【多项式】快速莫比乌斯变换（FMT）

快速莫比乌斯变换（Fast Möbius Transform, FMT），有时也称为快速子集卷积或子集和变换，是处理集合幂级数（Set Power Series）的一种高效算法。它在组合数学、图论、动态规划等领域有广泛应用，尤其在处理与子集相关的卷积问题时非常关键。

FMT 的核心思想是利用莫比乌斯反演，将子集卷积（Subset Convolution）从朴素的 $O(3^n)$ 优化到 $O(n\cdot 2^n)$。

---

一、问题背景：子集卷积（Subset Convolution）

1.1 什么是子集卷积？

给定两个定义在集合 U={1,2,…,n}U = \{1, 2, \dots, n\}U={1,2,…,n} 的幂集上的函数 $f,g:2^U\to \mathbb{R}$，我们定义它们的子集卷积 $h=f\ast g$ 为：

$$h(S)=\sum _{T\subseteq S}f(T)\cdot g(S\setminus T)$$

注意：这里的 $T\cap (S\setminus T)=\varnothing$，即 $T$ 和 $S\setminus T$ 不相交。这与普通的或卷积（$T\cup R=S$，但 $T\cap R$ 可能非空）不同。

子集卷积要求两个子集不相交，因此它比普通的或卷积更“严格”。

---

1.2 朴素算法的复杂度

直接计算每个 $S\subseteq U$ 的 $h(S)$，需要枚举所有 $T\subseteq S$，共有 $2^{|S|}$ 个子集。对所有 $S$ 求和：

$$\sum _{k=0}^n\left(\genfrac{}{}{0ex}{}{n}{k}\right)2^k=3^n$$

所以朴素算法复杂度为 $O(3^n)$，当 $n>20$ 时就不可接受了。

---

二、FMT 的核心思想

FMT 的目标是将子集卷积转化为逐点乘积，类似于 FFT 将多项式乘法转化为点值乘法。

但子集卷积的难点在于：不相交性。普通或卷积可以通过 FWT（快速沃尔什变换）解决，但无法直接处理不相交条件。

FMT 的解决方案是：按集合大小分层。

---

三、分层表示（关键步骤）

我们引入一个新的维度：集合的大小。

定义：

$$f_k(S)=\{\begin{array}{ll}f(S)& \text{if }|S|=k\\ 0& \text{otherwise}\end{array}$$

即 $f_k$ 只在大小为 $k$ 的集合上保留原值，其余为 0。

于是，原函数 $f(S)$ 可以表示为：

$$f(S)=\sum _{k=0}^n{f}_k(S)$$

但更重要的是，子集卷积可以写成：

$$h(S)=\sum _{i=0}^n\sum _{j=0}^n[i+j=|S|]\sum _{T\subseteq S,|T|=i}{f}_i(T)g_j(S\setminus T)$$

这启发我们：对每个大小 $k$，分别计算 $f_k$ 和 $g_k$ 的或卷积，然后在满足 $i+j=k$ 时合并。

---

四、FMT 的具体步骤

FMT 本质上是对每个大小层 $k$，对函数 $f_k$ 做一次快速沃尔什变换（FWT）的子集和变换。

4.1 子集和变换（Sum Over Subsets, SOS）

对于函数 $f:2^n\to \mathbb{R}$，其子集和变换（也叫 zeta 变换）定义为：

$$\hat{f}(S)=\sum _{T\subseteq S}f(T)$$

这个变换可以用 SOS DP 在 $O(n\cdot 2^n)$ 时间内完成。

算法（升维法）：

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

这就是 FMT 的核心变换。

---

4.2 FMT 的完整流程

我们要计算 $h=f\ast g$，其中 $\ast$ 是子集卷积。

步骤：

1. 分层：将 $f$ 和 $g$ 按集合大小分层，得到 $f_0,f_1,\dots ,f_n$ 和 $g_0,g_1,\dots ,g_n$。

2. 对每层做 FMT（子集和变换）：
   对每个 $k$，计算 ${\hat{f}}_k(S)={\sum }_{T\subseteq S}{f}_k(T)$
   同理计算 ${\hat{g}}_k(S)$

3. 逐点卷积：
   对每个集合 $S$ 和每个 $k$，计算：
   $${\hat{h}}_k(S)=\sum _{i+j=k}{\hat{f}}_i(S)\cdot {\hat{g}}_j(S)$$

4. 逆变换（莫比乌斯反演）：
   对每个 $k$，对 ${\hat{h}}_k$ 做莫比乌斯反演（即子集和变换的逆），得到 $h_k$：
   $$h_k(S)=\sum _{T\subseteq S}\mu (T,S){\hat{h}}_k(T)$$
   其中 $\mu (T,S)=(-1{)}^{|S\setminus T|}$，所以逆变换为：

