FWT (快速沃尔什变换) 学习笔记

FWT(Fast Walsh-Hadamard Transform) 去年听GZMdalao讲FWT,第一句就是:构造这玩意的人是神(经病)_{(经病)}(经病)​吧。 其实还好。。。。。。 FFT向我们提供了一个思路来解决卷积问题,那就是对于多项式(数组)构造一个(可逆)变换FFT(A),使得: FFT(A)[i]∗FFT(B)[i]=FFT(A∘B)[i]FFT(A)[i] * FFT(B)[i] = FFT(A \circ B)[i]FFT(A)[i]∗F... 阅读详情

一、FWT 与位运算卷积

非常牛逼的东西

SOSDP(Sum over Subsets DP)

这东西理解成按位做 d p dp dp 就行,用于处理与位运算有关的贡献问题,使用条件是 贡献在每一位上独立,或者可以通过记录到状态里使得每一位独立

实际应用非常灵活,毕竟是 d p dp dp 嘛

 

FWT

对于下标为 [ 0 , 2 n − 1 ] [0,2^n-1] [0,2n−1] 的两个数组 A , B A,B A,B,定义它们的位运算卷积为 C k = ∑ i ⊗ j = k A i × B j C_k=\sum\limits_{i\otimes j=k} A_i\times B_j Ck​=i⊗j=k∑​Ai​×Bj​,其中 ⊗ \otimes ⊗ 是某种位运算,记作 C = A ⊗ B C=A\otimes B C=A⊗B

暴力做是 4 n 4^n 4n,想要加快这个过程,我们类比优化多项式卷积的思路,希望将 A , B A,B A,B 数组进行某种变换后得到 A ′ , B ′ A',B' A′,B′,满足 C k ′ = A k ′ ⋅ B k ′ C'_k=A'_k\cdot B'_k Ck′​=Ak′​⋅Bk′​,然后再通过某种方式将 C ′ C' C′ 还原为 C C C

记这个变换为 F W T ( A ) FWT(A) FWT(A),定义 F W T ( A ) i = ∑ j = 0 2 n − 1 A j f ( i , j ) FWT(A)_i=\sum\limits_{j=0}^{2^n-1}A_jf(i,j) FWT(A)i​=j=0∑2n−1​Aj​f(i,j),其中 f ( i , j ) f(i,j) f(i,j) 表示原数组 A A A 的第 j j j 项在自变量取 i i i 时的贡献方式 (特别的,我们会发现当 f ( i , j ) = i j f(i,j)=i^j f(i,j)=ij 时,恰好就是我们所熟悉的多项式点值)

我们希望这个变换能够用来加速卷积,符合上面的条件,即 F W T ( A ⊗ B ) = F W T ( A ) ⋅ F W T ( B ) FWT(A\otimes B)=FWT(A)\cdot FWT(B) FWT(A⊗B)=FWT(A)⋅FWT(B),同时我们希望它是一个线性变换,即 F W T ( A + B ) = F W T ( A ) + F W T ( B ) FWT(A+B)=FWT(A)+FWT(B) FWT(A+B)=FWT(A)+FWT(B)  F W T ( k A ) = k F W T ( A ) FWT(kA)=kFWT(A) FWT(kA)=kFWT(A)

想要满足第一个式子, f ( i , j ) f(i,j) f(i,j) 需要满足 f ( i , j ) f ( i , k ) = f ( i , j ⊗ k ) f(i,j)f(i,k)=f(i,j\otimes k) f(i,j)f(i,k)=f(i,j⊗k),以下是推导:

∀ i ,   F W T ( A ⊗ B ) i = F W T ( A ) i ⋅ F W T ( B ) i \forall i,\ FWT(A\otimes B)_i=FWT(A)_i\cdot FWT(B)_i ∀i, FWT(A⊗B)i​=FWT(A)i​⋅FWT(B)i​
∑ s = 0 2 n − 1 ( f ( i , s ) × ∑ p ⊗ q = s A p B q ) = ( ∑ j = 0 2 n − 1 A j f ( i , j ) ) ( ∑ k = 0 2 n − 1 B k f ( i , k ) ) \sum\limits_{s=0}^{2^n-1}( f(i,s)\times \sum_{p\otimes q=s}A_pB_q) = (\sum_{j=0}^{2^n-1}A_jf(i,j))(\sum_{k=0}^{2^n-1}B_kf(i,k)) s=0∑2n−1​(f(i,s)×p⊗q=s∑​Ap​Bq​)=(j=0∑2n−1​Aj​f(i,j))(k=0∑2n−1​Bk​f(i,k))
∑ s = 0 2 n − 1 ( f ( i , s ) × ∑ p ⊗ = s A p B q ) = ∑ j ∑ k A j B k f ( i , j ) f ( i , k ) \sum\limits_{s=0}^{2^n-1}( f(i,s)\times \sum_{p\otimes=s}A_pB_q) = \sum_j\sum_kA_jB_kf(i,j)f(i,k) s=0∑2n−1​(f(i,s)×p⊗=s∑​Ap​Bq​)=j∑​k∑​Aj​Bk​f(i,j)f(i,k)
与左边对照
∑ s = 0 2 n − 1 ( f ( i , s ) × ∑ p ⊗ = s A p B q ) = ∑ s = 0 2 n − 1 ∑ j ⊗ k = s A j B k f ( i , j ) f ( i , k ) \sum\limits_{s=0}^{2^n-1}( f(i,s)\times \sum_{p\otimes=s}A_pB_q) = \sum_{s=0}^{2^n-1}\sum_{j\otimes k=s}A_jB_kf(i,j)f(i,k) s=0∑2n−1​(f(i,s)×p⊗=s∑​Ap​Bq​)=s=0∑2n−1​j⊗k=s∑​Aj​Bk​f(i,j)f(i,k)

只要满足 f ( i , s ) = f ( i , j ) f ( i , k ) f(i,s)=f(i,j)f(i,k) f(i,s)=f(i,j)f(i,k) 即可,即 f ( i , j ⊕ k ) = f ( i , j ) f ( i , k ) f(i,j\oplus k)=f(i,j)f(i,k) f(i,j⊕k)=f(i,j)f(i,k)

注意以上推导没有用到任何位运算的性质,对所有卷积都是适用的

现在还是无法快速求出 F W T ( A ) FWT(A) FWT(A),我们考虑给 f ( i , j ) f(i,j) f(i,j) 加上一些位运算的性质:

要求 f ( i , j ) = ∏ k = 0 n − 1 f ( i k , j k ) f(i,j)=\prod_{k=0}^{n-1}f(i_k,j_k) f(i,j)=∏k=0n−1​f(ik​,jk​),其中 i k i_k ik​ 表示二进制中 i i i 第 k k k 位上的值

接下来就可以分治计算 F W T ( A ) FWT(A) FWT(A) 了

F W T ( A ) i = ∑ j = 0 2 n − 1 A j f ( i , j ) FWT(A)_i=\sum\limits_{j=0}^{2^n-1}A_jf(i,j) FWT(A)i​=j=0∑2n−1​Aj​f(i,j)

