数学板块学习之FWT

FWT

快速沃尔什变换，在计算数学中，一个与阿达马变换有高度相关的快速沃尔什转换（fast Walsh–Hadamard transform，FWHTh）是一个十分有效率的算法，目的是计算阿达马变换。快速沃尔什转换是一个分而治之的算法，是一个常见的递回方法，将大小N的沃尔什转换拆成两个大小为N/2 的沃尔什转换。——百度百科

参考博客：
https://www.cnblogs.com/cjyyb/p/9065615.html
https://blog.csdn.net/zhouyuheng2003/article/details/84728063

首先，我们要弄明白我们为什么要用FWT，用它求什么。
对于$$\begin{array}{rl}{C}_n& =\sum _{i+j=n}{A}_i\ast B_j\\ C_n& =\sum _{i\ast j=n}{A}_i\ast B_j\\ C_n& =\sum _{i|j=n}{A}_i\ast B_j\\ C_n& =\sum _{i\&j=n}{A}_i\ast B_j\\ C_n& =\sum _{i\oplus j=n}{A}_i\ast B_j\end{array}$$
对于这几个公式，第一个的$i+j=n$是可以使用FFT来求取的，第二个的$i\ast j=n$的特殊情况下也是可以使用FFT的。但是后面三个是无法使用FFT的。所以也就有了FWT

定义：
$$\begin{array}{rl}A-B& =(a_0-b_0,a_1-b_1,\cdots ,a_{n-1}-b_{n-1})\\ A+B& =(a_0+b_0,a_1+b_1,\cdots ,a_{n-1}+b_{n-1})\\ A\ast B& =(a_0\ast b_0,a_1\ast b_1,\cdots ,a_{n-1}\ast b_{n-1})\\ A@B& =(\sum _{i@j=0}{a}_i\ast b_j,\sum _{i@j=1}{a}_i\ast b_j,\cdots ,\sum _{i@j=n-1}{a}_i\ast b_j)\end{array}$$
其中$@$属于集合 { ∣ ( 或 ) , & ( 与 ) , ∧ ( 异 或 ) } \{ |(或),\&(与), \wedge(异或) \} {∣(或),&(与),∧(异或)}
并且$@$运算具有分配率$A@(B+C)=A@B+A@C$也具有交换律$A|B=B|A$

另外定义$A_0$为多项式$A$(A有$2^n$项)的前$2^{n-1}$项，$A_1$为多项式$A$的后$2^{n-1}$项
$A=(A_0,A_1)$表示多项式$A_0$后面加上$A_1$多项式形成多项式$A$

思路
和FFT一样，先进行FWT求出两个多项式的$FWT(A),FWT(B)$，然后对应相乘得到$FWT(C)$,最后逆运算IFWT得到答案多项式C

1.OR 或卷积
$$\begin{array}{rl}{c}_k& =\sum _{i|j=k}{a}_i\ast b_j\\ C=A|B& =(\sum _{i|j=0}{a}_i\ast b_j,\sum _{i|j=1}{a}_i\ast b_j,\cdots ,\sum _{i|j=n-1}{a}_i\ast b_j)\end{array}$$
正变换$$FWT(A)=\{\begin{array}{ll}(FWT(A_0),FWT(A_0+A_1))& \text{n>0}\\ A& \text{n=0}\end{array}$$
对应项相乘
$$FWT(C)=FWT(A)\ast FWT(B)$$
逆变换
$$IFWT(A)=\{\begin{array}{ll}(IFWT(A_0),IFWT(A_1)-IFWT(A_0))& \text{n>0}\\ A& \text{n=0}\end{array}$$

2.AND 与卷积
$$\begin{array}{rl}{c}_k& =\sum _{i\&j=k}{a}_i\ast b_j\\ C=A\&B& =(\sum _{i\&j=0}{a}_i\ast b_j,\sum _{i\&j=1}{a}_i\ast b_j,\cdots ,\sum _{i\&j=n-1}{a}_i\ast b_j)\end{array}$$
正变换$$FWT(A)=\{\begin{array}{ll}(FWT(A_0+A_1),FWT(A_1))& \text{n>0}\\ A& \text{n=0}\end{array}$$
对应项相乘
$$FWT(C)=FWT(A)\ast FWT(B)$$
逆变换
$$IFWT(A)=\{\begin{array}{ll}(IFWT(A_0)-IFWT(A_1),IFWT(A_0))& \text{n>0}\\ A& \text{n=0}\end{array}$$

3.XOR 异或卷积

$$\begin{array}{rl}{c}_k& =\sum _{i\oplus j=k}{a}_i\ast b_j\\ C=A\oplus B& =(\sum _{i\oplus j=0}{a}_i\ast b_j,\sum _{i\oplus j=1}{a}_i\ast b_j,\cdots ,\sum _{i\oplus j=n-1}{a}_i\ast b_j)\end{array}$$
正变换$$FWT(A)=\{\begin{array}{ll}(FWT(A_0+A_1),FWT(A_0-A_1))& \text{n>0}\\ A& \text{n=0}\end{array}$$
对应项相乘
$$FWT(C)=FWT(A)\ast FWT(B)$$
逆变换
$$IFWT(A)=\{\begin{array}{ll}(\frac{IFWT(A_0)+IFWT(A_1)}{2},\frac{IFWT(A_0)-IFWT(A_1)}{2})& \text{n>0}\\ A& \text{n=0}\end{array}$$

代码

/*
*opt =  1 正变换
*opt = -1 逆变换
*/
void FWT_or(int *a,int opt，int N){
	for(int i = 1; i < N; i <<= 1){
		for(int p = i<<1,j = 0; j < N; j += p){
			for(int k = 0; k < i; ++k){
				int x = a[j+k],y = a[i+j+k];
				if(opt == 1) a[i+j+k] = (x+y)%MOD;
				else a[i+j+k] = (y-x+MOD)%MOD;
			}
		}
	}
}

void FWT_and(int *a,int opt,int N){
	for(int i = 1; i < N; i <<= 1){
		for(int p = i<<1, j = 0; j < N; j += p){
			for(int k = 0; k < i; ++k){
				int x = a[j+k],y = a[i+j+k];
				if(opt == 1) a[i+j+k] = (x+y)%MOD;
				else a[i+j+k] = (x-y+MOD)%MOD;
			}
		}
	}
}

void FWT_xor(int *a,int opt,int N){
	for(int i = 1; i < N; i <<= 1){
		for(int p = i<<1,j = 0; j < N; j += p){
			for(int k = 0; k < i; ++k){
				int x = a[j+k],y = a[i+j+k];
				a[j+k] = (x+y)%MOD;
				a[i+j+k] = (x-y+MOD)%MOD;
				//inv2表示2在模mod下的逆元，如果不是在模意义下的话，开一个long long，然后把乘逆元变成直接除二
				if(opt == -1) a[j+k] = 1LL*a[j+k]*inv2%MOD,a[i+j+k] = 1LL*a[i+j+k]*inv2%MOD;
			}
		}
	}
}