卷積
by 不卷王
卷積
by 不卷王
今天沒有偷簡報環節了吧(?
今天會講到
- FFT
- NTT
- 迭代式FFT/NTT
- 任意模數FFT
- FWHT
講師不像你們那麼卷,我最近才初學一點點卷積
講很爛很不嚴謹請見諒
然後因為我進度燒雞,所以沒有放例題,這堂課就是來看我假裝會卷積
如果覺得我的code太醜的話,我只能說學長對不起
野獸 先備
矩陣
$$\begin{bmatrix}a&b\\c&d\end{bmatrix}\times \begin{bmatrix}e&f\\g&h\end{bmatrix}=\begin{bmatrix}ae+bg&af+bh\\ce+dg&cf+dh\end{bmatrix}$$
複數
$$i^2=-1$$
$$(a+bi)\times (c+di)=ac+(ad+bc)i-bd$$
歐拉公式
棣美弗公式
- \( (cos\theta + i\ sin\theta)n = cos(n\theta) + i\ sin(n\theta)\)
- 用歐拉公式來看的話根本是廢話 : \((e^{i\theta})^n=e^{in\theta}\)
單位根
- \((\omega_{n})^n=1\)
- \(x^n=1\)的根分別為\(1,\omega_{n},\cdots,\omega_{n}^{n-1}\)
$$\omega_6^3$$
$$\omega_6^2$$
$$\omega_6$$
$$\omega_6^0$$
$$\omega_6^4$$
$$\omega_6^4$$
$$\omega_6^5$$
.
原根
其實我不會ㄟ
$$(M)$$
原根
質數\(P\)以下的原根\(g\)的\(1\)次方到\(P-1\)次方,恰好對到\(1\sim P-1\)的每個數
模\(7\)之下,\(3\)是,\(2\)不是
$$3^1\equiv 3, 3^2 \equiv 2,3^3 \equiv 6,3^4\equiv 4,3^5\equiv5,3^6=1$$
$$2^1\equiv 2, 2^2 \equiv 4,2^3 \equiv 1$$
約定
- 多項式\(A\)、\(B\)、\(C=A\times B\)皆為整係數多項式
- \(C\)有\(n\)項(最高次數為\(n-1\))
- \(A,B\)的最高次數\(<\frac{n}{2}\),自動補0在後面到\(n項\)
- \(n\)為\(2^k\),\(k\)為整數
約定
- 多項式\(A\)、\(B\)、\(C=A\times B\)皆為整係數多項式
- \(C\)有\(n\)項(最高次數為\(n-1\))
- \(A,B\)的最高次數\(<\frac{n}{2}\),自動補0在後面到\(n項\)
- \(n\)為\(2^k\),\(k\)為整數
$$a_0 x_0 + a_1 x_1+\cdots+a_{\frac{n}{2}-1}x_{\frac{n}{2}-1}$$
約定
- 多項式\(A\)、\(B\)、\(C=A\times B\)皆為整係數多項式
- \(C\)有\(n\)項(最高次數為\(n-1\))
- \(A,B\)的最高次數\(<\frac{n}{2}\),自動補0在後面到\(n項\)
- \(n\)為\(2^k\),\(k\)為整數
$$a_0 x_0 + a_1 x_1+\cdots+a_{\frac{n}{2}-1}x_{\frac{n}{2}-1}+0+0+\cdots+0$$
$$\frac{n}{2}個$$
$$a_0 x_0 + a_1 x_1+\cdots+a_{\frac{n}{2}-1}x_{\frac{n}{2}-1}$$
FFT
FFT想要解決什麼?
- 快速地把兩個多項式乘起來
- 直接乘起來\(O(n^2)\)
FFT想要解決什麼?
- 快速地把兩個多項式乘起來
- 直接乘起來\(O(n^2)\)
- 如果帶入固定的\(n\)個\(x\)取樣的話,乘法就變\(O(n)\),
FFT想要解決什麼?
- 快速地把兩個多項式乘起來
- 直接乘起來\(O(n^2)\)
- 如果用取樣的話,乘法就變\(O(n)\)
- 要怎麼快速把\(n\)個點帶入? 暴力\(O(n^2)\)
- 要怎麼轉換回來? 拉格朗日插值要\(O(n^2)\)
是否可以找到一組有特別性質的\(x\)來加速帶入,與轉回多項式?
