快速沃尔什变换

简介

沃尔什转换（Walsh Transform）是在频谱分析上作为离散傅立叶变换的替代方案的一种方法。——维基百科

其实这个变换在信号处理中应用很广泛，FFT 是 double 类型的，但是 Walsh 把信号在不同震荡频率方波下拆解，因此所有的系数都是绝对值大小相同的整数，这使得不需要作浮点数的乘法运算，提高了运算速度。

所以，FWT 和 FFT 的核心思想应该是相同的，都是对数组的变换。我们记对数组 $A$ 进行快速沃尔什变换后得到的结果为 $F W T [A]$ 。

那么 FWT 核心思想就是：

我们需要一个新序列 $C$ ，由序列 $A$ 和序列 $B$ 经过某运算规则得到，即 $C = A \cdot B$ ；

我们先正向得到序列 $F W T [A], F W T [B]$ ，再根据 $F W T [C] = F W T [A] \cdot F W T [B]$ 在 $O (n)$ 的时间复杂度内求出 $F W T [C]$ ，其中 $\cdot$ 是序列对应位置相乘；

然后逆向运算得到原序列 $C$ 。时间复杂度为 $O (n \log n)$ 。

在算法竞赛中，FWT 是用于解决对下标进行位运算卷积问题的方法。

公式： $C_{i} = \sum_{i = j \oplus k} A_{j} B_{k}$

（其中 $\oplus$ 是二元位运算中的某一种）

下面我们举 $\cup$ （按位或）、 $\cap$ （按位与）和 $\oplus$ （按位异或）为例。

FWT 的运算

或运算

如果有 $k = i \cup j$ ，那么 $i$ 的二进制位为 $1$ 的位置和 $j$ 的二进制位为 $1$ 的位置肯定是 $k$ 的二进制位为 $1$ 的位置的子集。

现在要得到 $F W T [C] = F W T [A] \cdot F W T [B]$ ，我们就要构造这个 FWT 的规则。

我们按照定义，显然可以构造 $F W T [A]_{i} = A_{i}^{'} = \sum_{i = i \cup j} A_{j}$ ，来表示 $j$ 满足二进制中 $1$ 为 $i$ 的子集。

那么有：

\begin{aligned} F W T [A]_{i} \cdot F W T [B]_{i} & = (\sum_{i \cup j = i} A_{j}) (\sum_{i \cup k = i} B_{k}) \\ = \sum_{i \cup j = i} \sum_{i \cup k = i} A_{j} B_{k} \\ = \sum_{i \cup (j \cup k) = i} A_{j} B_{k} \\ = F W T [C]_{i} \end{aligned}

那么我们接下来看 $F W T [A]$ 怎么求。

首先肯定不能枚举了，复杂度为 $O (n^{2})$ 。既然不能整体枚举，我们就考虑分治。

我们把整个区间二分，其实二分区间之后，下标写成二进制形式是有规律可循的。

我们令 $A_{0}$ 表示 $A$ 的前一半， $A_{1}$ 表示区间的后一半，那么 $A_{0}$ 就是 A 下标最大值的最高位为 $0$ ，他的子集就是他本身的子集（因为最高位为 $0$ 了），但是 $A_{1}$ 的最高位是 $1$ ，他满足条件的子集不仅仅是他本身，还包最高位为 $0$ 的子集，即

F W T [A] = m e r g e (F W T [A_{0}], F W T [A_{0}] + F W T [A_{1}])

其中 merge 表示像字符串拼接一样把两个数组拼起来， $+$ 就是普通加法，表示对应二进制位相加。

这样我们就通过二分能在 $O (\log n)$ 的时间复杂度内完成拼接，每次拼接的时候要完成一次运算，也就是说在 $O (n \log n)$ 的时间复杂度得到了 $F W T [A]$ 。

