1、用途
解决一些位运算的卷积,如:
c
i
=
∑
j
∣
k
=
i
a
j
×
b
k
c_i=\sum_{j|k=i}a_j\times b_k
ci=∑j∣k=iaj×bk
c
i
=
∑
j
&
k
=
i
a
j
×
b
k
c_i=\sum_{j\&k=i}a_j\times b_k
ci=∑j&k=iaj×bk
c
i
=
∑
j
⊕
k
=
i
a
j
×
b
k
c_i=\sum_{j\oplus k=i}a_j\times b_k
ci=∑j⊕k=iaj×bk
(
⊕
\oplus
⊕是异或)
2、原理
把多项式 A A A、 B B B通过某种方式转为 F W T ( A ) FWT(A) FWT(A)、 F W T ( B ) FWT(B) FWT(B)(另外一个多项式),然后得到 F W T ( C ) = F W T ( A ) × F W T ( B ) FWT(C)=FWT(A)\times FWT(B) FWT(C)=FWT(A)×FWT(B)(这里的乘为两个多项式对应位置相乘),再把 F W T ( C ) FWT(C) FWT(C)逆变换,得到结果 C C C。
3、例子
or运算卷积
定义
F
W
T
(
A
)
FWT(A)
FWT(A)的第
i
i
i项为
∑
j
∣
i
=
i
A
j
\sum_{j|i=i}A_j
∑j∣i=iAj,显然通过这样构造是满足
F
W
T
(
C
)
=
F
W
T
(
A
)
×
F
W
T
(
B
)
FWT(C)=FWT(A)\times FWT(B)
FWT(C)=FWT(A)×FWT(B)的。那么问题就是如何快速求出
F
W
T
(
A
)
FWT(A)
FWT(A)。
这个东西其实可以用类似分治的方法求,因为
A
A
A是一个恰好有
2
n
2^n
2n项的多项式,我们记它的前一半(即前面的
2
n
−
1
2^{n-1}
2n−1项)组成的多项式为
A
0
A_0
A0,后一半组成的多项式为
A
1
A_1
A1,那么可以得到:
{
F
W
T
(
A
)
=
(
F
W
T
(
A
0
)
,
F
W
T
(
A
0
)
+
F
W
T
(
A
1
)
)
(
n
>
0
)
F
W
T
(
A
)
=
A
(
n
=
0
)
\begin{cases} FWT(A)=(FWT(A_0),FWT(A_0)+FWT(A_1))\ (n>0)\\ FWT(A)=A\ (n=0) \end{cases}
{FWT(A)=(FWT(A0),FWT(A0)+FWT(A1)) (n>0)FWT(A)=A (n=0)
(
A
,
B
)
(A,B)
(A,B)表示把
A
A
A、
B
B
B两个多项式拼接到一起。
正确性……我觉得挺显然的,大概是前面一半的最高位没有
1
1
1,后一半的最高位是
1
1
1,所以后面不会是前面的子集,而而后面的子集分为两个部分,一个是最高位为
1
1
1,一个是最高位是
0
0
0,大概就是这样理解。
代码实现的时候并不需要递归,像FFT那样就好了。
然后是逆变换,就把它反过来就好了:
{
U
F
W
T
(
A
)
=
(
U
F
W
T
(
A
0
)
,
U
F
W
T
(
A
1
)
−
U
F
W
T
(
A
0
)
)
(
n
>
0
)
U
F
W
T
(
A
)
=
A
(
n
=
0
)
\begin{cases} UFWT(A)=(UFWT(A_0),UFWT(A_1)-UFWT(A_0))\ (n>0)\\ UFWT(A)=A\ (n=0) \end{cases}
{UFWT(A)=(UFWT(A0),UFWT(A1)−UFWT(A0)) (n>0)UFWT(A)=A (n=0)
and运算卷积
这个东西和上面的本质是一样的,所以十分相像。
类似的定义此时
F
W
T
(
A
)
FWT(A)