注意到去掉最高位之后两部分与原问题完全一致,设 c c c 为 i i i 最高为的值, i ′ , j ′ i',j' i′,j′ 为去掉最高为剩下的值

= f ( c , 0 ) ∑ j = 0 2 n − 1 − 1 A j f ( i ′ , j ′ ) + f ( c , 1 ) ∑ j = 2 n − 1 2 n − 1 A j f ( i ′ , j ′ ) =f(c,0)\sum\limits_{j=0}^{2^{n-1}-1}A_jf(i',j')+f(c,1)\sum\limits_{j=2^{n-1}}^{2^n-1}A_jf(i',j') =f(c,0)j=0∑2n−1−1​Aj​f(i′,j′)+f(c,1)j=2n−1∑2n−1​Aj​f(i′,j′)

递归求解即可

这样我们就求出了 F W T ( A ⊗ B ) FWT(A\otimes B) FWT(A⊗B)。接下来考虑它的逆变换,注意到 F W T FWT FWT 的过程可以看作是把 A A A 数组乘上 f f f 矩阵,那么逆变换只需要把 f f f 变成其对应的逆矩阵就好了。

也就是说, F W T FWT FWT 适用于优化卷积的条件是该位运算满足 f ( i , j ) f ( i , k ) = f ( i , j ⊕ k ) f(i,j)f(i,k)=f(i,j\oplus k) f(i,j)f(i,k)=f(i,j⊕k) 且 f f f 有逆矩阵

复杂度为 O ( n 2 n ) O(n2^n) O(n2n)

基础位运算卷积

or 卷积

即 C k = ∑ i ∣ j = k A i × B j C_k=\sum\limits_{i|j=k} A_i\times B_j Ck​=i∣j=k∑​Ai​×Bj​

C = A ∣ B C=A|B C=A∣B, f ( i , j ) f ( i , k ) = f ( i , j ∣ k ) f(i,j)f(i,k)=f(i,j|k) f(i,j)f(i,k)=f(i,j∣k),注意到 j ∣ k j|k j∣k 是 i i i 的子集当且仅当 k k k 为 i i i 子集 且 j j j 为 i i i 子集

那么构造矩阵 f ( i , j ) = [ j ⊂ i ] f(i,j)=[j\subset i] f(i,j)=[j⊂i]
[ 1 0 1 1 ] \begin{bmatrix} 1 & 0 \\ 1 & 1 \end{bmatrix} [11​01​]

左继承,右加左

逆矩阵为
[ 1 0 − 1 1 ] \begin{bmatrix} 1 & 0 \\ -1 & 1 \end{bmatrix} [1−1​01​]
左不变,右减左

and 卷积

即 C k = ∑ i & j = k A i × B j C_k=\sum\limits_{i\& j=k} A_i\times B_j Ck​=i&j=k∑​Ai​×Bj​

f ( i , j ) f ( i , k ) = f ( i , j & k ) f(i,j)f(i,k)=f(i,j\& k) f(i,j)f(i,k)=f(i,j&k), i i i 是 j & k j\&k j&k 的子集当且仅当 i i i 是 j j j 的子集 且 i i i 是 k k k 的子集

构造矩阵 f ( i , j ) = [ i ⊂ j ] f(i,j)=[i\subset j] f(i,j)=[i⊂j]

[ 1 1 0 1 ] \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix} [10​11​]

逆矩阵为
[ 1 − 1 0 1 ] \begin{bmatrix} 1 & -1 \\ 0 & 1 \end{bmatrix} [10​−11​]

xor 卷积

f ( i , j ) f ( i , k ) = f ( i , j   ˆ k ) f(i,j)f(i,k)=f(i,j\^\ k) f(i,j)f(i,k)=f(i,j ˆk)

需要一些观察,构造 f ( i , j ) = ( − 1 ) ∣ i & j ∣ f(i,j)=(-1)^{|i\& j|} f(i,j)=(−1)∣i&j∣,因为 ( − 1 ) ∣ i & j ∣ + ∣ i & k ∣ = ( − 1 ) ∣ i & ( j   ˆ k ) ∣ (-1)^{|i\& j|+|i\& k|}=(-1)^{|i\& (j\^\ k)|} (−1)∣i&j∣+∣i&k∣=(−1)∣i&(j ˆk)∣,若 i i i 这一位为 0 0 0,两边都没有贡献;否则只有 j , k j,k j,k 不同才有贡献,符合 x o r xor xor 性质

构造:
[ 1 1 1 − 1 ] \begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix} [11​1−1​]

逆矩阵为
[ 1 2 − 1 2 1 2 1 2 ] \large\begin{bmatrix} \frac{1}{2} & -\frac{1}{2} \\ \frac{1}{2} & \frac{1}{2} \end{bmatrix} [21​21​​−21​21​​]

代码实现

#include<bits/stdc++.h>
using namespace std ;

typedef long long LL ;
const int N = 17 , mod = 998244353 ;

int n ;
LL a[1<<N] , b[1<<N] , A[1<<N] , B[1<<N] ; 
void FWT_OR( LL *f )
{
	for(int i = 1 ; i <= n ; i ++ ) {
		int p = (1<<(i-1)) ;
		for(int j = 0 ; j < (1<<n) ; j += (1<<i) ) {
			for(int k = 0 ; k < p ; k ++ ) {
				f[j+k+p] = ( f[j+k+p] + f[j+k] ) % mod ;
			}
		}
	}
}
void IFWT_OR( LL *f )
{
	for(int i = 1 ; i <= n ; i ++ ) {
		int p = (1<<(i-1)) ;
		for(int j = 0 ; j < (1<<n) ; j += (1<<i) ) {
			for(int k = 0 ; k < p ; k ++ ) {
				f[j+k+p] = ( f[j+k+p] - f[j+k] ) % mod ;
			}
		}
	}
}
void FWT_AND( LL *f )
{
	for(int i = 1 ; i <= n ; i ++ ) {
		int p = (1<<(i-1)) ;
		for(int j = 0 ; j < (1<<n) ; j += (1<<i) ) {
			for(int k = 0 ; k < p ; k ++ ) {
				f[j+k] = ( f[j+k] + f[j+k+p] ) % mod ;
			}
		}
	}
}
void IFWT_AND( LL *f )
{
	for(int i = 1 ; i <= n ; i ++ ) {
		int p = (1<<(i-1)) ;
		for(int j = 0 ; j < (1<<n) ; j += (1<<i) ) {
			for(int k = 0 ; k < p ; k ++ ) {
				f[j+k] = ( f[j+k] - f[j+k+p] ) % mod ;
			}
		}
	}
}
void FWT_XOR( LL *f )
{
	for(int i = 1 ; i <= n ; i ++ ) {
		int p = (1<<(i-1)) ;
		for(int j = 0 ; j < (1<<n) ; j += (1<<i) ) {
			for(int k = 0 ; k < p ; k ++ ) {
				LL a = f[j+k] , b = f[j+k+p] ;
				f[j+k] = (a+b)%mod ;
				f[j+k+p] = (a-b)%mod ;
			}
		}
	}
}
const LL inv2 = (mod+1)/2 ;
void IFWT_XOR( LL *f )
{
	for(int i = 1 ; i <= n ; i ++ ) {
		int p = (1<<(i-1)) ;
		for(int j = 0 ; j < (1<<n) ; j += (1<<i) ) {
			for(int k = 0 ; k < p ; k ++ ) {
				LL a = f[j+k] , b = f[j+k+p] ;
				f[j+k] = (a+b)*inv2%mod ;
				f[j+k+p] = (a-b)*inv2%mod ;
			}
		}
	}
}

