sum_{(j|k)|i=i}a_jb_k\ \$

$FWT[c]_i\ \ \ \ \$

且就是说可以通过按位相乘的方式，以 $O (n)$ 的复杂度解决两个 $F W T$ 的卷积。

接下来要解决的是如何求一个多项式的 $F W T$ 。

采用分治策略，每一次将多项式分为左半边 $a_0$ 和右半边 $a_1$ 。

其一定满足左半边下标最高位为 $0$ ，右半边下标最高位为 $1$ 。

QQ截图20230504142542.png

如图所示，先分别计算两边的值，由于 $0∣1 = 1$ ，所以最终合并的结果为

$FWT[a] = merge(FWT[a_0],FWT[a_0]+FWT[a_1])$

其中 $+$ 表示按位相加。

易得反演递推式：

$UFWT[a] = merge(UFWT[a_0],UFWT[a_1] - UFWT[a_0])$

$实现$

void OR(int *a, int x) {
	for (int o = 2, k = 1; o <= n; o <<= 1, k <<= 1)
		for (int i = 0; i < n; i += o)
			for (int j = 0; j < k; j ++ )
				a[i + j + k] = a[i + j + k] + a[i + j] * x;
}

$\Huge 与$

要求

$c_i = \sum_{j\&k=i} a_jb_k$

构造 $FWT[a]\_i = \sum _{j\&i=i} a_j$

则

$FWT[a]\_i \times FWT[b]\_i = \left( \sum_{j\&i=i}a_j \right) \left( \sum_{k\&i=i}b_k\right)\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \$

$=\sum_{j\&i=i} \sum_{k\&i=i}a_jb_k$

$=\sum_{(j\&k)\&i=i}a_jb_k\ \$

$FWT[c]_i\ \ \ \ \ \ \ \$

同上或的递推式，由于 $0\&1=0$ ，所以递推式为

$FWT[a] = merge(FWT[a_0]+FWT[a_1],FWT[a_1])$

$UFWT[a] = merge(UFWT[a_0]-UFWT[a_1],UFWT[a_1])$

$实现$

void AND(int *a, int x) {
	for (int o = 2, k = 1; o <= n; o <<= 1, k <<= 1)
		for (int i = 0; i < n; i += o)
			for (int j = 0; j < k; j ++ )
				a[i + j] = a[i + j] + a[i + j + k] * x;
}

$\Huge 异或$

定义 $x⊗y=popcount(x\&y) \bmod 2$ ，其中 $p o p co u n t$ 表示二进制下 $1$ 的个数

满足 $\textsf{xor} (i⊗k) = i⊗(j \ \textsf{xor} \ k)$

构造 $fwt[a]\_i=\sum_{i⊗j=0}a_j-\sum_{i⊗j=1}a_j$

则有

$fwt[a]\_i \times fwt[b]\_i = \left( \sum_{i⊗j=0}a_j-\sum_{i⊗j=1}a_j \right) \left( \sum_{i⊗k=0}b_k-\sum_{i⊗k=1}b_k \right)\ \ \ \ \ \ \ \ \ \$

$=\sum_{i⊗(j\ \textsf{xor}\ k)=0}a_jb_k - \sum_{i⊗(j\ \textsf{xor} \ k)=1}a_jb_k$

$fwt[c]_i\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \$

根据定义得出

$FWT[a] = merge(FWT[a_0]+FWT[a_1],FWT[a_0]-FWT[a_1])$

$merge(\frac{UFWT[a_0]+UFWT[a_1]}{2},\frac{UFWT[a_0]-UFWT[a_1]}{2})$

$实现$

void XOR(int *a, int x) {
	for (int o = 2, k = 1; o <= n; o <<= 1, k <<= 1)
		for (int i = 0; i < n; i += o)
			for (int j = 0; j < k; j ++ ) {
				a[i + j] = a[i + j] + a[i + j + k];
				a[i + j + k] = a[i + j] - a[i + j + k] - a[i + j + k];
				a[i + j] = a[i + j] * x, a[i + j + k] = a[i + j + k] * x;
			}
}