线性基（不得不填坑orz）

参见原文

$a_i$表示一个标量，而$\mathbf{a}_i$表示一个向量

概述

基（basis）是线性代数中的一个概念，ta是描述刻画向量空间的基本工具
而在现行的 OI 题目中，通常在利用基在异或空间中的一些特殊性质来解决题目，而这一类题目所涉及的知识点被称作「线性基」

预备知识

下面是一些线性代数的基本知识，以便更好的理解基的概念

向量空间（vector space）

定义 $(F, V, +, \cdot)$ 为向量空间（vector space），其中$F$为域，$V$为集合，$V$中元素称为向量，$+$为向量加法，$\cdot$为标量乘法，且运算满足8条公理

线性无关（linearly independent）

对于向量空间中$V$上$n$个元素的向量组$(\mathbf{v}_1, \ldots, \mathbf{v}_n)$，若存在不全为$0$的数$a_i \in F$，满足
$a_{1}\mathbf {v} _{1}+a_{2}\mathbf {v} _{2}+\ldots +a_{n}\mathbf {v} _{n}= 0$
则称这$n$个向量线性相关（linearly dependent），否则称为线性无关（linearly independent）

线性组合（linear combination）

对于向量空间中V上n个元素的向量组$(\mathbf{v}_1, \ldots, \mathbf{v}_n)$，其线性组合（linear combination）是如下形式的向量
$a_{1}\mathbf{v}_{1} + a_{2}\mathbf {v} _{2}+\ldots +a_{n}\mathbf {v} _{n}$
其中$a_1, \ldots, a_n \in F$
一组向量线性无关$\Leftrightarrow$没有向量可用有限个其他向量的线性组合所表示

张成（span）

对于向量空间中$V$上$n$个元素的向量组$(\mathbf{v}_1, \ldots, \mathbf{v}_n)$，其所有线性组合所构成的集合称为 $(\mathbf{v}_1, \ldots, \mathbf{v}_n)$的张成（span），记为 $\mathrm{span}(\mathbf{v}_1, \ldots, \mathbf{v}_n)$

基（basis）

若向量空间$V$中向量组$\mathfrak {B}$既是线性无关的又可以张成$V$，则称其为$V$的基（basis）

$\mathfrak {B}$中的元素称为基向量
如果基中元素个数有限，就称向量空间为有限维向量空间，将元素的个数称作向量空间的维数

性质

设$\mathfrak {B}$是向量空间$V$的基。则$\mathfrak {B}$具有以下性质：

• $V$是$\mathfrak {B}$的极小生成集，就是说只有$\mathfrak {B}$能张成$V$，而它的任何真子集都不张成全部的向量空间
• $\mathfrak {B}$是$V$中线性无关向量的极大集合，就是说$\mathfrak {B}$在$V$中是线性无关集合，而且$V$中没有其他线性无关集合包含它作为真子集
• $V$中所有的向量都可以按唯一的方式表达为$\mathfrak {B}$中向量的线性组合

太学术看不懂？简而言之就是一个空间的基底，空间中任意向量在该基底下都有唯一表示方法

第三点尤其重要，感性的理解，基就是向量空间中的一个子集，它可以通过唯一的线性组合，来张成向量空间中所有的向量，这样就可以大大的缩小我们向量空间的大小

线性相关性引理（Linear Dependent Lemma）

如果$(\mathbf{v}_1, \ldots, \mathbf{v}_n)$在$V$中是线性相关的，并且$\mathbf{v}_1 \neq 0$，则有至少一个$j \in \{2, \ldots, m\}$使得下列成立：

• $\mathbf{v}_j \in \mathrm{span}(\mathbf{v}_1, \ldots, \mathbf{v}_{j - 1})$
• 如果从$(\mathbf{v}_1, \ldots, \mathbf{v}_n)$去掉第$j$项，则剩余向量组的张成仍然等于$\mathrm{span}(\mathbf{v}_1, \ldots, \mathbf{v_n})$

证明
设$(\mathbf{v}_1, \ldots, \mathbf{v}_n)$在$V$中是线性相关的，并且$\mathbf{v}_1 \neq \mathbf{0}$，则有不全为$0$的$a_1, \ldots, a_n \in F$，使得

$a_1\mathbf{v}_1 + \ldots + a_m\mathbf{v}_m = \mathbf{0}$

$a_2, a_3, \ldots, a_n$​​不会全为$0$（因为$\mathbf{v}_1 \neq \mathbf{0}$）
设$j$是$\{2, \ldots, m\}{2,…,m}$中使得$a_j \neq 0$的最大者，那么

$\mathbf{v}_j = -\frac {a_1} {a_j}\mathbf{v}_1 - \ldots - \frac {a_{j - 1}} {a_j}\mathbf{v}_{j - 1}$

这就有$(1)$成立。

为了证明$(2)$，设$\mathbf{u} \in \mathrm{span}(\mathbf{v}_1, \ldots, \mathbf{v}_n)$，则存在$c_1, \ldots, c_n \in F$，使得