是否可以找到一組有特別性質的\(x\)來加速帶入,與轉回多項式?
可以!用\(\omega_n^{0\sim n-1}\)(在這裡指的是\(x^n=1\)的\(n\)個解)試試看
這裡用\(\omega\)代替\(\omega_8\)
這裡用\(\omega\)代替\(\omega_8\)
先把奇偶拆開來
先把奇偶拆開來
神奇的事出現了!
神奇的事出現了!
神奇的事出現了!
神奇的事出現了!
神奇的事出現了!
神奇的事出現了!
第\(i(i<\frac{n}{2})\) row的偶數項和第\(i+\frac{n}{2}\)row 一模一樣!
神奇的事出現了!
神奇的事出現了!
第\(i(i<4\) row的奇數項和第\(i+4\) row 差\(\omega^{4}\)!
試圖由上半得到下半
試圖由上半得到下半
切切切!
試圖由上半得到下半
切切切!
上下一模一樣!
上下差\(\omega^4\)!
試圖由上半得到下半
切切切!
試圖由上半得到下半
切切切!
好像快會了喔
和
只要求出
就好了
好像快會了喔
和
只要求出
就好了
再提出一次\(\omega\)
好像快會了喔
和
只要求出
就好了
因為\(\omega_{n}^{i} = \omega_{\frac{n}{2}}^{\frac{i}{2}}\),
會發現其實上述兩坨東西都是再做一次大小砍半的事(DFT)
好像快會了喔
和
只要求出
就好了
因為\(\omega_{n}^{i} = \omega_{\frac{n}{2}}^{\frac{i}{2}}\),
會發現其實上述兩坨東西都是再做一次大小砍半的事(DFT)
分治!
根據主定理,總時間複雜度\(O(n \log n)\)
好像快會了喔
和
只要求出
就好了
參考code
//CD為complex<double>
void FFT (vector <CD>& a) {
int n = a.size();
if (n == 1) return;
vector <CD> even(n / 2), odd(n / 2);
for (int i = 0; i < n / 2; i++) even[i] = a[i * 2], odd[i] = a[i * 2 + 1];
FFT(even, inv); FFT(odd, inv);
for (int i = 0; i < n / 2; i++) {
CD z = OMEGA(i, n);
a[i] = even[i] + odd[i] * z;
a[i + n / 2] = even[i] - odd[i] * z;
}
return;}
我們現在會很快地得到多項式圖形上的\(n\)個點了!
那要怎麼很快從多個點轉回多項式?
我們現在會很快地得到多項式圖形上的\(n\)個點了!
那要怎麼很快從多個點轉回多項式?
我們剛剛帶入點是用矩陣乘法對吧,也就是\(TA\)=\(Y_A\)
然後我們會用\(Y_A,Y_B\)得到\(Y_C\)
要怎麼從\(Y_C\)得到\(C\)?
我們現在會很快地得到多項式圖形上的\(n\)個點了!
那要怎麼很快從多個點轉回多項式?
我們剛剛帶入點是用矩陣乘法對吧,也就是\(TA\)=\(Y_A\)
然後我們會用\(Y_A,Y_B\)得到\(Y_C\)
要怎麼從\(Y_C\)得到\(C\)?
再乘一個\(T^{-1}\)! 它是誰呢?
我們現在會很快地得到多項式圖形上的\(n\)個點了!
那要怎麼很快從多個點轉回多項式?
我們剛剛帶入點是用矩陣乘法對吧,也就是\(TA\)=\(Y_A\)
然後我們會用\(Y_A,Y_B\)得到\(Y_C\)
要怎麼從\(Y_C\)得到\(C\)?
再乘一個\(T^{-1}\)! 它是誰呢?
