Rockdu's Blog
“Where there is will, there is a way”
亲 您的浏览器不支持html5的audio标签
Toggle navigation
Rockdu's Blog
主页
数据结构
字符串算法
图论
数论、数学
动态规划
基础算法
[其它内容]
计算几何
科研笔记
归档
标签
真正理解快速沃尔什变换/快速莫比乌斯变换(FWT|FMT) (已完结)
? 原创 ?
? FMT|FWT ?
2018-11-19 08:16:13
8747
12
7
rockdu
? 原创 ?
? FMT|FWT ?
## 1、快速莫比乌斯变换 ###1.1 什么是莫比乌斯变换 快速莫比乌斯变换,简称(FMT),也是一种对数列的变换。类似FFT地,FMT也是通过将数列/多项式在两种形式下来回变换达到加速两个数列/多项式卷积的效果。 FFT解决的是这样的卷积: $$C_x=\sum_{i+j=x}a_ib_j$$ 其中$x,i,j$是整数。 不会FFT的读者也不用担心,FMT比FFT好懂很多。只是会了FFT可以比较轻松地理解FMT做的事情。 而FMT解决的是这样的卷积: $$C_x=\sum_{i\cup j=x}a_ib_{j}$$ 其中$x,i,j$是集合。可以用二进制整数表示。 ###1.2 如何完成莫比乌斯变换 加速卷积的最常见方法是化卷积为乘积。 我们考虑把两个数列做一种特定的变换。 定义$A$的莫比乌斯变换$FMT(A)$ 定义$X_i$为$X$的第$i$项。 我们要求: $$\sum_{i\cup j=x}A_iB_{j}=C_x$$ 如果$FMT$满足: $$FMT(A)_i*FMT(B)_i=FMT(C)_i$$ 那么就好了。 我们发现我们可以很轻易地构造出$FMT$。 定义:$$FMT(A)_n=\sum_{i\subseteq n}A_i$$ 更直白地说,也就是对$A$做子集和。 考虑为什么可以这样构造 首先$FMT(A),FMT(B)$的每一项$x$都表示了原数列中的子集和。因此$FMT(A)*FMT(B)$用乘法分配律展开包含了$C$所有子集的贡献,也就是: $$\sum_{i\subseteq x}A_i\sum_{j\subseteq x}B_j=\sum_{i,j\subseteq x}A_iB_j=\sum_{k\subseteq x}\sum_{i\cup j=k}A_iB_j$$ 考虑到:$$\sum_{i\cup j=x}A_iB_{j}=C_x$$ 诶,那不是就做完了? 有$$FMT(A)_x*FMT(B)_x=\sum_{k\subseteq x} C_k=FMT(C)_x$$ 实际上就是利用集合并卷积的特殊性,做了个子集前缀和优化了一下…… 是不是很简单。 ### 1.3 快速莫比乌斯变换 现在我们只要快速的完成子集和操作,那么我们就可以快速的完成莫比乌斯变换的过程了。 我们考虑一种增量构造的分治算法。 首先我们将集合中的元素依次编号为$1-n$,方便二进制表示。 第$i$层我们先把集合按照后$n-i$个元素的状态分类,这样在每一类中我们只需要处理**后$n-i$个元素相同**的集合。 然后我们考虑由$i$层转移到$i+1$层,发现只是多了一个元素的状态。讨论一下这个元素取不取,发现这个元素不取,答案就和原来一样,因为它的子集和不变。如果这个元素要取,那么这个元素不取是它的子集,会多出这个元素不取的子集和。最终我们发现,到第$i$层只需要把第$i$个元素不取的状态加到第$i$个元素取的状态就可以了。用图来表示,一种颜色代表一层,一个箭头代表累加,竖线代表每层的分类,集合用二进制表示从右到左是低位到高位: ![一个栗子](https://leanote.com/api/file/getImage?fileId=5bf20918ab64411b7b0012e2) 代码就很简单了: ``` void FMT(int * A, int n, int t) { for(int i = 1; i < (1 << n); i <<= 1) for(int p = i << 1, j = 0; j < (1 << n); j += p) for(int k = 0; k < i; ++k) A[i + j + k] += A[j + k]; } ``` 那么要变回去怎么办呢? 提醒自己,只要把贡献扣回来就行了。 所以我们用一样的思想,只是把累加改成扣除。 ``` void FMT(int * A, int n, int t) { for(int i = 1; i < (1 << n); i <<= 1) for(int p = i << 1, j = 0; j < (1 << n); j += p) for(int k = 0; k < i; ++k) A[i + j + k] -= A[j + k]; } ``` 一般都是要取模的,带上模数就好。 ## 2、快速沃尔什变换 ###2.1 如何完成沃尔什-阿达玛变换 快速沃尔什变换(Fast Walsh-Hadamard Transform,全称快速沃尔什-阿达玛变换)的过程就比FMT要稍微复杂一些了,但是通过深入了解(FWT)的过程,我们将进一步了解线性变换的本质。 考虑模仿莫比乌斯变换,我们将卷积变为乘积形式。 定义若 $$C_x=\sum_{i \bigoplus j=x}A_iB_j$$ 其中$\bigoplus$为集合异或操作,也可以看成二进制不进位加法。 那么我们令$FWT(F)$满足 $$FWT(C)_x=FWT(A)_xFWT(B)_x$$ 考虑到$FWT(F)$的结果的每一项一定是和原来的$F$线性相关的(不会有原来的项相乘的关系,因为我们做的变换使用加减法)。那么究竟如何相关的呢? 