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

5. 合并结果：$h(S)=h_{|S|}(S)$

---

五、C++ 实现

下面我们实现一个完整的 FMT 来计算子集卷积 $h=f\ast g$。

#include <iostream>
#include <vector>
using namespace std;typedef long long ll;
const int MAXN = 20;// 快速莫比乌斯变换（子集和变换）: f[S] += f[T] for all T ⊂ S
void FMT(vector<ll>& f, int n, bool inverse = false) {for (int i = 0; i < n; i++) {for (int mask = 0; mask < (1 << n); mask++) {if (mask & (1 << i)) {if (!inverse) {f[mask] += f[mask ^ (1 << i)];} else {f[mask] -= f[mask ^ (1 << i)];}}}}
}// 子集卷积: h[S] = sum_{T ⊆ S, T ∩ (S\T) = ∅} f[T] * g[S\T]
vector<ll> subset_convolution(const vector<ll>& f, const vector<ll>& g, int n) {// 分层: f_layer[k][mask] 只在 |mask| == k 时有值vector<vector<ll>> f_layer(n + 1, vector<ll>(1 << n, 0));vector<vector<ll>> g_layer(n + 1, vector<ll>(1 << n, 0));// 填充分层数组for (int mask = 0; mask < (1 << n); mask++) {int cnt = __builtin_popcount(mask);f_layer[cnt][mask] = f[mask];g_layer[cnt][mask] = g[mask];}// 对每一层做 FMT（子集和变换）for (int k = 0; k <= n; k++) {FMT(f_layer[k], n, false);FMT(g_layer[k], n, false);}// 逐点卷积: h_layer[k] = sum_{i+j=k} f_layer[i] * g_layer[j]vector<vector<ll>> h_layer(n + 1, vector<ll>(1 << n, 0));for (int i = 0; i <= n; i++) {for (int j = 0; j <= n; j++) {int k = i + j;if (k > n) continue;for (int mask = 0; mask < (1 << n); mask++) {h_layer[k][mask] += f_layer[i][mask] * g_layer[j][mask];}}}// 逆变换：对每一层做莫比乌斯反演for (int k = 0; k <= n; k++) {FMT(h_layer[k], n, true);}// 合并结果：h[mask] = h_layer[|mask|][mask]vector<ll> h(1 << n, 0);for (int mask = 0; mask < (1 << n); mask++) {int cnt = __builtin_popcount(mask);h[mask] = h_layer[cnt][mask];}return h;
}// 测试样例
int main() {int n = 3;vector<ll> f(1 << n), g(1 << n);// 示例：f[S] = 1, g[S] = 1for (int i = 0; i < (1 << n); i++) {f[i] = 1;g[i] = 1;}auto h = subset_convolution(f, g, n);cout << "Subset Convolution Result:\n";for (int mask = 0; mask < (1 << n); mask++) {cout << "h(" << mask << ") = " << h[mask] << endl;}return 0;
}

---

六、复杂度分析

• 分层：$O(n\cdot 2^n)$
• 每层 FMT：$O(n\cdot 2^n)$，共 $n+1$ 层 → $O(n^2\cdot 2^n)$
• 逐点卷积：$(n+1{)}^2\cdot 2^n=O(n^2\cdot 2^n)$
• 逆变换：$O(n^2\cdot 2^n)$
• 合并：$O(2^n)$

总复杂度：$O(n^2\cdot 2^n)$

相比朴素 $O(3^n)$，当 $n=20$ 时：

• $3^{20}\approx 3.48\times 10^9$
• $20^2\cdot 2^{20}\approx 400\cdot 10^6=4\times 10^8$

快了一个数量级！

---

七、应用场景

1. 独立集计数：图中大小为 $k$ 的独立集个数。
2. 哈密顿路径计数：通过子集卷积优化状态转移。
3. 生成函数合并：多个集合生成函数的不相交并。
4. 树上的背包问题：合并子树信息时要求不相交。

---

八、总结

概念	说明
FMT	快速莫比乌斯变换，用于高效计算子集卷积
核心	按集合大小分层 + 子集和变换（zeta 变换）
变换类型	类似于 FWT，但用于处理不相交并
复杂度	$O(n^2\cdot 2^n)$
关键操作	FMT（正变换）和 FMT(inverse=true)（逆变换）

---

九、扩展：快速莫比乌斯变换的其他形式

FMT 广义上可以指任何基于莫比乌斯反演的快速变换，包括：

• 子集和变换
• 超集和变换（sum over supersets）
• 整除关系上的莫比乌斯变换（用于数论函数）

但在算法竞赛中，“FMT” 通常特指子集卷积的快速算法。

---

十、常见误区

1. FMT ≠ FWT：FWT 处理或/与/异或卷积，FMT 处理子集卷积（不相交并）。
2. 必须分层：如果不按大小分层，无法保证不相交。
3. 逆变换是减法：莫比乌斯反演是容斥，用减法还原。