int main()
{
	scanf("%d" , &n ) ;
	for(int i = 0 ; i < (1<<n) ; i ++ ) scanf("%lld" , &A[i] ) ;
	for(int i = 0 ; i < (1<<n) ; i ++ ) scanf("%lld" , &B[i] ) ;
	memcpy(a,A,sizeof a) ; memcpy(b,B,sizeof b) ;
	FWT_OR(a) ; FWT_OR(b) ;
	for(int i = 0 ; i < (1<<n) ; i ++ ) a[i] = a[i]*b[i]%mod ;
	IFWT_OR(a) ;
	for(int i = 0 ; i < (1<<n) ; i ++ ) printf("%lld " , (a[i]+mod)%mod ) ;
	printf("\n") ;
	
	memcpy(a,A,sizeof a) ; memcpy(b,B,sizeof b) ;
	FWT_AND(a) ; FWT_AND(b) ;
	for(int i = 0 ; i < (1<<n) ; i ++ ) a[i] = a[i]*b[i]%mod ;
	IFWT_AND(a) ;
	for(int i = 0 ; i < (1<<n) ; i ++ ) printf("%lld " , (a[i]+mod)%mod ) ;	
	printf("\n") ;
	
	memcpy(a,A,sizeof a) ; memcpy(b,B,sizeof b) ;
	FWT_XOR(a) ; FWT_XOR(b) ;
	for(int i = 0 ; i < (1<<n) ; i ++ ) a[i] = a[i]*b[i]%mod ;
	IFWT_XOR(a) ;
	for(int i = 0 ; i < (1<<n) ; i ++ ) printf("%lld " , (a[i]+mod)%mod ) ;	
	printf("\n") ;
	return 0 ;
}

拓展操作

K 进制卷积

推导过程没什么区别,问题在于构造 f f f 矩阵

FWT and

定义 K K K 进制下 a n d and and 运算为 i & j = max ⁡ ( i , j ) i \& j=\max(i,j) i&j=max(i,j),本质上是高维后缀和

转移矩阵: [ 1 1 1 . . . 1 0 1 1 . . . 1 0 0 1 . . . 1 ⋮ ⋮ ⋮ ⋱ ⋮ 0 0 0 . . . 1 ] \large\begin{bmatrix} 1 & 1 &1 &... &1 \\ 0 & 1 &1 &... &1 \\ 0 & 0 &1 &... &1 \\ \vdots &\vdots&\vdots&\ddots &\vdots \\ 0 & 0 & 0 & ... &1 \end{bmatrix} ​100⋮0​110⋮0​111⋮0​.........⋱...​111⋮1​ ​

 

FWT or

i ∣ j = min ⁡ ( i , j ) i | j=\min(i,j) i∣j=min(i,j),本质上是高维前缀和

转移矩阵: [ 1 0 0 . . . 0 1 1 0 . . . 0 1 1 1 . . . 0 ⋮ ⋮ ⋮ ⋱ ⋮ 1 1 1 . . . 1 ] \large\begin{bmatrix} 1 & 0 &0 &... &0 \\ 1 & 1 &0 &... &0 \\ 1 & 1 &1 &... &0 \\ \vdots &\vdots&\vdots&\ddots &\vdots \\ 1 & 1 & 1 & ... &1 \end{bmatrix} ​111⋮1​011⋮1​001⋮1​.........⋱...​000⋮1​ ​

FWT xor

定义 i ⊕ j = ( i + j ) m o d    K i\oplus j=(i+j)\mod K i⊕j=(i+j)modK,要求 f ( i , j ) f ( i , k ) = f ( i , ( j + k ) % K ) f(i,j)f(i,k)=f(i,(j+k)\% K) f(i,j)f(i,k)=f(i,(j+k)%K)

注意到单位根有类似的周期性质,发现只需令 f ( i , j ) = w K j f(i,j)=w_K^j f(i,j)=wKj​ 即可满足上式

但这样会导致矩阵每一行都一样,没有逆,所以我们再钦定一手 f ( i , j ) = w K i j f(i,j)=w_K^{ij} f(i,j)=wKij​

那么矩阵: [ 1 1 1 . . . 1 1 w K 1 w K 2 . . . w K K − 1 1 w K 2 w K 4 . . . w K 2 ( K − 1 ) ⋮ ⋮ ⋮ ⋱ ⋮ 1 w K K − 1 w K ( K − 1 ) 2 . . . w K ( K − 1 ) ( K − 1 ) ] \begin{bmatrix} 1 & 1 &1 &... &1 \\ 1 & w_K^1 &w_K^2 &... &w_K^{K-1} \\ 1 & w_K^2 &w_K^4 &... &w_K^{2(K-1)} \\ \vdots &\vdots&\vdots&\ddots &\vdots \\ 1 & w_K^{K-1} &w_K^{(K-1)2} &... &w_K^{(K-1)(K-1)} \end{bmatrix} ​111⋮1​1wK1​wK2​⋮wKK−1​​1wK2​wK4​⋮wK(K−1)2​​.........⋱...​1wKK−1​wK2(K−1)​⋮wK(K−1)(K−1)​​ ​

这不就和我们在 FFT 中见到的矩阵一模一样吗?它就是 范德蒙德矩阵,其逆为:

1 K [ 1 1 1 . . . 1 1 1 / w K 1 1 / w K 2 . . . 1 / w K K − 1 1 1 / w K 2 1 / w K 4 . . . 1 / w K 2 ( K − 1 ) ⋮ ⋮ ⋮ ⋱ ⋮ 1 1 / w K K − 1 1 / w K ( K − 1 ) 2 . . . 1 / w K ( K − 1 ) ( K − 1 ) ] \frac{1}{K}\begin{bmatrix} 1 & 1 &1 &... &1 \\ 1 & 1/w_K^1 &1/w_K^2 &... &1/w_K^{K-1} \\ 1 & 1/w_K^2 &1/w_K^4 &... &1/w_K^{2(K-1)} \\ \vdots &\vdots&\vdots&\ddots &\vdots \\ 1 & 1/w_K^{K-1} &1/w_K^{(K-1)2} &... &1/w_K^{(K-1)(K-1)} \end{bmatrix} K1​ ​111⋮1​11/wK1​1/wK2​⋮1/wKK−1​​11/wK2​1/wK4​⋮1/wK(K−1)2​​.........⋱...​11/wKK−1​1/wK2(K−1)​⋮1/wK(K−1)(K−1)​​ ​

 

二、集合幂级数

(注:以下内容并非严谨的定义,只是笔者为了方便理解而使用的一些类比)

(多数是参考了这篇 blog)

