FWT入门

1、用途

解决一些位运算的卷积，如：
$c_i={\sum }_{j|k=i}{a}_j\times b_k$
$c_i={\sum }_{j\&k=i}{a}_j\times b_k$
$c_i={\sum }_{j\oplus k=i}{a}_j\times b_k$
（$\oplus$是异或）

2、原理

把多项式$A$、$B$通过某种方式转为$FWT(A)$、$FWT(B)$（另外一个多项式），然后得到$FWT(C)=FWT(A)\times FWT(B)$（这里的乘为两个多项式对应位置相乘），再把$FWT(C)$逆变换，得到结果$C$。

3、例子

or运算卷积

定义$FWT(A)$的第$i$项为${\sum }_{j|i=i}{A}_j$，显然通过这样构造是满足$FWT(C)=FWT(A)\times FWT(B)$的。那么问题就是如何快速求出$FWT(A)$。
这个东西其实可以用类似分治的方法求，因为$A$是一个恰好有$2^n$项的多项式，我们记它的前一半（即前面的$2^{n-1}$项）组成的多项式为$A_0$，后一半组成的多项式为$A_1$，那么可以得到：
$\{\begin{array}{l}FWT(A)=(FWT(A_0),FWT(A_0)+FWT(A_1))(n>0)\\ FWT(A)=A(n=0)\end{array}$
$(A,B)$表示把$A$、$B$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$1$，后一半的最高位是$1$，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$1$，一个是最高位是$0$，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：
$\{\begin{array}{l}UFWT(A)=(UFWT(A_0),UFWT(A_1)-UFWT(A_0))(n>0)\\ UFWT(A)=A(n=0)\end{array}$

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$FWT(A)$的第$i$项为${\sum }_{j\&i=i}{A}_j$。
同样的得到$FWT(A)$的求法：
$\{\begin{array}{l}FWT(A)=(FWT(A_0)+FWT(A_1),FWT(A_1))(n>0)\\ FWT(A)=A(n=0)\end{array}$
以及逆变换：
$\{\begin{array}{l}UFWT(A)=(UFWT(A_0)-UFWT(A_1),UFWT(A_1))(n>0)\\ UFWT(A)=A(n=0)\end{array}$

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……
$FWT(A)$的求法：
$\{\begin{array}{l}FWT(A)=(FWT(A_0)+FWT(A_1),FWT(A_0)-FWT(A_1))(n>0)\\ FWT(A)=A(n=0)\end{array}$
以及逆变换：
$\{\begin{array}{l}UFWT(A)=(\frac{UFWT(A_0)+UFWT(A_1)}{2},\frac{UFWT(A_0)-UFWT(A_1)}{2})(n>0)\\ UFWT(A)=A(n=0)\end{array}$

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;
	}
}