$\mathbf{u} = c_1\mathbf{v}_1 + \ldots + c_n\mathbf{v}_n$
​​
在上面的等式中，可以用之前的等式右边来代替$\mathbf{v}_j$。这样$\mathbf{u}$包含于从$(\mathbf{v}_0, \ldots, \mathbf{v}_n)$去掉第$j$项的张成，因而$(2)$成立。

dada的blog都是天书，语言比较学术，需要多读几遍
上述知识帮助我们维护出了一个线性基的直观认识（空间中）
所谓基，就一定满足一个“必要性”，不能互相代替，缺一不可，
同时又有一定的“全面性”，用基可以推出整个世界

OI 中的线性基

异或运算下的基

求法

对于数$a_0, a_1, \ldots, a_n$​​ ，将$a_i$的二进制表示 $(b_{m}\ldots b_0)_2$看作一个向量$\mathbf{a}_i = (b_m, \ldots, b_0)$，为了叙述上的方便，下文称向量$\mathbf{a}_i$的第$j$位为$b_j$

向量组$\mathbf{a}_1, \ldots, \mathbf{a}_n$可以张成一个向量集合$\mathrm{span}(\mathbf{a}_1, \ldots, \mathbf{a}_n)$，加上我们的异或运算和乘法运算（显然满足 8 条公理），即可形成一个向量空间$V=(\{0, 1\}, \mathrm{span}(\mathbf{a}_1, \ldots, \mathbf{a}_n), \oplus, \cdot)$

我们考虑求出向量空间$V$的一个基$\mathfrak{B}$，从 $\mathfrak{B} = (\mathbf{a}_1, \ldots, \mathbf{a}_n)$开始

也就是说，我们现在有n个数字，异或和为X，
我们现在需要构造一个尽量小的集合，集合中的数字异或和也为X
这样两者效应是一样的
为了构造目标集合，我们就需要从原先的n个数字开始

第 1 步：如果$\mathbf{a}_1 = \mathbf{0}$，则从$\mathfrak{B}$中去掉$\mathbf{a_1}$，否则保持$\mathfrak{B}$不变
第 j 步：若$\mathbf{a}_j \in \mathrm{span}(\mathbf{a}_1, \ldots, \mathbf{a}_{j - 1})$，则从$\mathfrak{B}$中去掉 $\mathbf{a}_j$，否则保持$\mathfrak{B}$不变。

以上步骤充分体现了基的性质以及线性相关引理

经过$n$步后终止程序，得到一个向量组$\mathfrak{B}$
由于每一次去掉的向量包含于前面诸向量的张成，到最后这个组 $\mathfrak{B}$仍然可以张成$V$。而且这一程序确保$\mathfrak{B}$中的任何向量都不包含与它前面诸向量的张成，根据线性相关性引理可知$\mathfrak{B}$是线性无关的。于是 $\mathfrak{B}$是$V$的一个基。

利用高斯消元来判断向量能否被前面的向量张成，就可以写出下面的程序：
消法一般有两种，一种是直接消成上三角阵，一种是消成对角线阵
第一种跑得比较快，但第二种贪心起来比较简单，各有利弊

//三角阵
for (int i=1;i<=n;i++)
{
    int t=a[i];
    for (int j=30;j>=0;j--)
        if (t>>j&1)  //t的j位为1 
            if (!b[j])  
            {
                b[j]=t;  //j这位为1的基底 
                break;
            } 
            else  t^=b[j];
}

//对角线阵
void cal() {
    for (int i=1;i<=n;i++)
        for (int j=MAX_BASE;j>=0;j--)
            if (a[i]&(1<<j)) {
                if (b[j]) a[i]^=b[j];     
                else {
                    b[j]=a[i];           //第j位为1的基底  
                    for (int k=j-1;k>=0;k--)
                        if (b[k]&&(b[j]&(1<<k))) b[j]^=b[k];
                    for (int k=j+1;k<=MAX_BASE;k++)
                        if (b[k]&(1<<j)) b[k]^=b[j];
                    break;
                }
            }
}

这个程序实现的非常精妙，我们每次维护一个对角矩阵。
执行到第$i$步的时候，我们从高到低考虑数$a_i$为$1$的二进制位$j$，如果$j$这一行的对角线已经为$1$了，那么我们不能加入，同时为了保持上三角性质，需要将第$j$行的行向量异或到 $\mathbf{a}_i$；
如果$j$这一行的对角线为$0$，那么我们就可以将$\mathbf{a}_i$添加到这一行，同时为了维护一个对角矩阵，要先用下面的行消自己，再用自己消上面的行。

如果一个向量$\mathbf{a}_i$能被$\mathbf{a}_1, \ldots, \mathbf{a}_{i - 1}$张成，它不应添加进$\mathfrak{B}$，在高斯消元的过程中它必然是已经存在的行向量的线性组合，所以这个方程实际上是多余的，它最后一定会被异或为一个$\mathbf{0}$。反之如果向量$\mathbf{a}_i$不能被 $\mathbf{a}_1, \ldots, \mathbf{a}_{i - 1}$张成，那么它一定能找到某一个行添加进去。