接下来就是反演了，其实反演是很简单的，既然知道了 $A_{0}$ 的本身的子集是他自己（ $A_{0} = F W T [A_{0}]$ ）， $A_{1}$ 的子集是 $F W T [A_{0}] + F W T [A_{1}]$ ，那就很简单的得出反演的递推式了：

U F W T [A^{'}] = m e r g e (U F W T [A_{0}^{'}], U F W T [A_{1}^{'}] - U F W T [A_{0}^{'}])

下面我们给出代码实现。容易发现顺变换和逆变换可以合并为一个函数，顺变换时 $type = 1$ ，逆变换时 $type = - 1$ 。

实现

void Or(ll *a, ll type) {  // 迭代实现，常数更小
  for (ll x = 2; x <= n; x <<= 1) {
    ll k = x >> 1;
    for (ll i = 0; i < n; i += x) {
      for (ll j = 0; j < k; j++) {
        (a[i + j + k] += a[i + j] * type) %= P;
      }
    }
  }
}

与运算

与运算类比或运算可以得到类似结论

F W T [A] = m e r g e (F W T [A_{0}] + F W T [A_{1}], F W T [A_{1}])

U F W T [A^{'}] = m e r g e (U F W T [A_{0}^{'}] - U F W T [A_{1}^{'}], U F W T [A_{1}^{'}])

下面我们给出代码实现。顺变换时 $type = 1$ ，逆变换时 $type = - 1$ 。

实现

void And(ll *a, ll type) {
  for (ll x = 2; x <= n; x <<= 1) {
    ll k = x >> 1;
    for (ll i = 0; i < n; i += x) {
      for (ll j = 0; j < k; j++) {
        (a[i + j] += a[i + j + k] * type) %= P;
      }
    }
  }
}

异或运算

异或的卷积是基于如下原理：

若我们令 $x \circ y$ 表示 $x \cap y$ 中 $1$ 数量的奇偶性，即 $x \circ y = popcnt (x \cap y) mod 2$ ，那么容易有 $(x \circ y) \oplus (x \circ z) = x \circ (y \oplus z)$ 。

对于 $F W T [A]$ 的运算其实也很好得到。

设 $F W T [A]_{i} = \sum_{i \circ j = 0} A_{j} - \sum_{i \circ j = 1} A_{j}$ 。我们来证一下 $F W T [C] = F W T [A] \cdot F W T [B]$ 的正确性：

\begin{aligned} F W T [A]_{i} F W T [B]_{i} & = (\sum_{i \circ j = 0} A_{j} - \sum_{i \circ j = 1} A_{j}) (\sum_{i \circ k = 0} B_{k} - \sum_{i \circ k = 1} B_{k}) \\ = (\sum_{i \circ j = 0} A_{j} \sum_{i \circ k = 0} B_{k} + \sum_{i \circ j = 1} A_{j} \sum_{i \circ k = 1} B_{k}) - (\sum_{i \circ j = 0} A_{j} \sum_{i \circ k = 1} B_{k} + \sum_{i \circ j = 1} A_{j} \sum_{i \circ k = 0} B_{k}) \\ = \sum_{(j \oplus k) \circ i = 0} A_{j} B_{k} - \sum_{(j \oplus k) \circ i = 1} A_{j} B_{k} \\ = F W T [C]_{i} \end{aligned}

来看看怎么快速计算 $A, B$ 的值，依旧是分治：

对于 $i$ 在当前位为 $0$ 的子数列 $F W T [A_{0}]$ ，进行 $\circ$ 运算时发现它和 $0$ 计算或和 $1$ 计算结果都不会变（因为 $0 \cap 0 = 0, 0 \cap 1 = 0$ ），所以 $F W T [A] = \sum_{i \circ j = 0} A_{j} - \sum_{i \circ j = 1} A_{j}$ 中的 $\sum_{i \circ j = 1} A_{j} = 0$ 。

对于 $i$ 在当前位为 $1$ 的子数列 $A_{1}$ ，进行 $\circ$ 运算时发现它和 $0$ 计算结果是 $0$ ，和 $1$ 计算结果是 $1$ （因为 $1 \cap 0 = 0, 1 \cap 1 = 1$ ）。

