快速沃尔什变换(FWT)

1前言

在之前学完了FFT稍微码了一些题、也学习了一下NTT相关的知识之后，我觉得有必要学习一下FWT，这篇博客就是阐述我对FWT的理解的

2介绍

2.1解决的问题

对于FFT，它的过程本质上是$$c_n=\sum _{i+j=n}{a}_i\ast b_j$$
然后考虑一下那个$i+j=n$的情况，如果换个符号，比如$i-j=n$，那么想必你也会做，只要把B翻转就好了
在NTT的题中，其实$i\ast j=n(\mathrm{m}\mathrm{o}\mathrm{d}p)$，在p有原根的时候也可以做，直接把i位置的数换到${\log }_{原根}i$，然后再做NTT，最后弄回来就好了（update:对怎么样的数有原根、对原根的性质有不理解的可以看我的博客原根哦）
那么对于$i|j=n$、$i\&j=n$、$i\oplus j=n$的情况怎么办？
可以用FWT来解决
这篇文章中用到的只是快速沃尔什变换（FWT）的一个特殊情况，有兴趣可以去网上搜一搜广义的快速沃尔什是干什么的

2.2文章中有可能用到的符号&特殊说明

首先，这篇博客中提到的n(多项式的项数)如无特殊说明都是2的幂次，方便处理，如果不为2的幂次，可以在高次加0系数
然后，对于一些公式，你可能会觉得比较长，其实只是因为我列的项数比较多导致的，你可以只看第一项来看懂我在推什么

---

对于一个一般的多项式$$f(x)=a_0{x}^0+a_1{x}^1+\cdot \cdot \cdot +a_{n-1}{x}^{n-1}$$
将其表示为$$(a_0,a_1,a_2\cdot \cdot \cdot a_{n-1})$$

---

定义多项式加法
$$\begin{array}{rl}C(x)& =A(x)+B(x)\\ & =(a_0,a_1,a_2\cdot \cdot \cdot a_{n-1})+(b_0,b_1,b_2\cdot \cdot \cdot b_{n-1})\\ & =(a_0+b_0,a_1+b_1,a_2+b_2\cdot \cdot \cdot a_{n-1}+b_{n-1})\end{array}$$

---

多项式的减法把符号变成减号
$$\begin{array}{rl}C(x)& =A(x)-B(x)\\ & =(a_0,a_1,a_2\cdot \cdot \cdot a_{n-1})-(b_0,b_1,b_2\cdot \cdot \cdot b_{n-1})\\ & =(a_0-b_0,a_1-b_1,a_2-b_2\cdot \cdot \cdot a_{n-1}-b_{n-1})\end{array}$$

---

多项式的对应系数相乘乘法（区别于那个FFT做的卷积的乘法）
$$\begin{array}{rl}C(x)& =A(x)\ast B(x)\\ & =(a_0,a_1,a_2\cdot \cdot \cdot a_{n-1})\ast (b_0,b_1,b_2\cdot \cdot \cdot b_{n-1})\\ & =(a_0\ast b_0,a_1\ast b_1,a_2\ast b_2\cdot \cdot \cdot a_{n-1}\ast b_{n-1})\end{array}$$

---

对于多项式的一个操作 @ ( @ ∈ { ∣ ( 或 ) , & ( 与 ) , ⊕ ( 异 或 ) } ) @(@ \in \left\{ |(或),\&(与),\oplus(异或) \right\}) @(@∈{∣(或),&(与),⊕(异或)})，请看清楚，这里的是卷积，FFT做的多项式乘法相当于这里的符号用“+”，然而多项式的“+”已经被定义过了，前面的系数相乘乘法事实上不应该用那个符号，所以没有列出
$$\begin{array}{rl}C(x)& =A(x)@B(x)\\ & =(a_0,a_1,a_2\cdot \cdot \cdot a_{n-1})@(b_0,b_1,b_2\cdot \cdot \cdot b_{n-1})\\ & =(\sum _{i@j=0}{a}_i\ast b_j,\sum _{i@j=1}{a}_i\ast b_j,\sum _{i@j=2}{a}_i\ast b_j\cdot \cdot \cdot \sum _{i@j=n-1}{a}_i\ast b_j)\end{array}$$
特殊的，这里的$@$运算具有分配律，即$(A+B)@C=A@C+B@C$，至于证明也非常方便：
$$\begin{array}{rl}\sum _{i@j=x}(a_i+b_i)\ast c_j& =\sum _{i@j=x}(a_i\ast c_j+b_i\ast c_j)\\ & =\sum _{i@j=x}{a}_i\ast c_j+\sum _{i@j=x}{b}_i\ast c_j\end{array}$$