一种比较简单的理解方式:集合幂级数就是以某个全集 U U U 的所有子集 2 U 2^U 2U 为定义域,以集合为自变量,映射到另一个域(oi 中通常研究的是对某个大质数取模后的整数域)的函数。把 U U U 的每个子集 S S S 带入函数,均有对应取值 f S f_S fS​

我们考虑如何表示一个集合幂级数,首先给每个集合 S S S 对应的取值 f S f_S fS​ 后添加占位符 x S x^S xS,记作 f S x S f_Sx^S fS​xS, 表示当且仅当 x = S x=S x=S 时,返回值为 f S f_S fS​,否则为 0 0 0。也就是说,我们记 f = ∑ S ⊂ 2 U f S x S f=\sum\limits_{S\subset 2^U} f_Sx^S f=S⊂2U∑​fS​xS

接下来定义集合幂级数的运算

加法很好理解,直接把同类项系数相加即可,当然进行加法运算的两个集合幂级数需要保证全集相同

对于乘法,考虑集合幂级数 h = f ⋅ g = ( ∑ L ⊂ U f L x L ) ( ∑ R ⊂ U g R x R ) h=f\cdot g=(\sum\limits_{L\subset U}f_Lx^L)(\sum\limits_{R\subset U}g_Rx^R) h=f⋅g=(L⊂U∑​fL​xL)(R⊂U∑​gR​xR)

很自然的,我们希望这种运算也具有分配律,那么 h = ∑ L , R ( f L × g R ) x L ∗ R h=\sum\limits_{L,R}(f_L\times g_R)x^{L*R} h=L,R∑​(fL​×gR​)xL∗R

其中第一个 × \times × 是我们熟知的整数域上的运算,直接把对应系数相乘;而 L ∗ R L*R L∗R 则是在 2 U 2^U 2U 上的二元运算,它决定了 集合之间的贡献方式,类型不唯一,常见的有 并卷积,对称差卷积,子集卷积,分别对应位运算中的 或卷积,异或卷积,子集卷积

子集卷积

由于前两种运算与上文的位运算卷积没有很大的区别,我们重点看第三种 —— 子集卷积

这种二元运算形式化的定义是: x L ⋅ x R = { 0 ( L ∩ R ≠ ∅ ) x L ∪ R ( L ∩ R = ∅ ) x^L\cdot x^R=\left\{\begin{matrix} 0 &(L\cap R≠\emptyset) \\ x^{L\cup R} &(L\cap R=\emptyset) \end{matrix}\right. xL⋅xR={0xL∪R​(L∩R=∅)(L∩R=∅)​

那么我们求的就是 h S = ∑ L ⊂ 2 U ∑ R ⊂ 2 U [ L ∪ R = S ] [ L ∩ R = ∅ ] f L g R h_S=\sum\limits_{L\subset 2^U}\sum\limits_{R\subset 2^U}[L\cup R=S][L\cap R=\emptyset]f_Lg_R hS​=L⊂2U∑​R⊂2U∑​[L∪R=S][L∩R=∅]fL​gR​

暴力的子集枚举复杂度是 O ( 3 n ) O(3^n) O(3n),我们考虑更好的做法

注意力惊人的发现当 L ∪ R = S L\cup R=S L∪R=S 时, L ∩ R = ∅ L\cap R=\emptyset L∩R=∅ 等价于 ∣ L ∣ + ∣ R ∣ = ∣ S ∣ |L|+|R|=|S| ∣L∣+∣R∣=∣S∣,我们考虑设 F i , s = [ ∣ s ∣ = i ] f s F_{i,s}=[|s|=i]f_s Fi,s​=[∣s∣=i]fs​,同理有 G i , s , H i , s G_{i,s},H_{i,s} Gi,s​,Hi,s​

可以得到: H i = ∑ j + k = i F j ⊗ G k H_{i}=\sum\limits_{j+k=i}F_{j}\otimes G_k Hi​=j+k=i∑​Fj​⊗Gk​其中 ⊗ \otimes ⊗ 是集合并卷积,对两边同取 F W T FWT FWT 得到:

F W T ( H i ) s = ∑ j + k = i F W T ( F j ) s × F W T ( G k ) s FWT(H_i)_s=\sum\limits_{j+k=i}FWT(F_j)_s\times FWT(G_k)_s FWT(Hi​)s​=j+k=i∑​FWT(Fj​)s​×FWT(Gk​)s​发现这就是普通的乘法卷积,对每个 s s s 暴力 n 2 n^2 n2 卷积即可,最后 I F W T IFWT IFWT 还原

复杂度是 O ( n 2 2 n ) O(n^22^n) O(n22n)

半在线子集卷积

实际题目中我们遇到的 d p dp dp 转移式更多是这样:

f s = ∑ t ⊂ s f t g s / t f_s=\sum\limits_{t\subset s}f_tg_{s/t} fs​=t⊂s∑​ft​gs/t​

称这种转移为半在线子集卷积

注意到我们做子集卷积时本身就有按 ∣ s ∣ |s| ∣s∣ 大小的顺序,直接从小往大做就行

  • P4221 [WC2018] 州区划分
    基本是半在线子集卷积板子题,注意 需要微调转移式使得参与卷积的两部分独立

  • P11734 [集训队互测 2015] 胡策的统计
    感觉又是很神秘的技巧,经常会遇到这种 为了确保顺序在转移时钦定枚举的子集 t t t 要包含 s s s 中最小的元素
    这种怎么子集卷积优化呢?首先把钦定最小改成钦定最大方便一点,然后注意到 只有最高位相同的 f f f 才会互相转移,在外层枚举一个最高位 i d id id,接下来对 2 i d 2^{id} 2id 的部分跑正常的子集卷积,复杂度 ∑ i 2 2 i \sum i^22^i ∑i22i ,还是 O ( n 2 2 n ) O(n^22^n) O(n22n)

    for(int id = 0 ; id < n ; id ++ ) {//最大值所在位 
    	for(int i = 0 ; i <= id ; i ++ ) {
    		for(int s = 0 ; s < (1<<id) ; s ++ ) {
    			if( i == num[s] ) G[i][s] = pw2[E[s]] ;
    			else G[i][s] = 0 ;
    			F[i][s] = 0 ;
    		}
    	}
    	for(int i = 0 ; i <= id ; i ++ ) fwt(G[i],id) ;
    	for(int i = 0 ; i <= id ; i ++ ) {
    		if( i == 0 ) {
    			dp[(1<<id)] = 1 ;
    			for(int s = 0 ; s < (1<<id) ; s ++ ) F[i][s] = 1 ;
    		}
    		else {
    			for(int j = 0 ; j < i ; j ++ ) {
    				for(int s = 0 ; s < (1<<id) ; s ++ ) {
    					F[i][s] = ( F[i][s] + 1LL*F[j][s]*G[i-j][s] ) % mod ;
    				}
    			}
    			ifwt(F[i],id) ;
    			for(int s = 0 ; s < (1<<id) ; s ++ ) {
    				if( num[s]==i ) {
    					F[i][s] = ( pw2[E[s^(1<<id)]] - F[i][s] + mod ) % mod ;
    					dp[s^(1<<id)] = F[i][s] ;
    				}
    			}
    			fwt(F[i],id) ;
    		}
    	}
    }
    