通靈一下,跳結論
考慮一下\(T\=T\),這裡的\(\=T\)指的是對T的每個元素取共軛
考慮一下\(T\=T\),這裡的\(\=T\)指的是對T的每個元素取共軛
發現第\(i\) row和第\(i\) column其實一樣,取負號乘起來就會變\(n\)個\(\omega^0\)
考慮一下\(T\=T\),這裡的\(\=T\)指的是對T的每個元素取共軛
發現第\(i\) row和第\(i\) column其實一樣,取負號乘起來就會變\(n\)個\(\omega^0\)
考慮一下\(T\=T\),這裡的\(\=T\)指的是對T的每個元素取共軛
被嗆說這就是角速度
每一圈加總都是0,也就是說全都是0
每一圈加總都是0,也就
\(T\=T=nI_n\)
\(T^{-1}\)其實就是\(\frac{1}{n}\=T\)
瑣事-DFT
- 剛剛把\(\omega\)帶入方程式的動作稱為DFT
- 把點變回方程式叫做IDFT
- 一次FFT由兩次DFT、一次IDFT組成,\(O(n\log n)\)
瑣事-實作
- 資料型態為complex<double>,內建四則運算
- 先把所有的\(\omega_N\)找出來很好,這個\(N\)是多項式\(C\)的次數
完整code
using ld = long double;
using CD = complex<ld>;
CD OMEGA (int i, int n) {
ld angle = i;
angle = angle / n * (2 * pi);
return CD(cos(angle), sin(angle));
}
void FFT (vector <CD>& a, bool inv = 0) {
int n = a.size();
if (n == 1) return;
vector <CD> even(n / 2), odd(n / 2);
for (int i = 0; i < n / 2; i++) even[i] = a[i * 2], odd[i] = a[i * 2 + 1];
FFT(even, inv); FFT(odd, inv);
for (int i = 0; i < n / 2; i++) {
CD z = OMEGA(i * (inv?-1:1), n);
a[i] = even[i] + odd[i] * z;
a[i + n / 2] = even[i] - odd[i] * z;
if (inv) a[i] /= 2, a[i + n / 2] /= 2;
}
return;}
NTT
為什麼FFT是好的?
為什麼FFT是好的?
因為\((\omega_n^{i})^{2j}=(\omega_n^{i+\frac{n}{2}})^{2j}\)和\(-(\omega_n^{i})^{2j+1}=(\omega_n^{i+\frac{n}{2}})^{2j+1}\)
為什麼FFT是好的?
因為\((\omega_n^{i})^{2j}=(\omega_n^{i+\frac{n}{2}})^{2j}\)和\(-(\omega_n^{i})^{2j+1}=(\omega_n^{i+\frac{n}{2}})^{2j+1}\)
什麼也有這個性質?(可以拿來取代單位根)
還記得野獸先備裡面有甚麼嗎?
為什麼FFT是好的?
因為\((\omega_n^{i})^{2j}=(\omega_n^{i+\frac{n}{2}})^{2j}\)和\(-(\omega_n^{i})^{2j+1}=(\omega_n^{i+\frac{n}{2}})^{2j+1}\)
什麼也有這個性質?(可以拿來取代單位根)
還記得野獸先備裡面有甚麼嗎?
在模質數\(M=r\times 2^k+1\)之下為\(M\)的原根\(g\)的\(r\)次方
為什麼FFT是好的?
因為\((\omega_n^{i})^{2j}=(\omega_n^{i+\frac{n}{2}})^{2j}\)和\(-(\omega_n^{i})^{2j+1}=(\omega_n^{i+\frac{n}{2}})^{2j+1}\)
什麼也有這個性質?(可以拿來取代單位根)
還記得野獸先備裡面有甚麼嗎?
在模質數\(M=r\times 2^k+1\)之下為\(M\)的原根\(g\)的\(r\)次方
\((g^r)^{n}=g^{r\times 2^k}\)\(=g^{M-1}\equiv1\)
為什麼FFT是好的?
因為\((\omega_n^{i})^{2j}=(\omega_n^{i+\frac{n}{2}})^{2j}\)和\(-(\omega_n^{i})^{2j+1}=(\omega_n^{i+\frac{n}{2}})^{2j+1}\)
什麼也有這個性質?(可以拿來取代單位根)
還記得野獸先備裡面有甚麼嗎?