综上，有：

F W T [A] = m e r g e ((F W T [A_{0}] + F W T [A_{1}]) - 0, F W T [A_{0}] - F W T [A_{1}])

也就是：

F W T [A] = m e r g e (F W T [A_{0}] + F W T [A_{1}], F W T [A_{0}] - F W T [A_{1}])

逆变换易得：

U F W T [A^{'}] = m e r g e (\frac{U F W T [A_{0}^{'}] + U F W T [A_{1}^{'}]}{2}, \frac{U F W T [A_{0}^{'}] - U F W T [A_{1}^{'}]}{2})

给出代码，顺变换时 $type = 1$ ，逆变换时 $type = \frac{1}{2}$ 。

实现

void Xor(ll *a, ll type) {
  for (ll x = 2; x <= n; x <<= 1) {
    ll k = x >> 1;
    for (ll i = 0; i < n; i += x) {
      for (ll j = 0; j < k; j++) {
        (a[i + j] += a[i + j + k]) %= P;
        (a[i + j + k] = a[i + j] - a[i + j + k] * 2) %= P;
        (a[i + j] *= type) %= P;
        (a[i + j + k] *= type) %= P;
      }
    }
  }
}

同或运算

类比异或运算给出公式：

$F W T [A]_{i} = \sum_{C_{1}} A_{j} - \sum_{C_{2}} A_{j}$ （ $C_{1}$ 表示 $popcnt (x \cup y) mod 2$ 为 $0$ ， $C_{2}$ 表示 $popcnt (x \cup y) mod 2$ 为 $1$ ）

F W T [A] = m e r g e (F W T [A_{1}] - F W T [A_{0}], F W T [A_{1}] + F W T [A_{0}])

U F W T [A^{'}] = m e r g e (\frac{U F W T [A_{1}^{'}] - U F W T [A_{0}^{'}]}{2}, \frac{U F W T [A_{1}^{'}] + U F W T [A_{0}^{'}]}{2})

另一个角度的 FWT

我们设 $c (i, j)$ 是 $A_{j}$ 对 $F W T [A]_{i}$ 的贡献系数。我们可以重新描述 FWT 变换的过程：

F W T [A]_{i} = \sum_{j = 0}^{n - 1} c (i, j) A_{j}

因为有：

F W T [A]_{i} \cdot F W T [B]_{i} = F W T [C]_{i}

所以我们可以通过简单的证明得到： $c (i, j) c (i, k) = c (i, j ⊙ k)$ 。其中 $⊙$ 是任意一种位运算。

同时， $c$ 函数还有一个重要的性质，它可以按位处理。

举个例子，我们变换的时候：

F W T [A]_{i} = \sum_{j = 0}^{n - 1} c (i, j) A_{j}

这么做是比较劣的，我们将其拆分：

F W T [A]_{i} = \sum_{j = 0}^{n / 2 - 1} c (i, j) A_{j} + \sum_{j = n / 2}^{n - 1} c (i, j) A_{j}

考虑前面的式子和后面的式子 $i, j$ 的区别，发现只有最高位不同。

所以我们将 $i, j$ 去除最高位的值为 $i^{'}, j^{'}$ ，并记 $i_{0}$ 为 $i$ 的最高位。有：

F W T [A]_{i} = c (i_{0}, 0) \sum_{j = 0}^{n / 2 - 1} c (i^{'}, j^{'}) A_{j} + c (i_{0}, 1) \sum_{j = n / 2}^{n - 1} c (i^{'}, j^{'}) A_{j}

如果 $i_{0} = 0$ ，则有：

F W T [A]_{i} = c (0, 0) \sum_{j = 0}^{n / 2 - 1} c (i^{'}, j^{'}) A_{j} + c (0, 1) \sum_{j = n / 2}^{n - 1} c (i^{'}, j^{'}) A_{j}

