浅谈快速沃尔什变换(FWT)&快速莫比乌斯变换(FMT)

最新推荐文章于 2023-04-25 19:24:30 发布

偶耶XJX

最新推荐文章于 2023-04-25 19:24:30 发布

阅读量3.7k

点赞数 2

分类专栏：竞赛经验总结文章标签：算法卷积

本文链接：https://blog.csdn.net/weixin_43960287/article/details/113620658

版权

竞赛经验总结专栏收录该内容

35 篇文章 6 订阅

订阅专栏

快速沃尔什变换(FWT)

顾名思义，这是一种对数组的变换，而且和FFT是基本思想相同，即求 $C=AoB$ ，“o”是一种卷积，把A、B变换为A‘、B’，使满足 $C'_i=A'_i*B'_i$ ，最后把C‘转换回C。

沃尔什变换主要有三种：

按位或卷积

$C_x=\sum_{i\bigcup j=x}A_i\cdot B_j$ ，（数组长度n默认为2的次幂）求C数组。

“浅谈”，我们就直接上公式好了。

该变换为 $FWT(A)_i=\sum_{j\bigcap i=j}A_j$ ， $\bigcap$ 是按位与，显然有：

$FWT(C)_y=\sum_{x\bigcap y=x}C_x$

$=\sum_{x\bigcap y=x}\sum_{i\bigcup j=x}A_i \cdot B_j$

$=\sum_{i\bigcap y=i}A_i \cdot \sum_{j\bigcap y=j}B_j$

$=FWT(A)_y\cdot FWT(B)_y$

根据定义知道，暴力求该变换是 $O(n^2)$ 的，怎么优化呢？

对于一个数组A，其下标为(0~n-1)， $n=2^m$ ，那么数组前一半的下标为(二进制) $0XX...$ ，后一半下标为 $1XX...$ ,那么对于 $FWT(A)_i$ 和 $FWT(A)_{i+\frac{n}{2}}$ （ $_{i<\frac{n}{2}}$ ），假设前者是所有下标为 $0YY...$ 的数的和，那么后者一定是下标为 $0YY...$ 、 $1YY...$ 的数的和（ $XX...$ 、 $YY...$ 分别代指若干种01序列），

规范地说就是，把A数组割裂为前后两半，(0~n/2-1)部分构成数组A0，(n/2~n-1)部分构成数组A1（在A1中的下标变为(0~n/2-1)），那么 $FWT(A)_i=FWT(A0)_i$ （ $_{i<\frac{n}{2}}$ ），

$FWT(A)_{i+\frac{n}{2}}=\sum_{j<\frac{n}{2},j\bigcap i=j}(A_j+A_{j+\frac{n}{2}})=FWT(A0)_i+FWT(A1)_i$ （ $_{i<\frac{n}{2}}$ ），

所以我们得到了该算法的核心：求出 $FWT(A0)$ 和 $FWT(A1)$ ，然后遍历求出 $FWT(A)_i$ 和 $FWT(A)_{i+\frac{n}{2}}$ ，进而求得 $FWT(A)$ ，

这是递推打法，类比FFT和NTT：

inline void FWTOR(int*a,int n){
	for(int k=2;k<=n;k<<=1)//从下往上合并
		for(int i=0;i<n;i+=k)
			for(int j=i;j<i+(k>>1);j++)
				a[j+(k>>1)]=(a[j+(k>>1)]+a[j])%MOD;//FWT(A)(i+n/2)=FWT(A0)(i)+FWT(A1)(i)
                //FWT(A)(i)=FWT(A0)(i),此时直接不管它
}

简要解释一下，原本递归到最底层后会有n个长度为1的数组，而长度为1的数组的FWT就是它本身，所以由下往上合并为长度为2、长度为4、一直到长度为n的数组，就是要求的FWT(A)。

那么逆变换怎么搞呢？

考虑倒着做整个过程， $FWT(A)_i=FWT(A0)_i$ ， $FWT(A)_{i+\frac{n}{2}}=FWT(A0)_i+FWT(A1)_i$ （ $_{i<\frac{n}{2}}$ ），

所以 $FWT(A0)_i=FWT(A)_i$ ， $FWT(A1)_i=FWT(A)_{i+\frac{n}{2}}-FWT(A)_i$ ，然后从上往下把它倒着转换回去：

inline void IFWTOR(int*a,int n){
	for(int k=n;k>1;k>>=1)//从上往下倒推
		for(int i=0;i<n;i+=k)
			for(int j=i;j<i+(k>>1);j++)
				a[j+(k>>1)]=(a[j+(k>>1)]-a[j]+MOD)%MOD;
}