 

进阶操作

既然它也叫幂级数,那自然也有全家桶啦

exp

设 f f f 是一个集合幂级数,定义 exp ⁡ ( f ) = ∑ i ≥ 0 f i i ! \exp(f)=\sum\limits_{i\geq 0}\Large\frac{f^i}{i!} exp(f)=i≥0∑​i!fi​,为了避免不收敛我们规定 [ x ∅ ] f = 0 [x^{\emptyset}]f=0 [x∅]f=0

通常这里的乘法定义都是子集卷积,以此为例来说明一下做法:

设 g = exp ⁡ ( f ) g=\exp(f) g=exp(f),同时定义它们的占位多项式为 F , G F,G F,G

g = ∑ i ≥ 0 f i i ! g=\sum\limits_{i\geq 0}\frac{f^i}{i!} g=i≥0∑​i!fi​
G j = ∑ i ≥ 0 , ∑ a k = j F a 1 ⊗ F a 2 . . . F a i i ! G_j=\sum\limits_{i\geq 0,\sum a_k=j}\frac{F_{a_1}\otimes F_{a_2}...F_{a_i}}{i!} Gj​=i≥0,∑ak​=j∑​i!Fa1​​⊗Fa2​​...Fai​​​

同取 F W T FWT FWT:

F W T ( G j ) s = ∑ i ≥ 0 , ∑ a k = j F W T ( F a 1 ) s × F W T ( F a 2 ) s . . . F W T ( F a i ) s i ! FWT(G_j)_s=\sum\limits_{i\geq 0,\sum a_k=j}\frac{FWT(F_{a_1})_s\times FWT(F_{a_2})_s...FWT(F_{a_i})_s}{i!} FWT(Gj​)s​=i≥0,∑ak​=j∑​i!FWT(Fa1​​)s​×FWT(Fa2​​)s​...FWT(Fai​​)s​​

容易发现此时固定一个 s s s 后,等式右边就是一个形式幂级数 exp ⁡ \exp exp

难道我们还需要写 O ( n log ⁡ n ) O(n\log n) O(nlogn) 的 NTT 吗?这很愚蠢啊, n n n 这么小考虑 n 2 n^2 n2 暴力

哎,怎么 n 2 n^2 n2 求 exp ⁡ \exp exp 呢?


设 G ( x ) = exp ⁡ ( F ( x ) ) G(x)=\exp(F(x)) G(x)=exp(F(x)),两边同时对 x x x 求导:

G ( x ) ′ = exp ⁡ ( F ( x ) ) F ′ ( x ) G(x)'=\exp(F(x))F'(x) G(x)′=exp(F(x))F′(x)

G ( x ) ′ = G ( x ) F ′ ( x ) G(x)'=G(x)F'(x) G(x)′=G(x)F′(x)

展开:

∀ i ≥ 0 , [ x i ] G ′ = ∑ j ≤ i [ x j ] G × [ x i − j ] F ′ \forall i\geq 0,[x^i]G'=\sum\limits_{j\leq i}[x^j]G\times [x^{i-j}]F' ∀i≥0,[xi]G′=j≤i∑​[xj]G×[xi−j]F′

( i + 1 ) [ x i + 1 ] G = ∑ j ≤ i [ x j ] G × ( i − j + 1 ) [ x i − j + 1 ] F (i+1)[x^{i+1}]G=\sum\limits_{j\leq i}[x^j]G\times (i-j+1)[x^{i-j+1}]F (i+1)[xi+1]G=j≤i∑​[xj]G×(i−j+1)[xi−j+1]F

即:

∀ i ≥ 1 , [ x i ] G = 1 i ∑ j < i [ x j ] G × ( i − j ) [ x i − j ] F \forall i\geq 1,[x^{i}]G=\frac{1}{i}\sum\limits_{j< i}[x^j]G\times (i-j)[x^{i-j}]F ∀i≥1,[xi]G=i1​j<i∑​[xj]G×(i−j)[xi−j]F

显然 [ x 0 ] G = 1 [x^0]G=1 [x0]G=1,然后就可以递推啦,复杂度就是 O ( n 2 ) O(n^2) O(n2)


接上文,如果把 i i i 这一维看成行, s s s 这一维看成列,我们做的操作实际上是 先对每一行 f w t fwt fwt,再对每一列做 exp ⁡ \exp exp,最后再对每行 i f w t ifwt ifwt 回来

for(int i = 0 ; i <= m ; i ++ ) {//每行fmt
	fmt(F[i]) ;
}
for(int s = 0 ; s < (1<<m) ; s ++ ) {//对每列做 m^2 exp 
	G[0][s] = 1 ;//规定,否则会出问题 
	for(int i = 1 ; i <= m ; i ++ ) {
		for(int j = 0 ; j < i ; j ++ ) {
			G[i][s] = ( G[i][s] + G[j][s]*F[i-j][s]%mod*(i-j) ) % mod ;
		}
		G[i][s] = G[i][s]*iv[i]%mod ;
	}
}
for(int i = 0 ; i <= m ; i ++ ) {
	ifmt(G[i]) ;
}

复杂度还是 O ( n 2 2 n ) O(n^22^n) O(n22n)

例题 P6570 [NOI Online #3 提高组] 优秀子序列

 

ln

推导没有很大区别

设 f f f 为一集合幂级数,定义 ln ⁡ ( f + 1 ) = ∑ i ≥ 1 ( − 1 ) i − 1 f i i ! \ln (f+1)=\sum\limits_{i\geq 1}(-1)^{i-1}\Large\frac{f^i}{i!} ln(f+1)=i≥1∑​(−1)i−1i!fi​,还是要求 [ x ∅ ] f = 0 [x^{\emptyset}]f=0 [x∅]f=0(这里 + 1 +1 +1 指的是集合幂级数的单位元,这是为了让它在 0 0 0 处能展开)

设 g = ln ⁡ ( f + 1 ) g=\ln (f+1) g=ln(f+1),同理得到: F W T ( G j ) s = ∑ i ≥ 0 , ∑ a k = j ( − 1 ) i − 1 F W T ( F a 1 ) s × F W T ( F a 2 ) s . . . F W T ( F a i ) s i ! FWT(G_j)_s=\sum\limits_{i\geq 0,\sum a_k=j}(-1)^{i-1}\frac{FWT(F_{a_1})_s\times FWT(F_{a_2})_s...FWT(F_{a_i})_s}{i!} FWT(Gj​)s​=i≥0,∑ak​=j∑​(−1)i−1i!FWT(Fa1​​)s​×FWT(Fa2​​)s​...FWT(Fai​​)s​​

还是考虑 n 2 n^2 n2 求 ln ⁡ \ln ln

设 G = ln ⁡ F G=\ln F G=lnF,两边求导得:

G ′ = F ′ F G'=\frac{F'}{F} G′=FF′​

F ′ = F G ′ F'=FG' F′=FG′

∀ i ≥ 0 , [ x i ] F ′ = ∑ j ≤ i [ x j ] F × [ x i − j ] G ′ \forall i\geq 0,[x^i]F'=\sum_{j\leq i}[x^j]F\times [x^{i-j}]G' ∀i≥0,[xi]F′=j≤i∑​[xj]F×[xi−j]G′