在模質數\(M=r\times 2^k+1\)之下為\(M\)的原根\(g\)的\(r\)次方
\((g^r)^{n}=g^{r\times 2^k}\)\(=g^{M-1}\equiv 1\)
\((g^r)^{\frac{n}{2}}=g^{r\times 2^{k-1}}\)\(=g^\frac{M-1}{2}\equiv \pm1\)(正不合因為還沒繞一圈)
參考code
using ll = long long;
const int M = 998244353;
void NTT (vector <ll>& a, bool inv = 0) {
int n = a.size();
if (n == 1) return;
vector <ll> even(n / 2), odd(n / 2);
for (int i = 0; i < n / 2; i++) even[i] = a[i * 2], odd[i] = a[i * 2 + 1];
NTT(even, inv);
NTT(odd, inv);
for (int i = 0; i < n / 2; i++) {
ll z = OMEGA(i, n);
a[i] = (even[i] + odd[i] * z) % M;
a[i + n / 2] = (even[i] - odd[i] * z) % M;
a[i] = (a[i] % M + M) % M;
a[i + n / 2] = (a[i + n / 2] % M + M) % M;
}
if (inv and n == nn) {
int qq = f(n, M-2);
for (int i = 0; i < n; i++){
a[i] *= qq;
a[i] = (a[i] % M + M) % M;
}
}
return;}
...
...
...
omega[0] = 1, omega[1] = f(3, (M - 1) / nn);
for (int i = 2; i <= nn; i++) omega[i] = omega[i - 1] * omega[1] % M;
常用模數
- \(998244353=119\times2^{23}+1\),\(g=3\)
- \(1004535809=479\times2^{21}+1\),\(g=3\)
- \(469762049=7\times2^{26}+1\),\(g=3\)
- 可以上網看一下NTT常用模數表
- 原根不一定只有一個,但只要背一個就好
FFT v.s. NTT
- FFT需要浮點數,精度可能燒雞
- NTT的值雖然是整數,但全都模過\(M\)
- 運行上,NTT會快一點
丟掉遞迴
丟掉手錶丟外套丟掉背包再丟嘮叨丟掉電視丟電腦丟掉大腦再丟煩惱衝啥大衝啥小
\(a_0, a_1, a_2, a_3, a_4, a_5, a_6, a_7\)
\(a_1, a_3, a_5, a_7\)
\(a_0, a_4\)
\(a_0, a_2, a_4, a_6\)
\(a_2, a_6\)
\(a_1, a_5\)
\(a_3, a_7\)
\(a_0\)
\(a_4\)
\(a_2\)
\(a_6\)
\(a_1\)
\(a_5\)
\(a_3\)
\(a_7\)
DFT架構圖
\(a_0, a_1, a_2, a_3, a_4, a_5, a_6, a_7\)
\(a_1, a_3, a_5, a_7\)
\(a_0, a_4\)
\(a_0, a_2, a_4, a_6\)
\(a_2, a_6\)
\(a_1, a_5\)
\(a_3, a_7\)
\(a_0\)
\(a_4\)
\(a_2\)
\(a_6\)
\(a_1\)
\(a_5\)
\(a_3\)
\(a_7\)
顯然可以排序成最下面那排,再一一往上合併
\(a_0, a_1, a_2, a_3, a_4, a_5, a_6, a_7\)
\(a_1, a_3, a_5, a_7\)
\(a_0, a_4\)
\(a_0, a_2, a_4, a_6\)
\(a_2, a_6\)
\(a_1, a_5\)
\(a_3, a_7\)
\(a_0\)
\(a_4\)
\(a_2\)
\(a_6\)
\(a_1\)
\(a_5\)
\(a_3\)
\(a_7\)
000
100
010
110
001
101
011
111
二進位
\(a_0, a_1, a_2, a_3, a_4, a_5, a_6, a_7\)
\(a_1, a_3, a_5, a_7\)
\(a_0, a_4\)
\(a_0, a_2, a_4, a_6\)
\(a_2, a_6\)
\(a_1, a_5\)
\(a_3, a_7\)
\(a_0\)
\(a_4\)
\(a_2\)
\(a_6\)
\(a_1\)
\(a_5\)
\(a_3\)
\(a_7\)
000
100
010
110
001
101
011
111
二進位
反二進位
000
001
010
011
100
101
110
111
其實是對reverse的二進位排序!