按位与卷积

$C_x=\sum_{i\bigcap j=x}A_i\cdot B_j$ ，求C数组。

和按位或很相似，相信读者们自己就能轻松推导，

该变换为： $FWT(A)_i=\sum_{j\bigcap i=i}A_j$ ，同样的推导：

$FWT(C)_y=\sum_{x\bigcap y=y}C_x$

$=\sum_{x\bigcap y=y}\sum_{i\bigcap j=x}A_i \cdot B_j$

$=\sum_{i\bigcap y=y}A_i \cdot \sum_{j\bigcap y=y}B_j$

$=FWT(A)_y\cdot FWT(B)_y$

同样地，根据该变换的性质，把A分裂为A0和A1，有 $FWT(A)_i=FWT(A0)_i+FWT(A1)_i$ ， $FWT(A)_{i+\frac{n}{2}}=FWT(A1)_i$ （ $_{i<\frac{n}{2}}$ ），

倒着做的时候： $FWT(A0)_i=FWT(A)_i-FWT(A)_{i+\frac{n}{2}}$ ， $FWT(A1)_i=FWT(A)_{i+\frac{n}{2}}$

inline void FWTAND(int*a,int n){
	for(int k=2;k<=n;k<<=1)
		for(int i=0;i<n;i+=k)
			for(int j=i;j<i+(k>>1);j++)
				a[j]=(a[j]+a[j+(k>>1)])%MOD;
}
inline void IFWTAND(int*a,int n){
	for(int k=n;k>1;k>>=1)
		for(int i=0;i<n;i+=k)
			for(int j=i;j<i+(k>>1);j++)
				a[j]=(a[j]-a[j+(k>>1)]+MOD)%MOD;
}

按位异或卷积

$C_x=\sum_{i\bigoplus j=x}A_i\cdot B_j$ （ $\bigoplus$ 是按位异或），求C数组。

这个就不好搞了，一般人很难想出来，但是沃尔什大佬不一样，他想出了如下变换：

$FWT(A)_i=\sum_{d(j\bigcap i)=0}A_j-\sum_{d(j\bigcap i)=1}A_j$ ，其中 $d(x)$ 表示x的二进制中1的个数取模2，也就是1的个数的奇偶性，

这个公式要倒着证：

$FWT(A)_i\cdot FWT(B)_i=(\sum_{d(j\bigcap i)=0}A_j-\sum_{d(j\bigcap i)=1}A_j)\cdot (\sum_{d(j\bigcap i)=0}B_j-\sum_{d(j\bigcap i)=1}B_j)$

观察上式，发现结构是00+11-01-10，而0^0=1^1=0，0^1=1^0=1；

然后有个结论： $d((x\bigoplus y)\bigcap i)=d(x\bigcap i)\bigoplus d(y\bigcap i)$

所以原式可以继续变换：

$=\sum_{d(x\bigoplus y\bigcap i)=0}A_x\cdot B_y-\sum_{d(x\bigoplus y\bigcap i)=1}A_x\cdot B_y$

$=\sum_{d(j\bigcap i)=0}C_j-\sum_{d(j\bigcap i)=1}C_j=FWT(C)_i$

至此，我们发现它满足了沃尔什变换的性质😮！

第二步，用分治优化它，

我们故技重施，把A分成前一半A0和后一半A1；

已知任给 $i,j<\frac{n}{2}$ ， $n=2^m$ ，有 $d(i\bigcap j)=d(i\bigcap (j+\frac{n}{2}))=d((i+\frac{n}{2})\bigcap j)=d((i+\frac{n}{2})\bigcap (j+\frac{n}{2}))\bigoplus 1$

所以容易得到： $FWT(A)_i=FWT(A0)_i+FWT(A1)_i$ ， $FWT(A)_{i+\frac{n}{2}}=FWT(A0)_i-FWT(A1)_i$