---

另外对于一个多项式$A$，设$n=2^k$，定义$A_0$为$A$的前$2^{k-1}$个系数、定义$A_1$为$A$的后$2^{k-1}$个系数
定义运算$A=(B,C)$表示B这个多项式后面接上C等于A
用字母表示大概意思是：
$$\begin{array}{rl}(A,B)& =((a_0,a_1,a_2\cdot \cdot \cdot a_{x-1}),(b_0,b_1,b_2\cdot \cdot \cdot b_{y-1}))\\ & =(a_0,a_1,a_2\cdot \cdot \cdot a_{x-1},b_0,b_1,b_2\cdot \cdot \cdot b_{y-1})\end{array}$$

2.3FWT的大致思路

假设我们现在有两个多项式$A$、$B$以及一个位运算符$@$，思路和FFT相似，先求出某个多项式$FWT(A)$和$FWT(B)$，然后对应相乘得到多项式$FWT(C)$，最后进行$IFWT$，得出结果$C$

3实现

update：这里的前两个(and/or)更严格意义上来说是FMT，本篇博客提供FMT本身的相关内容，另一篇博客提供FMT的更多小应用

3.1or运算（本质FMT）

3.1.1构造

先来讲or运算吧
现在要求的是：$$c_n=\sum _{i|j=n}{a}_i{b}_j$$
定义FWT(A)：
$$\begin{array}{r}FWT(A)=(\sum _{i|0=0}{a}_i,\sum _{i|1=1}{a}_i,\sum _{i|2=2}{a}_i\cdot \cdot \cdot \sum _{i|(n-1)=(n-1)}{a}_i)\end{array}$$
容易发现一件事：$FWT(A|B)=FWT(A)\ast FWT(B)$
证明：
$$\begin{array}{rl}FWT(A)\ast FWT(B)& =(\sum _{i|0=0}{a}_i,\sum _{i|1=1}{a}_i,\sum _{i|2=2}{a}_i\cdot \cdot \cdot \sum _{i|(n-1)=(n-1)}{a}_i)\ast (\sum _{i|0=0}{b}_i,\sum _{i|1=1}{b}_i,\sum _{i|2=2}{b}_i\cdot \cdot \cdot \sum _{i|(n-1)=(n-1)}{b}_i)\\ & =((\sum _{i|0=0}{a}_i)\ast (\sum _{j|0=0}{b}_j),(\sum _{i|1=1}{a}_i)\ast (\sum _{j|1=1}{b}_j),(\sum _{i|2=2}{a}_i)\ast (\sum _{j|2=2}{b}_j)\cdot \cdot \cdot (\sum _{i|(n-1)=(n-1)}{a}_i)\ast (\sum _{j|(n-1)=(n-1)}{b}_j))\\ & =(\sum _{i|j|0=0}{a}_i\ast b_j,\sum _{i|j|1=1}{a}_i\ast b_j,\sum _{i|j|2=2}{a}_i\ast b_j\cdot \cdot \cdot \sum _{i|j|(n-1)=(n-1)}{a}_i\ast b_j)\\ & =(\sum _{k|0=0}\sum _{i|j=k}{a}_i\ast b_j,\sum _{k|1=1}\sum _{i|j=k}{a}_i\ast b_j,\sum _{k|2=2}\sum _{i|j=k}{a}_i\ast b_j\cdot \cdot \cdot \sum _{k|(n-1)=(n-1)}\sum _{i|j=k}{a}_i\ast b_j)\\ & =FWT(A|B)\end{array}$$
当然这个的证明还有其它的很多方法，我觉得我的这个证明还是比较清楚的
也就是说，现在：