\(a_0, a_1, a_2, a_3, a_4, a_5, a_6, a_7\)
\(a_1, a_3, a_5, a_7\)
\(a_0, a_4\)
\(a_0, a_2, a_4, a_6\)
\(a_2, a_6\)
\(a_1, a_5\)
\(a_3, a_7\)
\(a_0\)
\(a_4\)
\(a_2\)
\(a_6\)
\(a_1\)
\(a_5\)
\(a_3\)
\(a_7\)
其實是對reverse的二進位排序!
對最後一位排序
對第二位排序
對首位排序
參考code
using ll = long long;
const int M = 998244353;
int rev[2010000];
ll omega[2010000];
void NTT (vector <ll>& a) {
//排序
int n = a.size();
int k = __lg(n);
memset(rev, 0, sizeof(rev));
for (int i = 0; i < nn; i++) for (int j = 0; j < k; j++)
rev[i] += (1 << j) * ((i >> (k - 1 - j)) & 1);
for (int i = 0; i < nn; i++) if (rev[i] < i) swap(a[i], a[rev[i]]);
//NTT,我這裡是用滾動的
vector <ll> ans[2] = {a, a};
int lst = 0, now = 1;
for (int len = 2; len <= nn; len *= 2) {
for (int j = 0; j < nn; j += len) {
for (int p = j; p < j + len / 2; p++) {
ll c = ans[lst][p], d = ans[lst][p + len / 2];
ans[now][p] = ((c + OMEGA(p - j, len) * d) % M + M) % M;
ans[now][p + len / 2] = ((c + OMEGA(p - j + len / 2, len) * d) % M + M) % M;
}
}
swap(lst, now);
}
a = ans[lst];
return;}
優點
- 跑比較快
任意模數FFT
與其說是任意模數不如說是求得真值後,
再對一個任意的模數取模
3NTT
- 做三次NTT
- 中國剩餘定理
- 聰明的合併、取模或大數處理
3NTT
- 做三次NTT
- 中國剩餘定理
- 聰明的合併、取模或大數處理
- 不會中國剩餘定理的請舉手
3NTT
- 做三次NTT
- 中國剩餘定理
- 聰明的合併、取模或大數處理
- 不會中國剩餘定理的請舉手
- 記得學一下
,你們現在可能不知道,但我下次看到你們的時候,你們就知道為什麼很重要了(by蔡孟宗)
3NTT 參考code
MTT
- 神仙FFT
- 把一個多項式拆成兩個來減少精度造成的影響
- 純樸做要12次DFT,但可以優化到4次
FWHT(一般化位元卷積)
FFT 是想要快速算出$$c_k=\sum_{i+j=k}a_i\ b_j$$
FWHT 是想要快速算出$$c_k=\sum_{f(i,j)=k}a_i\ b_j$$
這個\(f(i,j)\)可以是任何二元位元運算
同樣的方法甚至可以擴展到某些不是位元運算的運算
我們先直接接受FWHT和FFT可以用一樣的方法做
- 算\(TA\), \(TB\)
- 用\(TA\), \(TB\)做出\(TC\)
- 算\(T^{-1}TC\),得到\(C\)
以XOR為例
\(F\)是誰?