其实上面这两段话也不是很难懂
就是舒老师说的：倒着枚举两遍，正着枚举一遍
代码中b数组记录的实际上就是：第j位是1的线性基

我们来模拟下这个过程，$n = 5, a = \{7, 1, 4, 3, 5\}$
一开始矩阵是这样的：

$$\begin{bmatrix} 0 & 0 & 0\\ 0 & 0 & 0\\ 0 & 0 & 0 \end{bmatrix}$$

$加入 7 = (111)_2$，矩阵变为：

$$\begin{bmatrix} 1 & 1 & 1\\ 0 & 0 & 0\\ 0 & 0 & 0 \end{bmatrix}$$

加入$1 = (001)_2$，添加到最后一行，同时为了维护对角矩阵，消去第一行的最低位，矩阵变为：

$$\begin{bmatrix} 1 & 1 & 0\\ 0 & 0 & 0\\ 0 & 0 & 1 \end{bmatrix}$$

加入$4 = (100)_2$ ，由于第一行已经有数了，它被异或为$(010)_2$​​ ，加入第二行，同时为了维护对角矩阵，消去第一行的第二位，矩阵变为：

$$\begin{bmatrix} 1 & 0 & 0\\ 0 & 1 & 0\\ 0 & 0 & 1 \end{bmatrix}$$

剩下的数都加不上了

这样所有被选上的$\mathbf{a}_i$构成一个向量空间$V$的一个基$\mathfrak{B}$。
同时我们知道高斯消元最后得到的矩阵$b$是$\mathfrak{B}$中的向量构成的矩阵进行若干初等行变换得到的矩阵，而任意初等行变换不会影响向量之间的线性无关性，且任意初等行变换过后，这些向量仍然能够张成原有的向量空间（不难证明）。所以，所有非$\mathbf{0}$的$\mathbf{b}_i$仍然构成向量空间$V$的一个基。

大家所称的「线性基」一般都指这个方式得到的基，因为这个基具有一个独特的性质，可以应用到 OI 题目中。所以我们一般谈论的线性基，特指高斯消元解出的对角矩阵的非零行构成的向量组。

性质

对于最后得到的矩阵，如果第$i$的主对角线上为$1$，此时我们称第$i$位存在于线性基中。对于存在于线性基的二进制位，有一个重要的性质：

对于任意存在于线性基的二进制位$i$，至多只有一个$\mathbf{b}_j$满足第$i$位为$1$。

证明：高斯消元的过程中，我们维护了一个对角矩阵，如果二进制位$i$存在于一个向量$\mathbf{b}_j$上，那么 $\mathbf{b}_j$它一定消去了别的向量第$i$位上的$1$，故二进制位$i$只存在于$\mathbf{b}_j$上。

自然，对于不在线性基中的二进制位$i$，那么第$i$行主对角线下方全为$0$，而主对角线上方就可能有若干个$1$。

得到线性基后我们怎么解决问题呢？

看一个例题：

给定$n(1\le n\le 100000)$ 个数$a_1, a_2, \ldots, a_n$​​ ，请问这些数能够组成的最大异或和是什么？

分析：
我们求出向量空间$V$的一组线性基。则答案就是将线性基中所有向量异或起来得到的向量所对应的数。

考虑用归纳法证明。
因为最高的二进制位只存在于最大的基向量上（用向量所代表的二进制数来比大小），所以最大的基向量肯定要选。接着假设前$i$大的都需要选，考虑第$i + 1$大的基向量选不选。
显然$i + 1$大的基向量能对异或和贡献它的最高的二进制位$j$，因为二进制位$j$在之前的异或和中必然为$0$（根据性质，$j$只存在于一个基向量中）。如果不选，之后所有数对答案的贡献都只能在小于这个二进制位的地方做贡献，总是比选$i+1$得到的答案小，所以这个数必须得选。

基本操作

存在性
查询x是否存于异或集合中
从高位到低位扫描x的为1的二进制位
扫描到第i位的时候x=x^ai
如果中途x变为了0，那么表示x存于线性基的异或集合中

最大值
从高位到低位扫描线性基
如果异或后可以使得答案变大，就异或到答案中去

最小值
最小值即为最低位上的线性基

k小值
根据重要性质：

对于任意存在于线性基的二进制位$i$，至多只有一个$\mathbf{b}_j$满足第$i$位为$1$

所以查询的时候将k二进制拆分，对于1的位，就异或上对应的线性基。
最终得出的答案就是k小值

总结

线性基的题型相对比较固定，看到下面的类型基本上都是线性基了：

• 最大异或和
• 第$k$大异或和/异或和是第几大
• 求所有异或值的和

线性基中的题目中还用到一个技巧：

任意一条$1$到$n$的路径的异或和，都可以由任意一条$1$到 n n <script type="math/tex" id="MathJax-Element-179">n</script>路径的异或和与图中的一些环的异或和来组合得到