• 问题一：
  已知一个多项式A，求FWT(A)
  即FWT
• 问题二：
  已知FWT(A)，求A
  即IFWT

---

解决这两个问题，我们就能够：

• 已知A,B
• FWT，求出FWT(A),FWT(B)
• 对应系数相乘，求出FWT(A|B)
• IFWT，求出A|B

3.1.2计算

我们可以递归定义
$$FWT(A)=\{\begin{array}{l}(FWT(A_0),FWT(A_0+A_1))(n̸=1)\\ A(n=1)\end{array}$$
这么定义的原因：因为$A_0$的编号的最高位都是0，$A_1$的编号与$A_0$的编号的最高位变成1的结果一一对应，因为是or运算，所以$A_0$能到$A_1$里一一对应的贡献
然后考虑$IFWT$（定义$IFWT(FWT(A))=A$），由于$FWT(A+B)=FWT(A)+FWT(B)$(这个证明不用说了吧，看我的定义，这个相当于乘法分配律拆一下就好了)，可以列出$IFWT$的式子，推导：
已知$FWT(A{)}_0$、$FWT(A{)}_1$，求$A_0$、$A_1$
$$\begin{gathered} \because FWT(A{)}_0=FWT(A_0) \\ \therefore A_0=IDFT(FWT(A_0))=IDFT(FWT(A{)}_0) \\ \because FWT(A{)}_1=FWT(A_0)+FWT(A_1) \\ \therefore A_1=IDFT(FWT(A_1))=IDFT(FWT(A{)}_1-FWT(A{)}_0) \end{gathered}$$

---

总结：
$$IFWT(A)=\{\begin{array}{l}(IFWT(A_0),IFWT(A_1-A_0))(n̸=1)\\ A(n=1)\end{array}$$
然后就可以写代码了（代码和FFT有点像）

inline void FWT(LL*A,const int fla)
{
    for(rg int i=1;i<lenth;i<<=1)
        for(rg int j=0;j<lenth;j+=(i<<1))
            for(rg int k=0;k<i;k++)
                A[j+k+i]+=A[j+k]*fla;
}

然后or运算的FWT就没了

3.2and运算（本质FMT）

3.2.1构造

and其实和or差的不多
现在要求的是：$$c_n=\sum _{i\&j=n}{a}_i{b}_j$$
同样定义FWT(A)：
$$\begin{array}{r}FWT(A)=(\sum _{i\&0=0}{a}_i,\sum _{i\&1=1}{a}_i,\sum _{i\&2=2}{a}_i\cdot \cdot \cdot \sum _{i\&(n-1)=(n-1)}{a}_i)\end{array}$$
同样的：$FWT(A\&B)=FWT(A)\ast FWT(B)$
证明：
$$\begin{array}{rl}FWT(A)\ast FWT(B)& =(\sum _{i\&0=0}{a}_i,\sum _{i\&1=1}{a}_i,\sum _{i\&2=2}{a}_i\cdot \cdot \cdot \sum _{i\&(n-1)=(n-1)}{a}_i)\ast (\sum _{i\&0=0}{b}_i,\sum _{i\&1=1}{b}_i,\sum _{i\&2=2}{b}_i\cdot \cdot \cdot \sum _{i\&(n-1)=(n-1)}{b}_i)\\ & =((\sum _{i\&0=0}{a}_i)\ast (\sum _{j\&0=0}{b}_j),(\sum _{i\&1=1}{a}_i)\ast (\sum _{j\&1=1}{b}_j),(\sum _{i\&2=2}{a}_i)\ast (\sum _{j\&2=2}{b}_j)\cdot \cdot \cdot (\sum _{i\&(n-1)=(n-1)}{a}_i)\ast (\sum _{j\&(n-1)=(n-1)}{b}_j))\\ & =(\sum _{i\&j\&0=0}{a}_i\ast b_j,\sum _{i\&j\&1=1}{a}_i\ast b_j,\sum _{i\&j\&2=2}{a}_i\ast b_j\cdot \cdot \cdot \sum _{i\&j\&(n-1)=(n-1)}{a}_i\ast b_j)\\ & =(\sum _{k\&0=0}\sum _{i\&j=k}{a}_i\ast b_j,\sum _{k\&1=1}\sum _{i\&j=k}{a}_i\ast b_j,\sum _{k\&2=2}\sum _{i\&j=k}{a}_i\ast b_j\cdot \cdot \cdot \sum _{k\&(n-1)=(n-1)}\sum _{i\&j=k}{a}_i\ast b_j)\\ & =FWT(A\&B)\end{array}$$
然后没啦