逆推式： $FWT(A0)_i=\frac{FWT(A)_i+FWT(A)_{i+\frac{n}{2}} }{2}$ ， $FWT(A1)_i=\frac{FWT(A)_i-FWT(A)_{i+\frac{n}{2}} }{2}$

inline void FWTXOR(int*a,int n){
	for(int k=2;k<=n;k<<=1)
        for(int i=0;i<n;i+=k)
		    for(int j=i;j<i+(k>>1);j++)
			    a0=a[j],a1=a[j+(k>>1)],a[j]=(a0+a1)%MOD,a[j+(k>>1)]=(a0-a1+MOD)%MOD;
}
//此处应有个快速幂
inline void IFWTXOR(int*a,int n){
	ll in2=ksm(2,MOD-2,MOD),a0,a1;//in2为2的逆元
	for(int k=n;k>1;k>>=1)
        for(int i=0;i<n;i+=k)
		    for(int j=i;j<i+(k>>1);j++)
			    a0=a[j],a1=a[j+(k>>1)],a[j]=(a0+a1)%MOD*in2%MOD,a[j+(k>>1)]=(a0-a1+MOD)%MOD*in2%MOD;
}

一点性质/优化

一点很常用的性质：k的枚举顺序可以任意调换。

具体来说，每个代码（包括每个逆变换）循环的开头一行在“for(int k=2;k<=n;k<<=1)”和"for(int k=n;k>1;k>>=1)"之间互换，得到的数列完全相同。

笔者手打了好多草稿，发现这个性质单用FWT的思想真的不方便证，就只好举个例子感性说明一下：

给定数组A：

A: a        b        c        d

进行一次FWTXOR变换，k从小到大：

A: a        b        c        d
↓
A: a+b      a-b      c+d      c-d
↓
A: a+b+c+d  a-b+c-d  a+b-c-d  a-b-c+d

k从大到小：

A: a        b        c        d
↓
A: a+c      b+d      a-c      b-d
↓
A: a+b+c+d  a-b+c-d  a+b-c-d  a-b-c+d

结果完全一样，OR变换和AND变换也一样。

读者们可以自行造数据测试，或者学学巨佬们推一下~~（我菜不行~~

有了这个性质，我们就可以统一正变换和逆变换的枚举顺序，然后把他们写在一个函数里：

//所有函数中传入inv=1表示正变换，-1表示逆变换
inline void FWTOR(int*a,int n,int inv){    //按位或
	for(int k=2;k<=n;k<<=1)//k的枚举从大到小和从小到大，结果是完全一样的
		for(int i=0;i<n;i+=k)
			for(int j=i;j<i+(k>>1);j++)
				a[j+(k>>1)]=(a[j+(k>>1)]+a[j]*inv+MOD)%MOD;
}
 
inline void FWTAND(int*a,int n,int inv){    //按位与
	for(int k=2;k<=n;k<<=1)
		for(int i=0;i<n;i+=k)
			for(int j=i;j<i+(k>>1);j++)
				a[j]=(a[j]+a[j+(k>>1)]*inv+MOD)%MOD;
}
 
//此处应有个快速幂
inline void FWTXOR(int*a,int n,int inv){    //异或
	int in2=inv>0?1:ksm(2,MOD-2,MOD),a0,a1;
	for(int k=2;k<=n;k<<=1)
        for(int i=0;i<n;i+=k)
		    for(int j=i;j<i+(k>>1);j++)
			    a0=a[j],a1=a[j+(k>>1)],a[j]=(a0+a1)%MOD*in2%MOD,a[j+(k>>1)]=(a0-a1+MOD)%MOD*in2%MOD;
}

然后，据某位对计算机原理了如指掌的专业人士说，一般k的枚举顺序从大到小可以比从小到大枚举快几百毫秒😦（某常数大师直呼**，效果我还没试过，读者感兴趣的可以试一试

快速莫比乌斯变换(FMT)

这个变换用处不是很大，几乎就只有代替FWTOR和FWTAND的功能，它的原理是基于DP。

莫比乌斯变换本来有很严谨的定义（好像和什么集合幂级数有关），但是这里我们只根据它的实际用处通俗地讲。

笔者看到有的博客里说FWTOR和FWTAND的本质是FMT，这其实是在众多博客的混淆下搞错了，它们推导原理都不同（分治和DP）

~~（也有可能是我搞错了，反正我看到的博客中一半支持其本质FMT，一半又持不同观点，教练看了代码也没说什么）~~

按位或FMT

$FMT(A)_i=\sum_{j\bigcap i=j}A_j$ ，和沃尔什变换的按位或除了优化方法之外完全一样，

它的优化方法是设 $dp(i,j)$ 表示 x 在二进制第 i 位以后部分和 j 一样、第 i 位以前部分和 j 进行按位与后等于 x 的 $A_x$ 的和，

则显然有

并且（设数组长度 $n=2^m$ ） $FMT(A)_i=dp(m+1,i)$ ， $dp(0,i)=A_i$

所以调整枚举顺序，把第一个下标省略后，再在原数组上进行DP，就得到该变换的完整过程：

inline void FMTOR(int*a,int n){
	for(int k=1;k<n;k<<=1)
		for(int i=0;i<n;i++)
			if(~i&k)a[i|k]=(a[i|k]+a[i])%MOD;
}