以XOR為例子
先看2*2的矩陣\(T_2=\begin{bmatrix}w&x\\y&z\end{bmatrix}\)
我們要\(T_2\begin{bmatrix}a_0\\a_1\end{bmatrix}\cdot\) \(T_2\begin{bmatrix}b_0\\b_1\end{bmatrix}=\) \(T_2\begin{bmatrix}c_0\\c_1\end{bmatrix}=\) \(T_2\begin{bmatrix}a_0b_0+a_1b_1\\a_0b_1+a_1b_0\end{bmatrix}\)
內積(點積)
以XOR為例子
先看2*2的矩陣\(T_2=\begin{bmatrix}w&x\\y&z\end{bmatrix}\)
我們要\(T_2\begin{bmatrix}a_0\\a_1\end{bmatrix}\cdot\) \(T_2\begin{bmatrix}b_0\\b_1\end{bmatrix}=\) \(T_2\begin{bmatrix}c_0\\c_1\end{bmatrix}=\) \(T_2\begin{bmatrix}a_0b_0+a_1b_1\\a_0b_1+a_1b_0\end{bmatrix}\)
以XOR為例子
先看2*2的矩陣\(T_2=\begin{bmatrix}w&x\\y&z\end{bmatrix}\)
我們要\(T_2\begin{bmatrix}a_0\\a_1\end{bmatrix}\cdot\) \(T_2\begin{bmatrix}b_0\\b_1\end{bmatrix}=\) \(T_2\begin{bmatrix}c_0\\c_1\end{bmatrix}=\) \(T_2\begin{bmatrix}a_0b_0+a_1b_1\\a_0b_1+a_1b_0\end{bmatrix}\)
以XOR為例子
先看2*2的矩陣\(T_2=\begin{bmatrix}w&x\\y&z\end{bmatrix}\)
我們要\(T_2\begin{bmatrix}a_0\\a_1\end{bmatrix}\cdot\) \(T_2\begin{bmatrix}b_0\\b_1\end{bmatrix}=\) \(T_2\begin{bmatrix}c_0\\c_1\end{bmatrix}=\) \(T_2\begin{bmatrix}a_0b_0+a_1b_1\\a_0b_1+a_1b_0\end{bmatrix}\)
得到方程組
以XOR為例子
先看2*2的矩陣\(T_2=\begin{bmatrix}w&x\\y&z\end{bmatrix}\)
我們要\(T_2\begin{bmatrix}a_0\\a_1\end{bmatrix}\cdot\) \(T_2\begin{bmatrix}b_0\\b_1\end{bmatrix}=\) \(T_2\begin{bmatrix}c_0\\c_1\end{bmatrix}=\) \(T_2\begin{bmatrix}a_0b_0+a_1b_1\\a_0b_1+a_1b_0\end{bmatrix}\)
\((w,x)\)和\((y,z)\)皆可為\((0,0),(1,1),(1,-1)\)
以XOR為例子
先看2*2的矩陣\(T_2=\begin{bmatrix}w&x\\y&z\end{bmatrix}\)
我們要\(T_2\begin{bmatrix}a_0\\a_1\end{bmatrix}\cdot\) \(T_2\begin{bmatrix}b_0\\b_1\end{bmatrix}=\) \(T_2\begin{bmatrix}c_0\\c_1\end{bmatrix}=\) \(T_2\begin{bmatrix}a_0b_0+a_1b_1\\a_0b_1+a_1b_0\end{bmatrix}\)
\((w,x)\)和\((y,z)\)皆可為\((0,0),(1,1),(1,-1)\)
因為\(T_2\)可逆,所以\(T_2=\begin{bmatrix}1&1\\1&-1\end{bmatrix}\),發現\(T_2^{-1}=\frac{1}{2}T_2\)
以XOR為例子-將\(T_2\)擴展
\(T_2=\begin{bmatrix}1&1\\1&-1\end{bmatrix}\)
將多項式\(A\)(長度為4)分成兩半\(A_0\),\(A_1\),個別視作單一元素
我們要\(U\begin{bmatrix}T_2 A_0\\T_2 A_1\end{bmatrix}\cdot\) \(U\begin{bmatrix}T_2 B_0\\T_2 B_1\end{bmatrix}=\) \(U\begin{bmatrix}T_2 C_0\\T_2 C_1\end{bmatrix}=\) \(U\begin{bmatrix}T_2A_0B_0+T_2A_1B_1\\T_2A_0B_1+T_2A_1B_0\end{bmatrix}\)
以XOR為例子-將\(T_2\)擴展
\(T_2=\begin{bmatrix}1&1\\1&-1\end{bmatrix}\)
將多項式\(A\)(長度為4)分成兩半\(A_0\),\(A_1\),個別視作單一元素
我們要\(U\begin{bmatrix}T_2 A_0\\T_2 A_1\end{bmatrix}\cdot\) \(U\begin{bmatrix}T_2 B_0\\T_2 B_1\end{bmatrix}=\) \(U\begin{bmatrix}T_2 C_0\\T_2 C_1\end{bmatrix}=\) \(U\begin{bmatrix}T_2A_0B_0+T_2A_1B_1\\T_2A_0B_1+T_2A_1B_0\end{bmatrix}\)