3.2.2计算

我们一样可以递归定义
$$FWT(A)=\{\begin{array}{l}(FWT(A_0+A_1),FWT(A_1))(n̸=1)\\ A(n=1)\end{array}$$
这么定义的原因（其实和or差不多）：因为$A_0$的编号的最高位都是0，$A_1$的编号与$A_0$的编号的最高位变成1的结果一一对应，因为是and运算，所以$A_1$能到$A_0$里一一对应的贡献
然后是$IFWT$,推导：
已知$FWT(A{)}_0$、$FWT(A{)}_1$，求$A_0$、$A_1$
$$\begin{gathered} \because FWT(A{)}_0=FWT(A_0)+FWT(A_1) \\ \therefore A_0=IDFT(FWT(A_0))=IDFT(FWT(A{)}_0-FWT(A{)}_1) \\ \because FWT(A{)}_1=FWT(A_1) \\ \therefore A_1=IDFT(FWT(A_1))=IDFT(FWT(A{)}_1) \end{gathered}$$

---

总结：
$$IFWT(A)=\{\begin{array}{l}(IFWT(A_0-A_1),IFWT(A_1))(n̸=1)\\ A(n=1)\end{array}$$
然后上代码

inline void FWT(LL*A,const int fla)
{
    for(rg int i=1;i<lenth;i<<=1)
        for(rg int j=0;j<lenth;j+=(i<<1))
            for(rg int k=0;k<i;k++)
                A[j+k]+=A[j+k+i]*fla;
}

完

3.3xor运算（本质FWT）

3.3.1构造

哦不，这是最烦的xor运算，我的思路在xor下是最烦的
现在要求的是：$$c_n=\sum _{i\oplus j=n}{a}_i{b}_j$$
也要定义FWT(A)，然而定义有一点烦：
update：这是新版本，比较清晰易懂：

符号说明：
$popcount(x)$等于x在二进制下1的数量，我在下面简写为$pc(x)$

$$FWT(A)=(\sum (-1{)}^{pc(i\&0)}{a}_i,\sum (-1{)}^{pc(i\&1)}{a}_i\cdot \cdot \cdot \sum (-1{)}^{pc(i\&(n-1))}{a}_i)$$
证明：$FWT(A\oplus B)=FWT(A)\ast FWT(B)$
$$\begin{array}{rl}FWT(A)\ast FWT(B)& =(\sum (-1{)}^{pc(i\&0)}{a}_i,\sum (-1{)}^{pc(i\&1)}{a}_i\cdot \cdot \cdot \sum (-1{)}^{pc(i\&(n-1))}{a}_i)\ast (\sum (-1{)}^{pc(i\&0)}{b}_i,\sum (-1{)}^{pc(i\&1)}{b}_i\cdot \cdot \cdot \sum (-1{)}^{pc(i\&(n-1))}{b}_i)\\ & =((\sum (-1{)}^{pc(i\&0)}{a}_i)\ast ((\sum (-1{)}^{pc(j\&0)}{b}_j)),(\sum (-1{)}^{pc(i\&1)}{a}_i)\ast (\sum (-1{)}^{pc(j\&1)}{b}_j)\cdot \cdot \cdot (\sum (-1{)}^{pc(i\&(n-1))}{a}_i)\ast (\sum (-1{)}^{pc(j\&(n-1))}{b}_j))\\ & =(\sum (-1{)}^{pc(i\oplus j\&0)}{a}_i\ast b_j,(\sum (-1{)}^{pc(i\oplus j\&1)}{a}_i\ast b_j\cdot \cdot \cdot (\sum (-1{)}^{pc(i\oplus j\&(n-1))}{a}_i\ast b_j)\\ & =(\sum (-1{)}^{pc(k\&0)}\sum _{i\oplus j=k}{a}_i\ast b_j,\sum (-1{)}^{pc(k\&1)}\sum _{i\oplus j=k}{a}_i\ast b_j\cdot \cdot \cdot \sum (-1{)}^{pc(k\&(n-1))}\sum _{i\oplus j=k}{a}_i\ast b_j)\\ & =FWT(A\oplus B)\end{array}$$