我们设对$n$项的数列$F$的变换为 $$FWT(F)_x=\sum^{n}_{i=0} g(x,i)F_i$$ 因为线性相关,我们定义$g(x,i)$为系数 那么我们的目标就是: $$\sum^{n}_{i=0} g(x,i)C_i = \sum^{n}_{j=0} g(x,j)A_j \sum^{n}_{k=0} g(x,k)B_k$$ 用$C_x=\sum_{i \bigoplus j=x}A_iB_j$代入 $$\sum^{n}_{i=0} g(x,i)\sum_{j \bigoplus k=i}A_jB_k = \sum^{n}_{j=0} g(x,j)A_j \sum^{n}_{k=0} g(x,k)B_k$$ 化简可得 $$\sum^{n}_{j=0}\sum^{n}_{k=0} g(x, {j \bigoplus k})A_jB_k = \sum^{n}_{j=0}\sum^{n}_{k=0} g(x,j)g(x,k)A_j B_k$$ 现在就很明了了,我们只需要使得: $$g(x,j)g(x,k)=g(x,{j \bigoplus k})$$ 考虑异或之后$i,j$的什么属性会变成$i,j$属性的乘积 不难发现,这里有一个小结论: 对于异或操作来说,异或前后$1$的个数的奇偶性不会改变,也就是说$i,j$中$1$的个数加起来和$i\bigoplus j$中$1$的个数的奇偶性是一样的。 考虑$i \bigoplus j$的过程的每一位 1、如果这一位不同,那么$1$的个数不会发生改变 2、如果这一位相同,全是$0$时$1$的个数不会改变,全是$1$时$1$的个数减去$2$,同样不改变奇偶性。 利用这一性质,我们定义 $$g(x,i)=(-1)^{|i\cap x|}$$ 和FMT一样,每一项其实是二进制表示的集合,因此使用集合交符号$"\cap" $与集合大小符号$"|S|"$。 注意到$i\cap x$实际上可以看作是在$i$中取$x$中是$1$的位出来,显然可以知道$(i\cap x)\bigoplus (j\cap x)=(i\bigoplus j)\cap x$。也就是异或对交有分配律。 容易证明$g$满足: $$g(x,j)g(x,k)=g(x,{j \bigoplus k})$$ 那么现在就很清晰了,我们翘首以盼的$FWT$的真面目终于浮出了水面: $$FWT(F)_x=\sum^{n}_{i=0}(-1)^{|i\cap x|}F_i$$ 也就是每一个位置对于$FWT(F)_x$都有贡献,贡献正负由交集大小的奇偶性确定。 ###2.2 快速沃尔什-阿达玛变换 考虑模仿$FMT$位分治逐位满足的思想来完成这个变换: 每一次考虑新加入第$i$个物品取不取的情况,将当前集合分为$i$取和$i$不取,$i$取的放右边,$i$不取的放左边。$i$取的话,和$i$取的状态取并后集合大小不变,和$i$不取的状态取并后集合大小$-1$。$i$不取的话,和$i$取的状态取并后集合大小不变,和$i$不取的状态取并后集合大小同样的不变。 这样考虑原有状态,左右两边对$i$不取的贡献都是$+$,因为集合大小不变。左边对$i$取的贡献是$+$,右边对$i$取的贡献是$-$,因为都取$i$的话并集增加了$1$,贡献取反。 这样我们每一次令: $$A[j + k] = A[j + k] + A[j + i + k] \\A[j + i + k] = A[j + k] - A[j + i + k]$$ 就完成了正变换。 那么逆变换呢? 因为 $$A[j + k] = A[j + k] + A[j + i + k] \\A[j + i + k] = A[j + k] - A[j + i + k]$$ 所以反过来: $$A[j + k] = \frac{A[j + k] + A[j + i + k]}{2} \\A[j + i + k] = \frac{A[j + k] - A[j + i + k]}{2}$$ 简单的通过两个数的和与差算出两个数本身即可。 代码: ``` void FWT(LL * A, int n, int t) { for(register int i = 1; i < (1 << n); i <<= 1) for(register int p = i << 1, j = 0; j < (1 << n); j += p) for(register int k = 0; k < i; ++k) { LL x = A[j + k], y = A[i + j + k]; A[j + k] = (x + y) % mod; A[i + j + k] = (x - y + mod) % mod; if(!t) { (A[j + k] *= inv2) %= mod; (A[i + j + k] *= inv2) %= mod; } } } ``` ## 3、作者的话/花絮 ——远观山峦,你可以赞叹其巍岩绝壁;而登上山巅,你将能领略世间万物。 在学习$FWT|FMT$的时候,我去网上找了很多篇博客。虽然学会了模板,但是却一直不太满意。网上的教学博客多是归纳性的证明,而并非推导。我认为一个计算机理论科学爱好者并不应该止步于"看到结果"这样浅表的行为,而更应该挖掘这其中的过程,这才是计算机理论科学真正令人着迷的地方——用各种巧妙大胆的想法完成一个个看似不可能的问题。这也是完成这篇博客的初衷。 在$wiki$百科与各方博客的帮助下,这篇文章终于完成了。意在展现$FWT|FMT$精彩绝伦的推导过程,但愿你在看完这篇博客过后学到的不仅是$FWT|FMT$20行代码不到的模板。你可以尝试用同样的方法推导出$FFT$,甚至更多、更多属于你自己的运算变换。用我们无限的想象力创造出无限种可能。 Rockdu 2018.11.25
上一篇:
UOJ#428. 【集训队作业2018】普通的计数题
下一篇:
2018年末计划:展望未来
12
赞
8747 人读过
新浪微博
微信
腾讯微博
QQ空间
人人网
提交评论
立即登录
, 发表评论.
没有帐号?
立即注册
7
条评论
More...
文档导航
没有帐号? 立即注册