根據之前的經驗可以得到\(U=\begin{bmatrix}I_2&I_2\\I_2&-I_2\end{bmatrix}\),可以分治做事。
還可以得到滿足\(T_4A\cdot\) \(T_4B=\) \(T_4C\)的\(T_4=\begin{bmatrix}T_2&T_2\\T_2&-T_2\end{bmatrix}\)
以XOR為例子-參考code(700ms)
using ll = long long;
const int M = 998244353;
int k;
vector<ll> FWHT (vector<ll>&a) {
int n = a.size();
if (n == 1) return a;
vector<ll> zero(n / 2), one(n / 2);
for (int i = 0; i < n / 2; i++) zero[i] = a[i], one[i] = a[i + n / 2];
zero = FWHT(zero), one = FWHT(one);
for (int i = 0; i < n / 2; i++) a[i] = zero[i] + one[i], a[i + n / 2] = zero[i] - one[i];
for (int i = 0; i < n; i++) a[i] = (a[i] % M + M) % M;
return a;
}
int main () {
cin >> k;
int n = (1 << k);
vector <ll> a(n), b(n), c(n);
for (auto &x : a) cin >> x;
for (auto &x : b) cin >> x;
a = FWHT(a), b = FWHT(b);
for (int i = 0; i < n; i++) c[i] = a[i] * b[i] % M;
c = FWHT(c);
for (int i = 0; i < n; i++) c[i] = c[i] * fmul(n, M - 2) % M;
for (int i = 0; i < n; i++) cout << c[i] << ' ';
cout << '\n';
}
以XOR為例子-參考code-迭代(200ms)
vector<ll> FWHT (vector<ll>&a) {
int n = a.size();
if (n == 1) return a;
for (int len = 2; len <= n; len <<= 1) {
int sml = len / 2;
for (int i = 0; i < n / len; i++) {
for (int j = 0; j < sml; j++) {
int old0 = a[i * len + j], old1 = a[i * len + j + sml];
a[i * len + j] = (old0 + old1) % M;
a[i * len + j + sml] = (old0 - old1 + M) % M;
}
}
}
return a;
}
OR, AND之類的也可以這樣先列式處理2*2再擴展到更大
OR的矩陣是\(\begin{bmatrix}1&0\\1&1\end{bmatrix}\)
AND的矩陣是\(\begin{bmatrix}0&1\\1&1\end{bmatrix}\)
瑣事-指稱
- 這種位元卷積的一般化解法可以叫做FWHT
- FWHT曾專指XOR卷積
OR卷積和SOS DP
OR卷積的矩陣長得像\(\begin{bmatrix}1&0\\1&1\end{bmatrix}\)
OR卷積的矩陣長得像\(\begin{bmatrix}1&0\\1&1\end{bmatrix}\)
vector<int> FWHT (vector<int>&a) {
int n = a.size();
if (n == 1) return a;
for (int len = 2; len <= n; len <<= 1) {
int sml = len / 2;
for (int i = 0; i < n / len; i++) {
for (int j = 0; j < sml; j++) {
a[i * len + j + sml] = (a[i * len + j] + a[i * len + j + sml]) % M;
}
}
}
return a;
}
code可能長的像這樣
OR卷積的矩陣長得像\(\begin{bmatrix}1&0\\1&1\end{bmatrix}\)
vector<int> FWHT (vector<int>&a) {
int n = a.size();
if (n == 1) return a;
for (int len = 2; len <= n; len <<= 1) {
int sml = len / 2;
for (int i = 0; i < n / len; i++) {
for (int j = 0; j < sml; j++) {
a[i * len + j + sml] = (a[i * len + j] + a[i * len + j + sml]) % M;
}
}
}
return a;
}
code可能長的像這樣
怎麼有點像SOS ?
