1 定义
1.1 基本定义
汉明重量是衡量一个对象中“非零成分”数量的指标。该对象可以是字符串、向量、比特序列或其他离散表示形式。若将其按位置逐项考察，则汉明重量即为其中取非零值的位置个数。
这一概念最早在编码理论与信息论中得到系统使用，后来逐渐扩展到离散数学、算法设计和计算机工程等领域。由于它直接反映“有效位置”的多少，因此在描述误差、稀疏性和激活状态时非常便利。
1.2 二进制情形
在二进制系统中，汉明重量通常指一个比特串中“1”的个数。由于每一位只有0和1两种取值，因此“非零元素”与“1的个数”完全对应。
例如，比特串 101100 的汉明重量为3，因为其中有三个位置上的值为1。这个定义在程序设计、校验码分析以及位掩码处理中尤为常见。
1.3 一般有限字母表上的定义
在更一般的情形下，若考虑有限字母表上的长度固定字符串，汉明重量通常是指相对于某个指定符号的非默认值数量。最常见的做法是把0或某个基准符号视为“零元素”，其余符号都视为非零。
这种推广使汉明重量不再局限于二进制表示，而可以适用于多进制编码、有限域向量以及符号序列分析。实际应用中，所选“零元素”往往由上下文决定。
1.4 与零元素计数的关系
汉明重量本质上是对零元素计数的补充。若对象长度固定，则非零元素个数与零元素个数之和等于总长度。
因此，在固定维数或固定码长的系统中，汉明重量可以通过“总长度减去零的数量”得到。这一关系在稀疏向量统计、错误检测和编码性质证明中经常使用。
2 性质
2.1 非负性
汉明重量是一个计数值，因此总是非负整数。若对象中不存在非零元素，则其汉明重量为0。
这一性质看似简单，但在证明某些结构性质时很重要。例如，它保证了重量函数可以作为一种离散度量或目标函数的基础量。
2.2 上界与下界
对于长度为n的对象，汉明重量的下界为0，上界为n。下界对应所有位置都为零的情况，上界对应每个位置都非零的情况。
如果对象只允许某些位置取非零值，则实际可达到的最大重量可能低于n。不同表示系统中的限制条件，会影响重量的可取范围。
2.3 线性空间中的行为
在向量空间或有限域向量中，汉明重量并不满足普通线性函数的加性，但它与线性结构之间存在紧密联系。特别是在码字、基向量和线性组合的分析中，重量常用于描述支持集的大小。
对向量做线性变换后，汉明重量一般会改变，而且这种变化与变换矩阵的稀疏性、列结构和域上的运算规则有关。因此，重量常被用来衡量编码系统中信息扩散的程度。
2.4 与汉明距离的关系
汉明重量与汉明距离是同一体系中的两个核心概念。前者描述单个对象中非零位置的数量，后者描述两个对象之间对应位置不同的数量。
二者之间最重要的联系是：汉明距离可以转化为差向量的汉明重量。这使得许多关于距离的问题都能改写为重量问题来处理。
2.4.1 差向量与重量
若给定两个等长对象，可先逐位比较并形成差向量。这个差向量在每个位置上反映二者是否不同；在二进制情形下，差向量中的1表示对应位发生不一致。
此时，原来两个对象之间的差异大小，就等同于差向量的汉明重量。该处理方式在证明与计算中都非常常见。
2.4.2 距离表示为重量
对于等长的两个比特串，其汉明距离等于它们按位异或结果的汉明重量。异或会把不同的位置变成1，把相同的位置变成0，因此重量直接给出差异数量。
这一性质是许多纠错码和位运算算法的基础。通过把距离转化为重量，可以利用位计数手段更高效地完成分析。
3 计算方法
3.1 逐位统计法
最直接的计算方式是从左到右逐位检查，遇到非零值就将计数加一。该方法实现简单，适用于长度较短或数据规模较小的情况。
在人工计算和教学演示中，这种方法尤其直观。其缺点是当数据很长时，效率较低。
3.2 位运算与掩码
在二进制环境中，可以借助位运算与掩码提取特定位，再判断其是否为1。掩码通常用于屏蔽无关位，只保留目标位的信息。
此类方法广泛用于系统编程和底层优化。例如，通过按位与、右移或异或等操作，可以快速统计某一区间内的1的数量。
3.3 快速计数算法
为了提高位计数效率，计算机科学中发展出多种快速算法。这些方法通常利用机器字长、并行处理或减少循环次数来提升性能。
3.3.1 Brian Kernighan 算法
Brian Kernighan 算法的核心思想是反复清除当前数中最右侧的1。每执行一次该操作，汉明重量就减少1，直到数值变为0为止。
该算法的运行次数与1的个数直接相关，因此对于稀疏比特串特别高效。它是位操作技巧中的经典例子。
3.3.2 查表法
查表法预先计算小块数据的汉明重量，并在运行时按块查找后累加。例如，可以把一个字节的所有可能取值对应的重量存入表中，再对更长整数分段处理。
这种方法以空间换时间，适合对大量数据重复统计的场景。若表设计合理，执行速度通常较快且实现稳定。
3.3.3 并行位计数技巧
并行位计数技巧利用掩码、移位和加法，把多个位同时折叠到较小的表示中，从而在少量步骤内得到结果。它常见于底层优化和高性能计算实现。
这类算法一般不依赖逐位循环，而是通过分组累加逐步汇总。对于固定字长机器来说，它能显著减少指令数量。
4 应用
4.1 纠错码
在纠错码中，汉明重量是分析码字结构、检测错误数量和评估纠错能力的重要参数。码字的重量分布常常反映编码方案的性能特征。