$i_{0} = 1$ 则有：

F W T [A]_{i} = c (1, 0) \sum_{j = 0}^{n / 2 - 1} c (i^{'}, j^{'}) A_{j} + c (1, 1) \sum_{j = n / 2}^{n - 1} c (i^{'}, j^{'}) A_{j}

也就是说，我们只需要：

[\begin{matrix} c (0, 0) & c (0, 1) \\ c (1, 0) & c (1, 1) \end{matrix}]

四个数就可以完成变换了。我们称这个矩阵为位矩阵。

如果我们要进行逆变换，则需要上面的位矩阵的逆矩阵。

若逆矩阵为 $c^{- 1}$ ，可以通过类似操作得到原数：

A_{i} = \sum_{j = 0}^{n} c^{- 1} (i, j) F W T [A]_{j}

逆矩阵不一定存在，比如如果有一排 $0$ 或者一列 $0$ 那么这个矩阵就没有逆，我们在构造时需要格外小心。

按位或

我们可以构造：

[\begin{matrix} 1 & 0 \\ 1 & 1 \end{matrix}]

这样满足 $c (i, j) c (i, k) = c (i, j \cup k)$ 。我们发现，这和我们前面推出的 $F W T [A] = merge (F W T [A_{0}], F W T [A_{0}] + F W T [A_{1}])$ 一模一样！同理，下面也是一个满足这个条件的矩阵，但我们一般使用上面这个：

[\begin{matrix} 1 & 1 \\ 1 & 0 \end{matrix}]

虽然下面这个矩阵也满足 $c (i, j) c (i, k) = c (i, j \cup k)$ ，但这个矩阵存在一排 $0$ ，不存在逆，所以不合法：

[\begin{matrix} 0 & 0 \\ 1 & 1 \end{matrix}]

如果我们要进行逆变换，则需要对矩阵求逆，以 最上面 这个矩阵为例，得：

[\begin{matrix} 1 & 0 \\ - 1 & 1 \end{matrix}]

然后按照顺变换的方法，把逆变换矩阵代入即可。

按位与

我们可以构造：

[\begin{matrix} 1 & 1 \\ 0 & 1 \end{matrix}]

这样满足 $c (i, j) c (i, k) = c (i, j \cap k)$ 。

逆矩阵：

[\begin{matrix} 1 & - 1 \\ 0 & 1 \end{matrix}]

按位异或

我们可以构造：

[\begin{matrix} 1 & 1 \\ 1 & - 1 \end{matrix}]

这样满足 $c (i, j) c (i, k) = c (i, j \oplus k)$ 。

逆矩阵：

[\begin{matrix} 0.5 & 0.5 \\ 0.5 & - 0.5 \end{matrix}]

FWT 是线性变换

FWT 是线性变换。也就是说，它满足：

F W T [A + B] = F W T [A] + F W T [B]

以及：

F W T [c \cdot A] = c \cdot F W T [A]

K 维 FWT

其实位运算的本质是对一个 $n$ 维 ${0, 1}$ 向量的运算。或运算就是每一维取 $max$ 。且运算就是每一维取 $min$ 。异或运算则是每一维对应相加再 $mod 2$ 。

位运算有个特点：向量的每一位都是独立的。

我们把 ${0, 1}$ 扩展到 $[0, K) \cap Z$ 也就是扩展到 $K$ 进制，看看会得到什么？

max 运算

我们将 $\cup$ 运算拓展到 $K$ 进制，定义 $i \cup j$ 表示按位取 $max$ ，有：

c (i, j) c (i, k) = c (i, j \cup k)

若 $j = k$ ，那么上式又是：

c (i, j) c (i, j) = c (i, j)

也就是说，每一行的 $1$ 必定只能在 $0$ 的前面，如果在后面则不合法了。手玩一下可以发现一组合法构造：

[\begin{matrix} 1 & 0 & 0 & 0 \\ 1 & 1 & 0 & 0 \\ 1 & 1 & 1 & 0 \\ 1 & 1 & 1 & 1 \end{matrix}]

