FWT

基本思路:将多项式变成点值表达,点值相乘之后再逆变换回来得到特定形式的卷积;

多项式的次数界都为\(2^n\)的形式,\(A_0\)定义为前一半多项式(下标二进制第一位为\(0\)),\(A_1\)同理定义;

\((A,B)\)表示多项式\(A\)和\(B\)的直接拼接,FWT的结果都是一个点值表达,相乘表示点值相乘;

下面这些变换都满足线性,记\(n\)为二进制位数,复杂度:\(O(n\times 2^n)\);

or卷积

  • 形式:

    \[(A|B)_{k} = \sum_{i|j=k}A_i\times B_j
    \]

  • 定义变换:

    \[FWT(A) = (FWT(A_0),FWT(A_0+A_1))
    \]

    则:\(FWT(A|B)=FWT(A) \times FWT(B)\)

  • 归纳证明:

  • 注意到\(A|B=(A_0|B_0,A_0|B_1+A_1|B_0+A_1|B_1)\) ;

    \[\begin{align}
    &FWT(A|B)\\
    &=FWT(A_0|B_0,A_0|B_1+A_1|B_0+A_1|B_1)\\
    &=(FWT(A_0|B_0),FWT(A_0|B_0+A_0|B_1+A_1|B_0+A_1|B_1))\\
    &=(FWT(A_0)\times FWT(B_0),FWT(A_0)\times FWT(B_0)+FWT(A_0)
    \\ &\times FWT(B_1)+FWT(A_1)\times FWT(B_0)+FWT(A_1)\times FWT(B_1))\\
    &=(FWT(A_0),FWT(A_0+A_1))\times(FWT(B_0),FWT(B_0+B_1))\\
    &=FWT(A)\times FWT(B)
    \end{align}
    \]

  • 逆变换:

    \[IFWT(A) = (IFWT(A_0),IFWT(A_1-A_0))
    \]

  • 代码:

void fwt(int*A,int F){
for(int i=1;i<n;i<<=1)
for(int j=0;j<n;j+=i<<1)
for(int k=0;k<i;++k){
if(~F)A[j+k+i]=(A[j+k+i]+A[j+k])%mod;
else A[j+k+i]=(A[j+k+i]-A[j+k]+mod)%mod;
}
}

and卷积

  • 形式:

    \[(A\&B)_{k} = \sum_{i\&j=k}A_i\times B_j
    \]

  • 定义变换:

    \[FWT(A) = (FWT(A_0+A_1),FWT(A_1))
    \]

    则:\(FWT(A\&B)=FWT(A) \times FWT(B)\)

  • 归纳证明:

    注意到:\(A\&B=(A_0\&B_0+A_0\&B_1+A_1\&B_0,A_1\&B_1)\)

    同理..

  • 逆变换:

    \[IFWT(A)=(IFWT(A_0-A_1),IFWT(A_1))
    \]

  • 代码

    void fwt(int*A,int F){
    for(int i=1;i<n;i<<=1)
    for(int j=0;j<n;j+=i<<1)
    for(int k=0;k<i;++k){
    if(~F)A[j+k]=(A[j+k]+A[j+k+i])%mod;
    else A[j+k]=(A[j+k]-A[j+k+i]+mod)%mod;
    }
    }

xor卷积

  • 形式

    \[(A \oplus B)_{k} = \sum_{i \oplus j=k}A_i\times B_j
    \]

  • 定义变换:

    \[FWT(A) = (FWT(A_0+A_1),FWT(A_0-A_1))
    \]

    则:\(FWT(A \oplus B)=FWT(A) \times FWT(B)\)

  • 归纳证明:

    注意到:\(A \oplus B=(A_0 \oplus B_0+A_1\oplus B_1 ,A_0\oplus B_1+A_1\oplus B_0)\)

    同理..

  • 逆变换:

    \[IFWT(A)=(IFWT(A_0+A_1)/2,IFWT(A_0-A_1)/2)
    \]

  • 代码:

    void fwt(int*A,int F){
    for(int i=1;i<n;i<<=1)
    for(int j=0;j<n;j+=i<<1)
    for(int k=0;k<i;++k){
    int x=A[j+k],y=A[j+k+i];
    A[j+k]=(x+y)%mod,A[j+k+i]=(x-y+mod)%mod;
    if(!~F)A[j+k]=(ll)A[j+k]*iv2%mod,A[j+k+i]=(ll)A[j+k+i]*iv2%mod;
    }
    }

FMT

基本思路:将二进制的每一位看成一维,枚举每一维做前缀和就可以得到集合的前缀和;

直接上代码了......