( i + 1 ) [ x i + 1 ] F = ∑ j ≤ i [ x j ] F × ( i − j + 1 ) [ x i − j + 1 ] G (i+1)[x^{i+1}]F=\sum_{j\leq i}[x^j]F\times (i-j+1)[x^{i-j+1}]G (i+1)[xi+1]F=j≤i∑​[xj]F×(i−j+1)[xi−j+1]G

∀ i ≥ 1 , [ x i ] F = 1 i ∑ j < i [ x j ] F × ( i − j ) [ x i − j ] G \forall i\geq1,[x^{i}]F=\frac{1}{i}\sum_{j< i}[x^j]F\times (i-j)[x^{i-j}]G ∀i≥1,[xi]F=i1​j<i∑​[xj]F×(i−j)[xi−j]G

[ x i ] F = 1 i ∑ 1 ≤ j ≤ i [ x i − j ] F × j [ x j ] G [x^{i}]F=\frac{1}{i}\sum_{1\leq j\leq i}[x^{i-j}]F\times j[x^{j}]G [xi]F=i1​1≤j≤i∑​[xi−j]F×j[xj]G

取出 j = i j=i j=i 这一项

[ x i ] F = 1 i ∑ 1 ≤ j < i [ x i − j ] F × j [ x j ] G + [ x 0 ] F × [ x i ] G [x^{i}]F=\frac{1}{i}\sum_{1\leq j< i}[x^{i-j}]F\times j[x^{j}]G+[x^0]F\times [x^i]G [xi]F=i1​1≤j<i∑​[xi−j]F×j[xj]G+[x0]F×[xi]G

注意到 ln ⁡ F \ln F lnF 是良定义的当且仅当 [ x 0 ] F = 1 [x^0]F=1 [x0]F=1,那么我们直接就能得到:

[ x i ] G = [ x i ] F − 1 i ∑ 1 ≤ j < i [ x i − j ] F × j [ x j ] G [x^i]G=[x^i]F-\frac{1}{i}\sum\limits_{1\leq j<i}[x^{i-j}]F\times j[x^j]G [xi]G=[xi]F−i1​1≤j<i∑​[xi−j]F×j[xj]G

这就可以愉快 n 2 n^2 n2 递推了

for(int s = 0 ; s < (1<<n) ; s ++ ) {// n^2 ln
	G[0][s] = 0 ;
	for(int i = 1 ; i <= n ; i ++ ) {
		for(int j = 1 ; j < i ; j ++ ) {
			G[i][s] = ( G[i][s] + 1LL*j*G[j][s]%mod*F[i-j][s] ) % mod ;
		}
		G[i][s] = ( F[i][s] - G[i][s]*inv[i] ) % mod ;
	}
}

注意这里求的是 ln ⁡ ( F + 1 ) \ln(F+1) ln(F+1)

 

求逆

设 f f f 为一集合幂级数,定义它的逆为使得 f ⊗ g = ϵ f\otimes g=\epsilon f⊗g=ϵ 的 g g g( ϵ \epsilon ϵ 为集合幂级数单位元)

还是先对每行 f m t fmt fmt,然后每列求逆,最后 i f m t ifmt ifmt

n 2 n^2 n2 求逆:

假设已知 F F F,求它的逆 G G G,我们设 f , g f,g f,g 表示它们的各项系数,有:

∑ i = 0 n f i g n − i = [ n = 0 ] \sum\limits_{i=0}^nf_ig_{n-i}=[n=0] i=0∑n​fi​gn−i​=[n=0]

得到: g i = { 1 f 0 i = 0 − 1 f 0 ∑ j < i g j f i − j i ≥ 1 g_i=\left\{\begin{matrix} \large\frac{1}{f_0} & i=0\\ -\frac{1}{f_0}\sum\limits_{j<i}{g_jf_{i-j}} &i\geq 1 \end{matrix}\right. gi​=⎩ ⎨ ⎧​f0​1​−f0​1​j<i∑​gj​fi−j​​i=0i≥1​

例题:P11734 [集训队互测 2015] 胡策的统计,略微卡常

例题

#154. 集合划分计数

设 F s F_s Fs​ 表示 s s s 有多少个,不难发现求的就是 [ x U ] ∑ i ≤ k F i i ! [x^{U}]\Large\sum\limits_{i\leq k}\frac{F^i}{i!} [xU]i≤k∑​i!Fi​,乘法还是子集卷积

通过上面的几种经典操作,我们可以总结出求这种式子的一般思路:

  • 转化为占位幂级数,用 F M T FMT FMT 求出每一行点值
  • 对每一列看成形式幂级数,借助求导找到 n 2 n^2 n2 递推式
  • 最后 I F M T IFMT IFMT 还原

重点在于第二步。设 G = ∑ i ≤ k F i i ! G=\large\sum\limits_{i\leq k}\frac{F^i}{i!} G=i≤k∑​i!Fi​,两边求导,得:

G ′ = F ′ ∑ i ≤ k − 1 F i i ! G'=F'\sum_{i\leq k-1}\frac{F^i}{i!} G′=F′i≤k−1∑​i!Fi​

G ′ = F ′ ∑ i ≤ k − 1 F i i ! G'=F'\sum_{i\leq k-1}\frac{F^i}{i!} G′=F′i≤k−1∑​i!Fi​

G ′ = F ′ ( G − F k k ! ) G'=F'(G-\frac{F^k}{k!}) G′=F′(G−k!Fk​)

这样只需要求一个 F k F^k Fk 就能递推了

求这个一般的想法是直接 F k = exp ⁡ ( k ln ⁡ F ) F^k=\exp(k\ln F) Fk=exp(klnF),但需要注意这个做法只有当 F F F 满足 [ x ∅ ] F = 1 [x^\emptyset]F=1 [x∅]F=1 才成立,否则会导致 ln ⁡ \ln ln 未定义

那还是借助求导,找递推式的思路,设 G = F k G=F^k G=Fk,同求导:

G ′ = k F k − 1 F ′ G'=kF^{k-1}F' G′=kFk−1F′

配凑一下,两边同乘上 F F F:

G ′ F = k F k F ′ G'F=kF^{k}F' G′F=kFkF′

G ′ F = k G F ′ G'F=kGF' G′F=kGF′

又可以递推啦

写出来式子:

g i = k ∑ i = 0 n ( i + 1 ) f i + 1 g n − i − ∑ i = 0 n − 1 ( i + 1 ) g i + 1 f n − i i f 0 g_i=\frac{k\sum\limits_{i=0}^n(i+1)f_{i+1}g_{n-i}-\sum\limits_{i=0}^{n-1}(i+1)g_{i+1}f_{n-i}}{if_0} gi​=if0​ki=0∑n​(i+1)fi+1​gn−i​−i=0∑n−1​(i+1)gi+1​fn−i​​

然后就发现,我 f 0 = 0 f_0=0 f0​=0 还是做不了啊 ?!!