求逆可得：

[\begin{matrix} 1 & 0 & 0 & 0 \\ - 1 & 1 & 0 & 0 \\ 0 & - 1 & 1 & 0 \\ 0 & 0 & - 1 & 1 \end{matrix}]

min 运算

我们将 $\cap$ 运算拓展到 $K$ 进制，定义 $i \cap j$ 表示按位取 $min$ ，有：

c (i, j) c (i, k) = c (i, j \cap k)

若 $j = k$ ，那么上式又是：

c (i, j) c (i, j) = c (i, j)

也就是说，每一行的 $1$ 必定只能在 $0$ 的后面，如果在前面则不合法了。手玩一下可以发现一组合法构造：

[\begin{matrix} 1 & 1 & 1 & 1 \\ 0 & 1 & 1 & 1 \\ 0 & 0 & 1 & 1 \\ 0 & 0 & 0 & 1 \end{matrix}]

求逆可得：

[\begin{matrix} 1 & - 1 & 0 & 0 \\ 0 & 1 & - 1 & 0 \\ 0 & 0 & 1 & - 1 \\ 0 & 0 & 0 & 1 \end{matrix}]

前两者用得比较少，用得比较多的是：

不进位加法

我们将 $\oplus$ 运算拓展到 $K$ 进制，定义 $i \oplus j$ 表示按位相加再 $mod K$ ，有：

c (i, j) c (i, k) = c (i, j \oplus k)

我们构造 $c (i, j) = ω_{K}^{j}$ ，就可以满足要求了：

ω_{K}^{j} ω_{K}^{k} = ω_{K}^{j \oplus k}

但是每一行都一样矩阵也没有逆，所以我们可以构造 $c (i, j) = ω_{K}^{(i - 1) j}$ 即可。

有下面这个矩阵：

[\begin{matrix} 1 & 1 & 1 & \dots & 1 \\ 1 & ω_{K}^{1} & ω_{K}^{2} & \dots & ω_{K}^{k - 1} \\ 1 & ω_{K}^{2} & ω_{K}^{4} & \dots & ω_{K}^{2 (k - 1)} \\ 1 & ω_{K}^{3} & ω_{K}^{6} & \dots & ω_{K}^{3 (k - 1)} \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ \\ 1 & ω_{K}^{k - 1} & ω_{K}^{2 (k - 1)} & \dots & ω_{K}^{(k - 1) (k - 1)} \end{matrix}]

此即为范德蒙德矩阵，求逆可得：

\frac{1}{K} [\begin{matrix} 1 & 1 & 1 & \dots & 1 \\ 1 & ω_{K}^{- 1} & ω_{K}^{- 2} & \dots & ω_{K}^{- (k - 1)} \\ 1 & ω_{K}^{- 2} & ω_{K}^{- 4} & \dots & ω_{K}^{- 2 (k - 1)} \\ 1 & ω_{K}^{- 3} & ω_{K}^{- 6} & \dots & ω_{K}^{- 3 (k - 1)} \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ \\ 1 & ω_{K}^{- (k - 1)} & ω_{K}^{- 2 (k - 1)} & \dots & ω_{K}^{- (k - 1) (k - 1)} \end{matrix}]

如果我们题目给出的模数是存在单位根的，我们就可以简单实现。

但是 单位根在模意义下可能不存在，所以我们考虑扩域，就是人为地定义一个 $x$ ，满足 $x^{K} = 1$ ，然后直接把 $x$ 代入计算，这样每个数都是一个关于 $x$ 的 $k - 1$ 次多项式。我们只需要在 $mod x^{K} - 1$ 下计算即可。那么矩阵可以这么表示：