如何进行逆变换呢？

反过来，我们设 $dp'(i,j)$ 表示 x 在二进制第 i 位以前部分和 j 一样、第 i 位以后部分和 j 进行按位与后等于 x 的 $A_x$ 的和，

则可以得到

设数组长度 $n=2^m$ ，有 $A_i=dp'(m+1,i)$ ， $dp'(0,i)=FMT(A)_i$

一样地省略第一个下标，得到逆变换：

inline void IFMTOR(int*a,int n){
	for(int k=1;k<n;k<<=1)
		for(int i=0;i<n;i++)
			if(~i&k)a[i|k]=(a[i|k]-a[i]+MOD)%MOD;
}

正变换和逆变换只有一个加减号的区别，所以可以合并为一个函数：

inline void FMTOR(int*a,int n,int inv){
	for(int k=1;k<n;k<<=1)
		for(int i=0;i<n;i++)
			if(~i&k)a[i|k]=(a[i|k]+a[i]*inv+MOD)%MOD;
}

这一般比FWT常数小，而且好打

按位与FMT

$FMT(A)_i=\sum_{j\bigcap i=i}A_j$ ，也和沃尔什变换是一样的定义，DP式子和按位或有一点区别：

设 $dp(i,j)$ 表示 x 在二进制第 i 位以后部分和 j 一样、第 i 位以前部分和 j 进行按位与后等于 x 的 $A_x$ 的和，

逆变换式子 $dp'(i,j)$ 表示 x 在二进制第 i 位以前部分和 j 一样、第 i 位以后部分和 j 进行按位与后等于 x 的 $A_x$ 的和，

一样的省去第一个下标，只不过枚举顺序反过来，从n-1到0：

inline void FMTAND(int*a,int n,int inv){//正变换和逆变换
	for(int k=1;k<n;k<<=1)
		for(int i=n-1;i>=0;i--)
			if(i&k)a[i^k]=(a[i^k]+a[i]*inv+MOD)%MOD;
}

两者比较

FWT和FMT时间复杂度一样，都是 $O(nlog_2n)$ ，几乎没有额外空间。

此文章之前的版本说莫比乌斯变换无法解决按位异或，那其实是笔误，

其实细心的读者可以发现，FWT和FMT在程序运行过程中每一步对数组A干的事情是完全一样的，仅仅是代码长得不一样。为什么不一样？因为思路不同。

从代码角度看，FWT就是FMT，FMT就是FWT，思想不同但是走到了同一条路上（难怪总有人把它们搞混），

由于在推DP的过程中，我们发现完全可以定义一个枚举顺序和正变换一样的DP来达到逆变换，而FWT和FMT本质上操作是一样的，所以终于可以解释为什么FWT的枚举顺序也可以任意倒了。

由上面的发现，我们甚至可以强行把FWTXOR打成长得像FMT的样子：

inline void FMTXOR(int*a,int n,int inv){
	int in2=inv>0?1:ksm(2,MOD-2,MOD),a0,a1;
	for(int k=1;k<n;k<<=1)
        for(int i=0;i<n;i++)
		    if(~i&k)a0=a[i],a1=a[i|k],a[i]=(a0+a1)%MOD*in2%MOD,a[i|k]=(a0-a1+MOD)%MOD*in2%MOD;
}

这么说来，按位异或变换也应该有个DP式子，但是叫不叫莫比乌斯变换就不清楚了。

另外，由于DP打法的灵活性，FMT能更方便地解决n不是2的次幂的情况，只需再加个特判。

偶耶XJX

关注

2
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
浅谈快速沃尔什变换(FWT)&快速莫比乌斯变换(FMT)

快速沃尔什变换(FWT)，顾名思义，这是一种对数组的变换，而且和FFT是基本思想相同。快速莫比乌斯变换(FMT)，代码用处不是很大，几乎就只有代替FWT按位或和FWT按位与的功能，它的原理是基于DP。
复制链接

扫一扫