子集前缀和(= or)

for(int i=0;i<n;++i)
for(int j=1<<i;j<1<<n;++j)
if(j>>i&1)f[j]+=f[j^(1<<i)];

超集前缀和(= and)

for(int i=0;i<n;++i)
for(int j=(1<<n)-1;j>=1<<i;--j)
if(j>>i&1)f[j^(1<<i)]+=f[j];

fmt的逆变换只需要将第二维反过来减即可;

优点是代码短,常数小,复杂度也是\(O(n \times 2^n)\)

子集卷积和

  • \(S,T\)是集合,求\(C:C_S = \sum_{S \subset T} A_T \times B_{S-T}\)  

  • 设\(A_{i,S}=[|S|=i]\times A_S\)

  • 令\(C_i = \sum_{j\le i} A_{j}|B_{i-j}\)

  • 这样就把问题变成了or卷积

  • 由于我们只关心满足\(|T|=i\)的\(C_{i,T}\),所以是不会多算的;

  • 时间复杂度:\(O(n^2 \times 2^n)\)

  • 【WC2018】州区划分

    #include<bits/stdc++.h>
    #define ll long long
    #define mod 998244353
    #define rg register
    #define il inline
    using namespace std;
    const int N=22;
    int n,m,p,f[N][1<<N],g[N][1<<N],d[N],fa[N],all,ny[3010];
    int w[1<<N],cnt[1<<N],iw[1<<N],e[N];
    il void inc(int&x,int y){x+=y;if(x>=mod)x-=mod;}
    il void dec(int&x,int y){x-=y;if(x<0)x+=mod;}
    il void fwt(int*A,int F){
    if(~F){
    for(rg int i=0;i<n;++i)
    for(rg int x=1<<i,j=x;j<all;++j)
    if(j&x)inc(A[j],A[j^x]);
    }else{
    for(rg int i=0;i<n;++i)
    for(rg int x=1<<i,j=all-1;~j;--j)
    if(j&x)dec(A[j],A[j^x]);
    }
    }
    int find(int x){return fa[x]==x?x:fa[x]=find(fa[x]);}
    il bool check(int S){
    for(rg int i=0;i<n;++i)fa[i]=i,d[i]=0;
    for(int i=0;i<n;++i)if(S>>i&1)
    for(int j=i+1;j<n;++j)if(S>>j&1){
    if(!(e[i]>>j&1))continue;
    d[i]++,d[j]++;
    int fu=find(i),fv=find(j);
    if(fu!=fv)fa[fu]=fv;
    }
    int lst=-1;
    for(rg int i=0;i<n;++i)if(S>>i&1){
    if(!~lst)lst=find(i);
    if(lst!=find(i) || (d[i]&1))return true;
    }
    return false;
    }
    il int val(int x){
    if(!p)return 1;
    if(p&1)return x;
    return (ll)x*x%mod;
    }
    int main(){
    // freopen("walk.in","r",stdin);
    // freopen("walk.out","w",stdout);
    scanf("%d%d%d",&n,&m,&p);all=1<<n;
    for(rg int i=0;i<m;++i){
    int u,v;
    scanf("%d%d",&u,&v),u--,v--;
    e[u]|=1<<v;e[v]|=1<<u;
    }
    for(rg int i=0;i<n;++i)scanf("%d",&w[1<<i]);
    ny[1]=1;for(rg int i=2;i<=2100;++i)ny[i]=(ll)(mod-mod/i)*ny[mod%i]%mod;
    fwt(w,1);
    for(rg int i=0;i<all;++i){
    iw[i]=ny[w[i]];
    iw[i]=val(iw[i]);
    w[i]=val(w[i]);
    cnt[i]=cnt[i>>1]+(i&1);
    }
    for(rg int i=0;i<all;++i)if(check(i))g[cnt[i]][i]=w[i];
    for(rg int i=0;i<=n;++i)fwt(g[i],1);
    f[0][0]=1;fwt(f[0],1);
    for(rg int i=1;i<=n;++i){
    int *F=f[i];//不加寻址优化是会T的
    for(rg int j=1;j<=i;++j){
    int *a=f[i-j],*b=g[j];
    for(rg int k=0;k<all;++k){
    inc(F[k],(ll)a[k]*b[k]%mod);
    }
    }
    fwt(F,-1);
    for(rg int j=0;j<all;++j)F[j]=cnt[j]==i?(ll)F[j]*iw[j]%mod:0;
    if(i!=n)fwt(f[i],1);
    }
    cout<<f[n][all-1]<<endl;
    return 0;
    }

【学习笔记】fwt&&fmt&&子集卷积的更多相关文章

  1. CF914G Sum the Fibonacci FWT、子集卷积

    传送门 一道良心的练习FWT和子集卷积的板子-- 具体来说就是先把所有满足\(s_a \& s_b = 0\)的\(s_a \mid s_b\)的值用子集卷积算出来,将所有\(s_a \opl ...