哎,别急,形式幂级数的运算肯定是更好做的,类比 这个题 中的技巧,我们找到 f f f 低位第一个非 0 0 0 的位置 p p p,以这个位置作为起点,同理 g g g 以 K ⋅ p K\cdot p K⋅p 作为起点进行递推就 ok 啦

#include<bits/stdc++.h>
using namespace std ;

typedef long long LL ;
const int N = 21 , mod = 998244353 ;
LL ksm( LL a , LL b )
{
	LL res = 1 , t = a % mod ;
	while( b ) {
		if( b&1 ) res = res * t % mod ;
		b = b >> 1 ;
		t = t * t % mod ;
	}
	return res ;
}
int n , m , K , x , num[1<<N] ;
LL F[N+1][1<<N] , G[N+1][1<<N] , inv[N+1] ;
void fmt( LL *f )
{
	for(int i = 0 ; i < n ; i ++ ) {
		for(int s = 0 ; s < (1<<n) ; s ++ ) {
			if( s&(1<<i) ) {
				f[s] = ( f[s] + f[s^(1<<i)] ) % mod ;
			}
		}
	}
}
void ifmt( LL *f )
{
	for(int i = 0 ; i < n ; i ++ ) {
		for(int s = 0 ; s < (1<<n) ; s ++ ) {
			if( s&(1<<i) ) {
				f[s] = ( f[s] - f[s^(1<<i)] ) % mod ;
			}
		}
	}
}
void poly_pow( LL *f , int K , LL *g )
{
	int p = 0 ;
	while( !f[p] && p <= n ) p ++ ;
	if( p*K > n ) return ;
	LL *nf = f+p , *ng = g+K*p , inv0 = ksm(nf[0],mod-2) ;
	int nn = n-K*p ;
	ng[0] = ksm(nf[0],K) ;
	for(int i = 1 ; i <= nn ; i ++ ) {
		for(int j = 0 ; j < i ; j ++ ) {
			ng[i] = ( ng[i] + (j+1)*nf[j+1]%mod*ng[i-1-j] ) % mod ;
		}
		ng[i] = ng[i]*K%mod ;
		for(int j = 0 ; j < i-1 ; j ++ ) {
			ng[i] = ( ng[i] - (j+1)*ng[j+1]%mod*nf[i-1-j] ) % mod ;
		}
		ng[i] = ng[i]*inv[i]%mod*inv0%mod ;
	}
}

int main()
{
	scanf("%d%d%d" , &n , &m , &K ) ;
	LL ifc = 1 ;
	for(int i = 1 ; i <= K ; i ++ ) ifc = ifc*i%mod ;
	ifc = ksm(ifc,mod-2) ;	
	for(int s = 0 ; s < (1<<n) ; s ++ ) num[s] = num[s>>1]+(s&1) ;
	for(int i = 1 ; i <= m ; i ++ ) {
		scanf("%d" , &x ) ;
		F[num[x]][x] ++ ;
	}
	for(int i = 1 ; i <= n ; i ++ ) fmt(F[i]) , inv[i] = ksm(i,mod-2) ; 
	for(int s = 0 ; s < (1<<n) ; s ++ ) {
		LL H[N+1] = {} , T[N+1] = {} ;
		for(int i = 0 ; i <= n ; i ++ ) {
			H[i] = F[i][s] ;
		}
		poly_pow(H,K,T) ;
		for(int i = 0 ; i <= n ; i ++ ) T[i] = T[i]*ifc%mod ;
		G[0][s] = 1 ;
		for(int i = 1 ; i <= n ; i ++ ) {
			for(int j = 0 ; j < i ; j ++ ) {
				G[i][s] = ( G[i][s] + (G[j][s]-T[j])*(i-j)%mod*F[i-j][s] ) % mod ;
			}
			G[i][s] = G[i][s]*inv[i]%mod ;
		}
	}
	ifmt(G[n]) ;
	printf("%lld\n" , (G[n][(1<<n)-1]+mod)%mod ) ;
	return 0 ;
}

应用

(你可以说它没考过,但你不能否认它确实很有用,能做好多以前不敢想的东西)

[AGC034F] RNG and XOR

据说

FWT(快速沃尔什变换)零基础详解qaq(ACM/OI) 1.前言(废话) 记得一年半之前做SRM518 Nim的时候还不知道FWT,当时自己用分治完美的水过去了。然后昨天的牛客有一道题,是说nim博弈中有n堆石子,请问最多取出多少堆石子可以让先手必败。当时竟然没思路QAQ???想了想使劲往字典树靠边靠不上去QAQ,然后就没想出来!!! 想当年自己手推FWT或运算,真的感叹岁月是把杀猪刀!于是怒写这篇博客QAQ把这个算法总结一下QAQ (其实我觉得... 阅读详情

相关推荐

【RandLA-Net实战】从零构建隧道点云数据集并训练大场景语义分割模型

本文详细介绍了如何使用RandLA-Net构建隧道点云数据集并进行大场景语义分割模型训练。从数据采集、标注到模型训练与优化,提供了完整的实战指南,特别针对隧道场景的特殊挑战提出了解决方案。通过实际案例展示了RandLA-Net在处理大场景点云数据时的高效性和准确性,为隧道巡检等工程应用提供了可靠的技术支持。

weixin_30485379的博客 117

快速沃尔什变换(FWT)介绍

快速沃尔什变换(FWT)介绍 众所周知,FFT可以有效地解决如下的问题 A=(a1,…,an)B=(b1,...,bn)C=(c1,...,cn)ck=∑i+j=kai∗bj A=(a_1,\dots,a_n)\\ B=(b_1,...,b_n)\\ C=(c_1,...,c_n)\\ c_k=\sum_{i+j=k}a_i*b_j\\ A=(a1​,…,an​)B=(b1​,...,bn​)C=(c1​,...,cn​)ck​=i+j=k∑​ai​∗bj​ 但事实上,把求和号里的条件里的“+”换成与、或、

HolmiumJiang的博客 5297

EDA公司(一):Synopsys-- 主要 EDA 工具及其简介

Synopsys 是一家领先的电子设计自动化(EDA)软件公司,提供了一系列全面的产品和服务,旨在支持从概念设计到大规模生产的各个阶段。Synopsys 的 EDA 工具覆盖了芯片设计的各个方面,包括但不限于逻辑综合、静态时序分析、功能验证、物理实现、形式验证、测试插入、电源分析、信号完整性分析等。

MHD0815的博客 3313

FWT(快速沃尔什变换)

待更。。

qq_35975367的博客 2441

DC综合中set_dft_signal的实战配置与优化策略

本文深入解析了DC综合中set_dft_signal命令的实战配置与优化策略。文章从命令的核心作用出发,详细拆解了-view、-type、-usage等关键参数,并通过扫描使能与时钟门控的实战案例,展示了如何正确配置以实现测试模式下的功耗优化。同时,文章总结了高级优化策略、与低功耗流程的协同方法以及常见错误排查清单,旨在帮助数字芯片设计工程师构建高可测性、低功耗的稳健DFT基础。

weixin_28347369的博客 405

脑电时频分析I:谱分析

1、EEG频带划分 自发的EEG活动在活体大脑中持续存在,通常通过频率进行分类(也叫神经振荡活动) 特定频段的脑活动,即节律性的活动,具有特定的头皮分布和生物学意义 最后还有一个γ波,主要是指30hz~100hz的一个波段,通常这个波段也包含了噪声唁电的成分,比较难提取处理,比较少用到这个波段 这个波段主要是有可能躯体感觉皮层,进行一个多通道的感觉输入的i信号处理,比如我们同时处理视觉和听觉信号的处理,而且γ波与我们记忆的形成有关 除此之外,还有一个特殊的波段,8~12hz的Mu波段主要是特指我们

