FMT与子集卷积

FMT与子集卷积

求$C_x={\sum }_{i\bigcup j=x}{a}_i\ast b_j$

sol.

构造一个$FMT(A)={\sum }_{i\subset x}{a}_i$
$$\begin{gathered} FM{T}_x(A)\ast FM{T}_x(B)=\sum _{k\subset x}\sum _{i\bigcup j=k}{a}_i\ast b_j \\ =\sum _{k\subset x}{C}_k \\ =FM{T}_x(C) \end{gathered}$$

---

考虑如何快速构造这个$FMT(A)$

---

很显然的一个事情 $FMT(A)=FMT(A_0)+FMT(A1)[用二进制表示集合，分别有没由前面的第一个元素]$

那么可以直接二进制倍增来写。。。

for(int len = 2 ; len <= n ; len = (len << 1)){
    for(int i = 0 ; i <= n ; i = i + len){
        for(int j = 0 ; j < (len >> 1) ; j++){
            f[i + j + (len >> 1)] += f[i + j];
        }
    }
}

大概就像这样就可以了

逆FMT的话如下

for(int len = 2 ; len <= n ; len = (len << 1)){
    for(int i = 0 ; i <= n ; i = i + len){
        for(int j = 0 ; j < (len >> 1) ; j++){
            f[i + j] -= f[i + j + (len >> 1)];
        }
    }
}

就可以做掉了。。。。

FWT是这个玩意的加强版,专门来处理二进制操作卷积的

$or$卷积，就是上面的FMT

$and$卷积:

需要构造一个$FMT(A)$使得，$FWT(A{)}_x\ast FWT(B{)}_x=FWT(C{)}_x$

即:
$$\sum _{i\&x=x}{a}_i\ast \sum _{j\&x=x}{b}_j=\sum _{(i\&j)\&x=x}{a}_i\ast b_j=\sum _{i\&x=x}{c}_i$$

所以需要构造出:
$$FW{T}_x(A)=\sum _{i\&x=x}{a}_i$$

大概就是这样

for(int len = 2 ; len <= n ; len = (len << 1)){
    for(int i = 0 ; i <= n ; i = i + len){
        for(int j = 0 ; j < (len >> 1) ; j++){
            f[i + j] = f[i + j] + f[i + j + (len >> 1)];
        }
    }
}

xor卷积:

需要构造一个$FMT(A)$使得，$FWT(A{)}_x\ast FWT(B{)}_x=FWT(C{)}_x$

即
$$\sum _{ixorx=x}{a}_i\sum _{jxorx=x}{b}_j=$$

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Vgia3cKl-1613121592741)(C:\Users\Administrator\Desktop\笔记\FWT2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5jsO5avm-1613121592758)(C:\Users\Administrator\Desktop\笔记\FWT3.PNG)]

补一个证明
$$g(x,j)\ast g(x,k)=(-1{)}^{|j\bigcap x|+|k\bigcap x|}=(-1{)}^{(jxork)\bigcap x}$$
很显然的东西吖。。。。

所以就有代码

for(int len = 2 ; len <= n ; len = (len << 1)){
    for(int i = 0 ; i <= n ; i += len){
        for(int j = 0 ; j < (len << 1) ; j++){
            int A = f[i + j] , B = f[i + j + k];
            f[i + j] = A + B;
            f[i + j + k] = A - B;
        }
    }
}

很显然的吧

逆的话，代码如下

for(int len = 2 ; len <= n ; len = (len << 1)){
    for(int i = 0 ; i <= n ; i += len){
        for(int j = 0 ; j < (len << 1) ; j++){
            int A = f[i + j] , B = f[i + j + k];
            f[i + j] = (A + B) / 2;
            f[i + j + k] = (A - B) / 2;
        }
    }
}

FWT可以用来做一些高维前缀和的问题

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ibOaQY33-1613121592772)(C:\Users\Administrator\Desktop\笔记\FWT4.PNG)]

很显然就是 $ALL=\sum (-1{)}^{|与now相关的维度|}{a}_{now}$

与上面异或的定义$g(x,i)$非常的相似（实际上就是同一个玩意）

实际上就是一个xor卷积的事情。。。。

入门题：luoguP3175 [HAOI2015]按位或

很容易列出方程
$$\begin{gathered} f[i]=\sum _j\sum _{(k|j)=i}(f[k]+1)\ast p[j] \\ f[i]=\sum _{j!=i}\sum _{(k|j)=i}(f[k]+1)\ast p[j]+\sum _{k|i=i}(f[i]+1)\ast p[k] \\ f[i]=\frac{{\sum }_{j!=i}{\sum }_{(k|j)=i}(f[k]+1)\ast p[j]+{\sum }_{k|i=i}p[k]}{1-{\sum }_{k|i=i}p[k]} \end{gathered}$$

s o l 1. 解 决 分 母 的 快 速 计 算 ， 直 接 对 { p } 做 一 个 f w t 就 好 了 ， s o l 2. 分 子 第 二 项 同 s o l 1. s o l 3. 分 子 第 一 项 最 烂 每 一 次 都 要 做 一 个 F W T O ( 2 n ∗ 2 n ∗ n ) sol1.解决分母的快速计算，直接对\{p\}做一个fwt就好了，\\ sol2.分子第二项同sol1.\\ sol3.分子第一项最烂每一次都要做一个FWT\\ O(2^n * 2 ^ n * n) sol1.解决分母的快速计算，直接对{p}做一个fwt就好了，sol2.分子第二项同sol1.sol3.分子第一项最烂每一次都要做一个FWTO(2n∗2n∗n)
很显然是不行的吧。。。

本人只能想到这种。。。

如果能做到动态维护 FWT卷积的话，这个式子还是很好做的。。。

。。。。

正解是 min-max容斥。。。。

我先去补一下二项式反演的坑

就好了，\
sol2.分子第二项同sol1.\
sol3.分子第一项最烂每一次都要做一个FWT\
O(2^n * 2 ^ n * n)
$$
很显然是不行的吧。。。

本人只能想到这种。。。

如果能做到动态维护 FWT卷积的话，这个式子还是很好做的。。。

。。。。

正解是 min-max容斥。。。。

我先去补一下二项式反演的坑