OR卷積的矩陣長得像\(\begin{bmatrix}1&0\\1&1\end{bmatrix}\)
vector<int> FWHT (vector<int>&a) {
int n = a.size();
if (n == 1) return a;
for (int len = 2; len <= n; len <<= 1) {
int sml = len / 2;
for (int i = 0; i < n / len; i++) {
for (int j = 0; j < sml; j++) {
a[i * len + j + sml] = (a[i * len + j] + a[i * len + j + sml]) % M;
}
}
}
return a;
}
code可能長的像這樣
怎麼有點像SOS ?
因為就真的是SOS
- OR是SOS(子集和)
- AND也是SOS(超集合)
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- \({c_k}'=\sum_{(i\lor j)\subseteq k}a_i b_j\)
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- \({c_k}'=\sum_{(i\lor j)\subseteq k}a_i b_j\)
\( =\sum_{(i\subseteq k) \land (j\subseteq k)} a_ib_j\)
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- \({c_k}'=\sum_{(i\lor j)\subseteq k}a_i b_j\)
\(=\sum_{(i\subseteq k) \land (j\subseteq k)} a_ib_j\)
\(=(\sum_{i\subseteq k}a_i)(\sum_{j\subseteq k}b_j)\)
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- \({c_k}'=\sum_{(i\lor j)\subseteq k}a_i b_j\)
\(=\sum_{(i\subseteq k) \land (j\subseteq k)} a_ib_j\)
\(=(\sum_{i\subseteq k}a_i)(\sum_{i\subseteq k}b_i)\)
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- \({c_k}'=\sum_{(i\lor j)\subseteq k}a_i b_j\)
\(=\sum_{(i\subseteq k) \land (j\subseteq k)} a_ib_j\)
\(=(\sum_{i\subseteq k}a_i)(\sum_{i\subseteq k}b_i)\) - 怎麼求\((\sum_{i\subseteq k}a_i)\)、\((\sum_{i\subseteq k}b_i)\)?
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- \({c_k}'=\sum_{(i\lor j)\subseteq k}a_i b_j\)
\(=\sum_{(i\subseteq k) \land (j\subseteq k)} a_ib_j\)
\(=(\sum_{i\subseteq k}a_i)(\sum_{i\subseteq k}b_i)\) - 怎麼求\((\sum_{i\subseteq k}a_i)\)、\((\sum_{i\subseteq k}b_i)\)? 子集和
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- \({c_k}'=\sum_{(i\lor j)\subseteq k}a_i b_j\)
\(=\sum_{(i\subseteq k) \land (j\subseteq k)} a_ib_j\)
\(=(\sum_{i\subseteq k}a_i)(\sum_{i\subseteq k}b_i)\) - 怎麼求\((\sum_{i\subseteq k}a_i)\)、\((\sum_{i\subseteq k}b_i)\)? 子集和
- 怎麼把\({c_k}'\)變回\(c_k\)?
- 現在只考慮OR
- \(c_k=\sum_{i\lor j = k}a_i b_j\)
- \({c_k}'=\sum_{(i\lor j)\subseteq k}a_i b_j\)
\(=\sum_{(i\subseteq k) \land (j\subseteq k)} a_ib_j\)
\(=(\sum_{i\subseteq k}a_i)(\sum_{i\subseteq k}b_i)\) - 怎麼求\((\sum_{i\subseteq k}a_i)\)、\((\sum_{i\subseteq k}b_i)\)? 子集和
- 怎麼把\({c_k}'\)變回\(c_k\)? 用子集和的結構來扣
黃色小鴨Pro Max
模板題
如果聽不懂我在講什麼...
-
FFT : -is-this-fft-
-
FWHT : CF blog(看FWHT就好)、leetcode居然也有好文
-
單位根與原根 : 不認識的中國人的網站
-
任意模數 : cnblogs
-
general : ultimate topic list、USACO guide、IOIC 2023
更多令人討厭的...
- 優化
- 多變數 FFT
- CDQ分治FFT
- gcd,lcm卷積
- (max,+)卷積
- 其他奇形怪狀的卷積
- 我其實不知道這是什麼
- 多項式全家桶
- 生成函數
(想學的回家自己卷的)
🎉恭喜中国台湾施竣耀同学勇夺IOI金牌
国家栋梁,保送清华、北大
2 0 2 5
Convolution
By owoorzwk3meow
Convolution
- 15