Kobe123brant的博客 1万+

快速沃尔什变换(FWT)

FWT 是一个用来快速求出下标进行位运算卷积的方法。

dygxczn的博客 1214

VS code平台调试AutoLISP程序教程

VS code平台调试AutoLISP程序教程

BearElder的博客 3189

FWT(快速沃尔什变换) 学习笔记

FWT 学习笔记

weixin_55851276的博客 1221

飞书接入OpenClaw:从零到一的保姆级图文教程

本文主要介绍了飞书接入OpenClaw:从零到一的保姆级图文教程,希望能对学习使用OpenClaw 的同学们有所帮助。 文章目录 1. 背景 2. 解决方案 2.1 步骤一:安装插件 2.2 步骤二:创建机器人应用 2.3 步骤三:测试 3. 注意事项

weixin_43178406的博客 13万+

EPLAN 电气制图(六):电机正反转副勾主电路绘制

【插入】→【设备】→选择 “SIE.3RV2011-1AA15”(Q1)和 “SIE.1TL0001-1DB3”(M1),放置于图纸左侧。生成端子排 X3:【端子排导航器】→新建编号 “1-20”,部件 “PXC.3211814”,放置于电机上方,功能文本标注 “电机端子”。属性设置:双击结构盒,在 “显示设备标识符” 中输入位置代号(如 “+ 柜外”),并在 “格式” 选项卡中调整线型与颜色。实用技巧:勾选【选项】→【设置】→【图形的编辑】中的 “绘制带有空白区域的结构盒”,可使元件布局更清晰。

电工 2035

FWT学习笔记(快速沃尔什变换)

## 快速沃尔什变换 对于求上面这类运算的卷积,我们可以用$FFT$的思路,将两个多项式先正变换,再按位相乘,最后逆变换回来。这就是$FWT$的思路。

tanjunming2020的博客 2201

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

快速沃尔什变换 FWT 学习笔记【多项式】

〇、前言 之前看到异或就担心是 FWT,然后才开始想别的。 这次学了 FWT 以后,以后判断应该就很快了吧? 参考资料 FWT 详解 知识点 by neither_nor 集训队论文 2015 集合幂级数的性质与应用及其快速算法 by 吕凯风 一、FWT 是什么 FWT 是快速沃尔什变换。它和快速傅里叶变换一样,原本都用于物理中的频谱分析。 但是由于它可分治的特点,在算法竞赛中常被用来计算位运...

wjyyy的博客 753

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

FWT 快速沃尔什变换 学习笔记

数学 多项式 FWT 啊,跟着黄睿智学的,睿智好强啊。 睿智的参考链接 首先,FWT问题是什么: 已知A(X)和B(X),求C[i]=∑i=j@kA[j]∗B[k] 已知A(X)和B(X),求C[i] = \sum_{i=j@k}{}A[j]*B[k] 已知A(X)和B(X),求C[i]=i=j@k∑​A[j]∗B[k] 注意,中间是乘。@代表某个位运算。 这类问题就是操作涉及到下标的位,娜扎斑马...

Loi_Seavot的博客 332

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

[学习笔记]快速沃尔什变换 (FWT)

一、题目

C202044zxy的博客 508

[学习笔记]FWT(快速沃尔什变换)

写在前面 本蒟蒻很菜,所以这篇博客依然几乎不会有证明 还是先说这东西是干什么的 平时我们所见的卷积是这样的: \[ h(k) = \sum_{i + j = k} f(i) \cdot g(j) \] 但是偶尔还会遇到条件中的加号变成其它符号的情况,\(FWT\)就是这个符号是按位与,或,异或时快速求解\(h\)的 主要的三种情况 其实就是我们要构造一种变换\(tf\),使得\(tf(h) = t...

weixin_30952535的博客 91

快速沃尔什变换(FWT)(学习笔记)

学习了FFTFFTFFT,已经解决了形如c(k)=∑i+j=ka(i)×b(j)c(k)=\sum_{i+j=k}a(i)\times b(j)c(k)=∑i+j=k​a(i)×b(j)的问题,那如果条件不是普通的加法,而是一些特殊的二进制运算怎么办呢? 这时候就有了FWTFWTFWT 也就是说,FWTFWTFWT可以用来解决形如c(k)=∑i⊕j=ka(i)×b(j)c(k)=\sum_{i\o...

继续学吧 586

[学习笔记]FWT——快速沃尔什变换

解决涉及子集配凑的卷积问题 一、介绍 1.基本用法 FWT快速沃尔什变换学习笔记 就是解决一类问题: $f[k]=\sum_{i\oplus j=k}a[i]*b[j]$基本思想和FFT类似。首先转化成为另一个多项式$FWT(A),FWT(B)$使得:$FWT(A\oplus B)=FWT(A)×FWT(B)$这里,$×$是按位乘。这个是$O(n)$的。然后,再$IFWT$回去即可...

weixin_30455365的博客 92

FWT快速沃尔什变换学习笔记

FWT快速沃尔什变换学习笔记 1、FWT用来干啥啊 回忆一下多项式的卷积\(C_k=\sum_{i+j=k}A_i*B_j\) 我们可以用\(FFT\)来做。 甚至在一些特殊情况下,我们\(C_k=\sum_{i*j=k}A_i*B_j\)也能做(SDOI2015 序列统计)。 但是,如果我们把操作符换一下呢? 比如这样? \(C_k=\sum_{i|j=k}A_i*B_j\) \(C_k=\su...

weixin_30888413的博客 159

[FWT] 快速沃尔什变换学习笔记

mdzz终于补坑了…… FWT是一种类似于FFT的变换。我们都知道对于数组aa与数组bb的卷积cc可以表示为: cj=∑i=1jaibj−i\begin{equation} c_j=\sum\limits_{i=1}^ja_ib_{j-i} \end{equation} 那么FWT只是把计算下标的加减运算改为了逻辑运算(与、或、异或等)。 比如与运算下的FWT表示为: ck=∑i&j=ka

HeRaNO@HSAHRBNU 2062

【学习笔记】快速沃尔什变换(FWT)

FWT

C20181503csy的博客 1417

快速沃尔什变换(FWT) 学习笔记

最近在做多校联赛的题目,发现有一道题需要用到FWT,于是我就去学了一下。 FWT要解决的问题是 $$ {C}_{k}=\sum_{i \oplus j=k}^{}ai*bi $$ 其中\oplus表示位运算and or xor 的其中一个

john123741的博客 8061
上一篇: 多项式全家桶
下一篇: SD二轮省集总结
癹魃♭
博客等级 码龄6年 518粉丝 75原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值