  2. UFLDL深度学习笔记 (六)卷积神经网络

    UFLDL深度学习笔记 (六)卷积神经网络 1. 主要思路 "UFLDL 卷积神经网络"主要讲解了对大尺寸图像应用前面所讨论神经网络学习的方法,其中的变化有两条,第一,对大尺寸图像 ...

  3. [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 ...

  4. [学习笔记] $FWT$

    \(FWT\)--快速沃尔什变化学习笔记 知识点 \(FWT\)就是求两个多项式的位运算卷积.类比\(FFT\),\(FFT\)大多数求的卷积形式为\(c_n=\sum\limits_{i+j=n}a ...

  5. 神经网络与深度学习笔记 Chapter 6之卷积神经网络

    深度学习 Introducing convolutional networks:卷积神经网络介绍 卷积神经网络中有三个基本的概念:局部感受野(local receptive fields), 共享权重 ...

  6. DeepLearning.ai学习笔记(四)卷积神经网络 -- week4 特殊应用:人力脸识别和神经风格转换

    一.什么是人脸识别 老实说这一节中的人脸识别技术的演示的确很牛bi,但是演技好尴尬,233333 啥是人脸识别就不用介绍了,下面笔记会介绍如何实现人脸识别. 二.One-shot(一次)学习 假设我们 ...

  7. 学习笔记TF028:实现简单卷积网络

    载入MNIST数据集.创建默认Interactive Session. 初始化函数,权重制造随机噪声打破完全对称.截断正态分布噪声,标准差设0.1.ReLU,偏置加小正值(0.1),避免死亡节点(de ...

  8. DeepLearning.ai学习笔记(四)卷积神经网络 -- week1 卷积神经网络基础知识介绍

    一.计算机视觉 如图示,之前课程中介绍的都是64* 64 3的图像,而一旦图像质量增加,例如变成1000 1000 * 3的时候那么此时的神经网络的计算量会巨大,显然这不现实.所以需要引入其他的方法来 ...

  9. DeepLearning.ai学习笔记(四)卷积神经网络 -- week2深度卷积神经网络 实例探究

    一.为什么要进行实例探究? 通过他人的实例可以更好的理解如何构建卷积神经网络,本周课程主要会介绍如下网络 LeNet-5 AlexNet VGG ResNet (有152层) Inception 二. ...

随机推荐

  1. MySQL“慢SQL”定位

    MySQL"慢SQL"定位 数据库调优我个人觉得必须要明白两件事 1.定位问题(你得知道问题出在哪里,要不然从哪里调优呢) 2.解决问题(这个没有基本的方法来处理,因为不同的问题处 ...

  2. 配置两个不同kerberos认证中心的集群间的互信

    两个Hadoop集群开启Kerberos验证后,集群间不能够相互访问,需要实现Kerberos之间的互信,使用Hadoop集群A的客户端访问Hadoop集群B的服务(实质上是使用Kerberos Re ...

  3. Vue传递方法给页面调用

    很多人在使用vue的时候苦于在vue中写方法,但是在外部甚至在另一个js该如何调用呢? 这个方法就是显示了vue的可以传递方法到页面使得页面任何地方都可以调用 前提得引用文件 这个方法一般多用于加载周 ...

  4. Java自学-数字与字符串 字符串转换

    Java中把数字转换为字符串,字符串转换为数字 步骤 1 : 数字转字符串 方法1: 使用String类的静态方法valueOf 方法2: 先把基本类型装箱为对象,然后调用对象的toString pa ...

  5. ASP.NET Core中返回 json 数据首字母大小写问题

    ASP.NET Core中返回 json 数据首字母大小写问题 在asp.net core中使用ajax请求动态绑定数据时遇到该问题 后台返回数据字段首字母为定义的大写,返回的数据没有问题 但是在前台 ...

  6. 记录下登录Xcode 时出现 please sign in with an app-specific....

    今天做到准备提交到APP store时,要用xcode提交,在xcode->open developer tool->application loader时,要登录自己的ID,我登录时输入 ...

  7. windows自动化-脚本案例

    ; Script Start - Add your code below here Run("D:\Navicat Premium\navicat.exe") Sleep(1000 ...

  8. H3C 无线交换机和FIT AP的典型连接

  9. 控制跳转的tree视图显示的列表项数量

    在act_window中,定义limit字段,可以指定打开的tree视图的记录数量.   limit:列表视图中每个页面的记录数.

  10. python 验证码识别示例(三) 简单验证码识别

    今天介绍一个简单验证的识别. 主要是标准的格式,没有扭曲和变现.就用 pytesseract 去识别一下. 验证码地址:https://user.www.gov.cn/sso/verifyimg_ed ...