FWT(A)的第
i
i
i项为
∑
j
&
i
=
i
A
j
\sum_{j\&i=i}A_j
∑j&i=iAj。
同样的得到
F
W
T
(
A
)
FWT(A)
FWT(A)的求法:
{
F
W
T
(
A
)
=
(
F
W
T
(
A
0
)
+
F
W
T
(
A
1
)
,
F
W
T
(
A
1
)
)
(
n
>
0
)
F
W
T
(
A
)
=
A
(
n
=
0
)
\begin{cases} FWT(A)=(FWT(A_0)+FWT(A_1),FWT(A_1))\ (n>0)\\ FWT(A)=A\ (n=0) \end{cases}
{FWT(A)=(FWT(A0)+FWT(A1),FWT(A1)) (n>0)FWT(A)=A (n=0)
以及逆变换:
{
U
F
W
T
(
A
)
=
(
U
F
W
T
(
A
0
)
−
U
F
W
T
(
A
1
)
,
U
F
W
T
(
A
1
)
)
(
n
>
0
)
U
F
W
T
(
A
)
=
A
(
n
=
0
)
\begin{cases} UFWT(A)=(UFWT(A_0)-UFWT(A_1),UFWT(A_1))\ (n>0)\\ UFWT(A)=A\ (n=0) \end{cases}
{UFWT(A)=(UFWT(A0)−UFWT(A1),UFWT(A1)) (n>0)UFWT(A)=A (n=0)
xor运算卷积
这个我觉得是最难的……因为我甚至无法感性理解……
由于作者水平所限,只好贴个公式就跑了……
F
W
T
(
A
)
FWT(A)
FWT(A)的求法:
{
F
W
T
(
A
)
=
(
F
W
T
(
A
0
)
+
F
W
T
(
A
1
)
,
F
W
T
(
A
0
)
−
F
W
T
(
A
1
)
)
(
n
>
0
)
F
W
T
(
A
)
=
A
(
n
=
0
)
\begin{cases} FWT(A)=(FWT(A_0)+FWT(A_1),FWT(A_0)-FWT(A_1))\ (n>0)\\ FWT(A)=A\ (n=0) \end{cases}
{FWT(A)=(FWT(A0)+FWT(A1),FWT(A0)−FWT(A1)) (n>0)FWT(A)=A (n=0)
以及逆变换:
{
U
F
W
T
(
A
)
=
(
U
F
W
T
(
A
0
)
+
U
F
W
T
(
A
1
)
2
,
U
F
W
T
(
A
0
)
−
U
F
W
T
(
A
1
)
2
)
(
n
>
0
)
U
F
W
T
(
A
)
=
A
(
n
=
0
)
\begin{cases} UFWT(A)=({UFWT(A_0)+UFWT(A_1)\over 2},{UFWT(A_0)-UFWT(A_1)\over2})\ (n>0)\\ UFWT(A)=A\ (n=0) \end{cases}
{UFWT(A)=(2UFWT(A0)+UFWT(A1),2UFWT(A0)−UFWT(A1)) (n>0)UFWT(A)=A (n=0)
4、模板
void fwt(int *a,int op)
{
for(int i=1;i<N;i<<=1)
for(int j=0;j<N;j+=(i<<1))
for(int k=0;k<i;k++)
{
/*xor*/
int x=a[j+k],y=a[i+j+k];
a[j+k]=(x+y)%mod,a[i+j+k]=(x-y+mod)%mod;
if(op==-1)a[j+k]=(LL)a[j+k]*inv2%mod,a[i+j+k]=(LL)a[i+j+k]*inv2%mod;
/*or*/
a[i+j+k]=((a[i+j+k]+op*a[j+k])%mod+mod)%mod;
/*and*/
a[j+k]=((a[j+k]+op*a[i+j+k])%mod+mod)%mod;
}
}