[\begin{matrix} 1 & 1 & 1 & \dots & 1 \\ 1 & x^{1} & x^{2} & \dots & x^{k - 1} \\ 1 & x^{2} & x^{4} & \dots & x^{2 (k - 1)} \\ 1 & x^{3} & x^{6} & \dots & x^{3 (k - 1)} \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ \\ 1 & x^{k - 1} & x^{2 (k - 1)} & \dots & x^{(k - 1) (k - 1)} \end{matrix}]

但是这么做可能会存在零因子，也就是 一个数有多种表示方法，我们无法确定一个数的真实值。

我们考虑不 $mod x^{K} - 1$ 了，我们 $mod$ 分圆多项式 $Φ_{K} (x)$ ，他满足 $x$ 的阶为 $k$ ，且在 $Q$ 上不可约。所以我们定义上面的计算是在 $mod Φ_{K} (x)$ 下进行即可。

还有一个问题是， $mod Φ_{K} (x)$ 常数大（因为 $Φ$ 本身就是一个多项式）。但是因为 $Φ_{K} (x) ∣ x^{k} - 1$ ，我们只需要在计算时 $mod x^{k} - 1$ ，最后再 $mod Φ_{K} (x)$ 即可。

例题

「CF 1103E」Radix sum

给定一个长度为 $n$ 的序列 $a_{1}, a_{2}, . . ., a_{n}$ ，对于每一个 $p \in [0, n - 1]$ ，求满足下列条件的整数序列 $i_{1}, i_{2}, . . ., i_{n}$ 的方案数，对 $2^{58}$ 取模：

$\forall j \in [1, n], i_{j} \in [1, n]$ ；
$\sum_{j = 1}^{n} a_{i_{j}} = p$ ，这里的加法定义为十进制不进位加法。

$n \leq 10^{5}, a_{i} \leq 10^{5}$

题解

我们可以想到 dp：设计状态 $f_{i, s}$ 表示考虑到第 $i$ 个数，当前加法状态为 $s$ 。因为 FWT 变换是线性的，可以先变换为 FWT 点值表示法，然后变成自己的 $n$ 次幂，最后再变换回来。

上面是平凡的，但是题目给出了模数 $2^{58}$ 。发现没有单位根，所以考虑扩域。

这里的分圆多项式 $Φ_{10} (x) = x^{4} - x^{3} + x^{2} - x + 1$ 。

然而我们发现 UFWT 时，需要除去进制 $10$ ，然而我们发现 $10$ 在 $2^{58}$ 下没有逆元。实际上我们发现 $5$ 在 $2^{58}$ 下是有逆元的： $57646075230342349$ ，我们只需要再除去一个 $2$ 就可以了。设已经除以了 $5$ 的答案为 $x$ ，真正的答案为 $y$ ，也就是 $2^{5} y \equiv x (\mod 2^{64})$ ，显然，我们有 $y \equiv \frac{x}{2^{5}} (\mod 2^{64 - 5})$ ，也就是 $y \equiv \frac{x}{2^{5}} (\mod 2^{59})$ ，所以直接将最后的答案除以 $2^{5}$ 即可。虽然出题人不知道为什么要模 $2^{58}$ ，但再取下模即可。

【CF103329F】【XXII Opencup, Grand Prix of XiAn】The Struggle

给出一个椭圆 $E$ ，其中所有整点的坐标均在 $[1, 4 \cdot 10^{6}]$ 之间。求 $\sum_{(x, y) \in E} (x \oplus y)^{33} x^{- 2} y^{- 1} \mod 10^{9} + 7$ 的值。

题解

这是一道比较不裸的题，出题人提供了详细的英文题解，具体请见此链接。

参考资料

本页面最近更新：2025/7/9 03:50:50，更新历史
发现错误？想一起完善？在 GitHub 上编辑此页！
本页面贡献者：Ir1d, Tiphereth-A, ZnPdCo, Enter-tainer, Xeonacid, BinDir0, c-forrest, lxlonlyn, nocriz, nocrizwang, qkhm, TrisolarisHD, xyf007
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用