由于许多码的设计目标就是让不同码字之间保持足够大的距离，因此重量的研究与最小距离分析密不可分。
4.1.1 最小距离分析
线性码的最小距离可以通过非零码字的最小汉明重量来确定。最小距离越大，码的检错和纠错能力通常越强。
因此，在构造和比较编码方案时，常常先研究各个码字的重量，再从中提取最小值作为关键指标。
4.1.2 码字重量分布
码字重量分布描述不同重量的码字各有多少个，是刻画一个码整体性质的重要统计量。它不仅影响错误性能分析，也与谱性质和组合恒等式有关。
对于一些结构规整的码，重量分布可用于推导解码复杂度、误码率近似以及相关代数性质。
4.2 密码学
在密码学中，汉明重量常用于描述密钥、掩码和中间状态中的1的数量。它在某些算法分析里，可以反映数据的稀疏程度或位翻转特征。
此外，重量统计还可帮助研究实现层面的性能与安全性平衡，尤其是在低层位操作频繁的方案中。
4.2.1 密钥与掩码分析
若密钥或掩码具有较低的汉明重量，相关运算可能表现出特定的结构性。分析这类性质有助于理解算法在实际执行中的位分布特征。
在某些设计中，密钥材料的重量会影响存储、传输和处理方式，因此它也是实现优化时会考虑的指标之一。
4.2.2 偏差与侧信道关联
汉明重量有时会与电路功耗、翻转次数或数据切换活动相关联。由于位值变化可能影响硬件行为，重量统计可被用于构建某些泄漏模型。
这类分析主要出现在安全评估与实现研究中，重点在于观察数据位模式与外部可测信号之间的关联。
4.3 组合数学
在组合数学里，汉明重量可以自然地解释为集合大小或选择数量，因此常用于把代数问题转化为组合计数问题。
它使许多关于子集、配置和分布的问题可以借助简单的“计数非零项”方式处理。
4.3.1 集合的基数表示
把集合表示成特征向量时，汉明重量就等于集合的基数，也就是元素个数。集合中某元素是否出现，对应向量中相应位置是否为1。
这种对应关系在集合论、编码表示和离散优化中都很常见。通过特征向量，集合运算也能转化为位运算。
4.3.2 子集选择问题
在子集选择问题中，汉明重量可直接表示所选元素的数量。若需要从候选项中挑出若干个，重量约束往往就是“选几个”的数学表达。
因此，在背包类模型、方案枚举和搜索算法中，重量经常作为限制条件或目标函数的一部分。
4.4 计算机体系结构
汉明重量在计算机体系结构中具有很强的实用性，因为位计数是许多底层任务中的常见操作，如标志位统计、掩码分析和稀疏数据处理。
随着处理器指令集和专用硬件的发展，位计数逐渐成为被直接支持的基础功能之一。
4.4.1 指令级支持
一些处理器提供专门的位计数指令，可直接返回整数的汉明重量。与软件循环相比，这类指令通常更快，也更适合高频调用。
在编译器优化中，如果目标平台支持相关指令，位计数表达式往往可以被自动替换为更高效的机器指令。
4.4.2 硬件加速
除通用指令外，部分硬件系统还会采用并行逻辑单元来加速位统计。此类设计常见于专用处理器、图像处理单元或高吞吐计算模块。
硬件加速的优势在于延迟低、吞吐高，适合大规模批量处理。对于数据分析和通信处理任务，这一点尤其重要。
5 相关概念
5.1 汉明距离
汉明距离是两个等长对象在对应位置上不同的数量。它与汉明重量关系紧密，常通过差向量的重量来计算。
在编码理论中，汉明距离用于衡量码字之间的分离程度，是判断纠错能力的核心指标之一。
5.2 绝对值与范数类比
汉明重量常被看作离散情形下的一种“大小”度量，类似于连续数学中的绝对值或范数。虽然它不是传统意义上的欧几里得长度，但同样可以反映对象的规模。
这种类比有助于理解为什么重量能在分析中发挥类似“幅度指标”的作用。
5.3 斯普拉格-格朗迪式计数类比
在某些离散结构中，计数规则会把局部状态汇总成整体指标，这种思路与汉明重量的“逐位计数”方式具有相似性。二者都强调从多个简单位置出发，得到一个总量描述。
不过，汉明重量本身并不属于博弈论中的斯普拉格-格朗迪函数体系，这里更多是方法上的类比。
5.4 权重向量
权重向量是对各位置赋予不同重要性的扩展形式。与普通汉明重量不同，它不再简单统计非零个数，而是对不同位置进行加权求和。
这种概念适用于位置重要性不均等的场景，例如通信系统中某些位比其他位更关键，或者数据分析中不同特征具有不同贡献。
6 扩展与变体
6.1 非二进制重量
在非二进制系统中，汉明重量可推广为非默认符号的计数，或者在有限域向量中统计非零项数。这类推广保持了“数非零”的基本思想，但不再局限于0与1。
它常见于多值编码、多进制信号和符号串分析中。
6.2 分组重量
分组重量是把对象按若干块划分后，统计每一块是否为非零，再对块数求和。与逐位汉明重量相比，它更适合处理分段编码或块结构数据。
这种方式可以突出局部结构差异，常用于嵌入式表示、分块存储和某些容错方案中。
6.3 稀疏度与密度指标
汉明重量与稀疏度密切相关。重量越小，表示非零位置越少，数据越稀疏；反之则越密集。
因此，在机器学习、压缩表示和图计算中，汉明重量可作为衡量向量稀疏性的一种基础指标。
6.4 加权汉明重量
加权汉明重量是在普通汉明重量基础上，为不同位置赋予不同权重后得到的总和。它既保留了“统计非零位置”的结构，又能体现位置重要性的差异。
该变体适合编码设计、特征评估和约束优化等场景，尤其当各位对整体效果的贡献并不相同时，更具表达能力。