---

下面是老版本，是一个不太标准的形式，你可以直接跳到3.3.2

符号说明：
$popcount(x)$等于x在二进制下1的数量，我在下面简写为$pc(x)$
逻辑运算符a?b:c 代表若a为真，那么值为b，若为假，值为c

$$FWT(A)=(\sum pc(i\&0)mod2==0?a_i:-a_i,\sum pc(i\&1)mod2==0?a_i:-a_i,\sum pc(i\&2)mod2==0?a_i:-a_i\cdot \cdot \cdot \sum pc(i\&(n-1))mod2==0?a_i:-a_i)$$
不容易发现一件事：$FWT(A\oplus B)=FWT(A)\ast FWT(B)$
证明：
$$\begin{array}{rl}FWT(A)\ast FWT(B)& =(\sum pc(i\&0)mod2==0?a_i:-a_i,\sum pc(i\&1)mod2==0?a_i:-a_i,\sum pc(i\&2)mod2==0?a_i:-a_i\cdot \cdot \cdot \sum pc(i\&(n-1))mod2==0?a_i:-a_i)\ast (\sum pc(i\&0)mod2==0?b_i:-b_i,\sum pc(i\&1)mod2==0?b_i:-b_i,\sum pc(i\&2)mod2==0?b_i:-b_i\cdot \cdot \cdot \sum pc(i\&(n-1))mod2==0?b_i:-b_i)\\ & =((\sum pc(i\&0)mod2==0?a_i:-a_i)\ast (\sum pc(j\&0)mod2==0?b_j:-b_j),(\sum pc(i\&1)mod2==0?a_i:-a_i)\ast (\sum pc(j\&1)mod2==0?b_j:-b_j),(\sum pc(i\&2)mod2==0?a_i:-a_i)\ast (\sum pc(j\&2)mod2==0?b_j:-b_j)\cdot \cdot \cdot (\sum pc(i\&(n-1))mod2==0?a_i:-a_i)\ast (\sum pc(j\&(n-1))mod2==0?b_j:-b_j))\\ & =(\sum pc((i\oplus j)\&0)mod2==0?a_i\ast b_j:-a_i\ast b_j,\sum pc((i\oplus j)\&1)mod2==0?a_i\ast b_j:-a_i\ast b_j,\sum pc((i\oplus j)\&2)mod2==0?a_i\ast b_j:-a_i\ast b_j\cdot \cdot \cdot \sum pc((i\oplus j)\&(n-1))mod2==0?a_i\ast b_j:-a_i\ast b_j)\\ & =(\sum pc(k\&0)mod2==0?\sum _{i\oplus j=k}{a}_i\ast b_j:-\sum _{i\oplus j=k}{a}_i\ast b_j,\sum pc(k\&1)mod2==0?\sum _{i\oplus j=k}{a}_i\ast b_j:-\sum _{i\oplus j=k}{a}_i\ast b_j,\sum pc(k\&2)mod2==0?\sum _{i\oplus j=k}{a}_i\ast b_j:-\sum _{i\oplus j=k}{a}_i\ast b_j\cdot \cdot \cdot \sum pc(k\&(n-1))mod2==0?\sum _{i\oplus j=k}{a}_i\ast b_j:-\sum _{i\oplus j=k}{a}_i\ast b_j)\\ & =FWT(A\oplus B)\end{array}$$
这个证明写的我累死了

---

证完就好了

3.3.2计算

定义
$$FWT(A)=\{\begin{array}{l}(FWT(A_0+A_1),FWT(A_0-A_1))(n̸=1)\\ A(n=1)\end{array}$$
我觉得FWT的脑洞真大，为啥这样就好了呢
就让我来解释一下吧
前提条件一样$FWT(A+B)=FWT(A)+FWT(B)$，通过这个把式子拆开
考虑当前二进制最高位，前$2^{k-1}$项的位置最高位都为0，所以and最高位之后一定不会是1所以$A_0$和$A_1$的贡献都是原符号，由于后$2^{k-1}$项的位置最高位都为1，所以$A_0$的贡献都是原符号，$A_1$的贡献符号反号
那么IFWT呢？
推导：
已知$FWT(A{)}_0$、$FWT(A{)}_1$，求$A_0$、$A_1$
$$\begin{gathered} \because FWT(A{)}_0=FWT(A_0)+FWT(A_1)，FWT(A{)}_1=FWT(A_0)-FWT(A_1) \\ \therefore A_0=IDFT(FWT(A_0))=IDFT(\frac{FWT(A{)}_0+FWT(A{)}_1}{2})，A_1=IDFT(FWT(A_1))=IDFT(\frac{FWT(A{)}_0-FWT(A{)}_1}{2}) \end{gathered}$$

---

总结：
$$IFWT(A)=\{\begin{array}{l}(\frac{IFWT(A_0)+IFWT(A_1)}{2},\frac{IFWT(A_0)-IFWT(A_1)}{2})(n̸=1)\\ A(n=1)\end{array}$$

代码

inline void FWT(LL*A,const int fla)
{
    for(rg int i=1;i<lenth;i<<=1)
        for(rg int j=0;j<lenth;j+=(i<<1))
            for(rg int k=0;k<i;k++)
            {
                const int x=A[j+k],y=A[j+k+i];
                A[j+k]=x+y;
                A[j+k+i]=x-y;
                if(fla==-1)A[j+k]/=2,A[j+k+i]/=2;
            }
}

然后好像还有个优化，在一定条件下可以使用，就是把除法留到最后除，代码：

inline void FWT(LL*A,const int fla)
{
    for(rg int i=1;i<lenth;i<<=1)
        for(rg int j=0;j<lenth;j+=(i<<1))
            for(rg int k=0;k<i;k++)
            {
                const int x=A[j+k],y=A[j+k+i];
                A[j+k]=x+y;
                A[j+k+i]=x-y;
            }
    if(fla==-1)
        for(rg int i=0;i<lenth;i++)
            A[i]/=lenth;
}

这就是xor的FWT啦

4总结

这个FWT写了好久，终于完结了，其实FWT本身代码并不长，关键在于理解。FWT用到的地方没FFT多，但依然值得学一下，拓宽思路
相关的题？
例题1(by update)： NowCoder 295-H
题意，给出n个数（$n\le 500000，a_i\le 500000$），要求选出最少的数使异或值为所有数的异或值
解法，用0/1代表x值是否能取到，使用FWT异或卷积，容易发现最多做log次，每一次推复杂度$O(n)$，做IDFT时由于只要求一个值，所以复杂度$O(n)$，总复杂度$O(nlogn)$
代码：

#include<cstdio>
#include<cctype>
#include<algorithm>
#define rg register
typedef long long LL;
template <typename T> inline T max(const T a,const T b){return a>b?a:b;}
template <typename T> inline T min(const T a,const T b){return a<b?a:b;}
template <typename T> inline void mind(T&a,const T b){a=a<b?a:b;}
template <typename T> inline void maxd(T&a,const T b){a=a>b?a:b;}
template <typename T> inline T abs(const T a){return a>0?a:-a;}
template <typename T> inline void swap(T&a,T&b){T c=a;a=b;b=c;}
template <typename T> inline T gcd(const T a,const T b){if(!b)return a;return gcd(b,a%b);}
template <typename T> inline T lcm(const T a,const T b){return a/gcd(a,b)*b;}
template <typename T> inline T square(const T x){return x*x;};
template <typename T> inline void read(T&x)
{
    char cu=getchar();x=0;bool fla=0;
    while(!isdigit(cu)){if(cu=='-')fla=1;cu=getchar();}
    while(isdigit(cu))x=x*10+cu-'0',cu=getchar();
    if(fla)x=-x;
}
template <typename T> inline void printe(const T x)
{
    if(x>=10)printe(x/10);
    putchar(x%10+'0');
}
template <typename T> inline void print(const T x)
{
    if(x<0)putchar('-'),printe(-x);
    else printe(x);
}
const int mod=998244353,lenth=524288;
int n,a[lenth],pc[lenth],val,f[lenth];
inline void FWT(int *A)
{
	for(rg int i=1;i<lenth;i<<=1)
		for(rg int j=0;j<lenth;j+=i<<1)
			for(rg int k=0;k<i;k++)
			{
				const int x=A[j+k],y=A[j+k+i];
				A[j+k]=(x+y)%mod;
				A[j+k+i]=(x+mod-y)%mod;
			}
}
int main()
{
	read(n);
	for(rg int i=1,x;i<=n;i++)read(x),a[i]=1,val^=x;
	a[0]=1;
	FWT(a);
	for(rg int i=1;i<lenth;i++)pc[i]=pc[i^(i&-i)]+1;
	for(rg int i=0;i<lenth;i++)f[i]=1;
	for(rg int tim=0;tim<=19;tim++)
	{
		LL calc=0;
		for(rg int i=0;i<lenth;i++)calc+=(pc[i&val]&1)?-f[i]:f[i];
		calc%=mod;
		if(calc)
		{
			print(n-tim);
			return 0;
		}
		for(rg int i=0;i<lenth;i++)f[i]=(LL)f[i]*a[i]%mod;
	}
	return 0;
}

例题2(by update)：
我的博客：CF 453 D
撒花结束！
由于写这篇博客写的匆忙，并且很多东西是自己推的，所以如果发现有误请及时提醒我哦