算法 & 数学碎碎念
前半部分主要为公式、推导、证明等速成提纲,大部分实现、模板、表格放在文末.
1 数论
1.1 ExGCD
1.2 CRT
注记. \[ M_i \operatorname{inv}_{m_i}(M_i) \mod m_j = [i = j] \]
ExCRT
对一般的情况,考虑合并两个同余方程.给定 \(2\) 个同余方程 \[ \left\{ \begin{aligned} x &\equiv a_1 \pmod{m_1} \\ x &\equiv a_2 \pmod{m_2} \end{aligned} \right. \] 考虑化为不定方程形式 \[ \begin{aligned} x = k_1 m_1 + a_1 \\ x = k_2 m_2 + a_2 \end{aligned} \] 合并得到 \[ k_1 m_1 + a_1 = k_2 m_2 + a_2 \] 即 \[ k_1 m_1 - k_2 m_2 = a_2 - a_1 \] 此即关于 \(k_1, k_2\) 的不定方程.若 \(\gcd(m_1, m_2) \mid a_2 - a_1\),则可应用 ExGCD 求得方程的一组解,带回即得 \[ x \equiv k_1 m_1 + a_1 \pmod{\operatorname{lcm}(m_1, m_2)} \] 否则同余方程组无解.
注记. 若一组同余方程两两可合并,则全部均可合并.当判断大规模同余方程组是否有解时可能用到.
1.3 BSGS
求 \(a^x \equiv b \pmod{m}\) 的一个特解,其中 \(\gcd(a,m) = 1\).
实质是非常暴力的根号分治.根据 Euler 定理,只需检测连续 \(\varphi(m)\) 个 \(x\) 就可判定是否有解.令 \(x = q \left\lceil \sqrt m \right\rceil -r\),其中 \(q,r \in [1,\left\lceil \sqrt m \right\rceil]\),于是 \(x \in [0,\left\lceil \sqrt m \right\rceil^2)\).代入原方程移项即得 \(a^{q \left\lceil \sqrt m \right\rceil} \equiv b a^r \pmod{m}\),右边使用 map
提前存下即可.时间复杂度 \(O(\sqrt m)\).
1.4 Miller-Rabin【TODO】
1.5 Pollard-Rho【TODO】
1.6 原根、Euler 定理等
见 FFT/NTT 讲稿.
1.7 Lucas 定理
证明的要点有二:一是 \(\binom {p^i} m \bmod {p} = [m = 0 \land m = p^i]\),即 \((1+x)^{p^i} \equiv 1 + x^{p^i} \pmod p\);二是 Vandermonde 卷积按 \(p\) 进制拆分.生成函数食用风味更佳.
参考:
1.8 Legendre 公式和 Kummer 定理
左侧显然,按和式统计贡献即证.对于右侧, \[ \begin{aligned} \sum_{i=1}^{+\infty} \left\lfloor \frac n {p^i} \right\rfloor &= \sum_{i=1}^{+\infty} \sum_{k=0}^{+\infty} n_{k+i} p^k \\ &= \sum_{j=1}^{+\infty} n_j \sum_{k=0}^{j-1} p^k \\ &= \sum_{j=1}^{+\infty} n_j \frac{p^j-1}{p-1} \\ &= \frac 1 {p-1} \left(\sum_{j=1}^{+\infty} n_j p^j - \sum_{j=1}^{+\infty} n_j\right) \\ &= \frac 1 {p-1} \left(\sum_{j=0}^{+\infty} n_j p^j - \sum_{j=0}^{+\infty} n_j\right) \\ &= \frac {n - S_p(n)}{p-1} \end{aligned} \]
大力使用 定理 4 考察 \(\binom {a+b}{a}\) 的含 \(p\) 量: \[ \begin{aligned} \nu_p \left( \binom {a+b}{a} \right) &= \nu_p((a+b)!) - \nu_p(a!) - \nu_p(b!) \\ &= \sum_{k=1}^\infty \left( \left\lfloor \frac {a+b}{p^k} \right\rfloor - \left\lfloor \frac {a}{p^k} \right\rfloor - \left\lfloor \frac {b}{p^k} \right\rfloor \right) \end{aligned} \] 该公式恰好对 \(a+b\) 在 \(p\) 进制计算过程中每一位发生的进位进行了求和.定理的 \(S_p\) 形式容易通过 定理 4 的另一形式得到.
研究该定理 \(a+b = p^m\) 的特例.用下降阶乘幂形式考虑二项式系数中 \(k\) 递增的过程,注意到 \(\nu_p (p^m-k) = \nu_p(k)\),可以发现分子新增的 \(n-k+1\) 和分母新增的 \(k\) 恰好错一位,于是 \[ \nu_p \left( \binom {p^m} k \right) = m - \nu_p (k),\quad k = 1,2,\dots,p^m \]
作为 Kummer 定理和上述特殊情况的推论,我们有 \[ \gcd_{k=1}^{n-1} \binom{n}{k} = \begin{cases} p & n = p^m \\ 1 & \text{otherwise} \end{cases} \] 其中 \(p\) 是某一质数.这符合 Kummer 定理的直观描述.得到 \(p^m\) 的加法必然会出现进位,在加法 \(p^{m-1} + (p-1) p^{m-1}\) 时达到最小进位次数 \(1\);否则在任一质数进制 \(p\) 下,都可以取加法 \(\operatorname{lowbit}_p (n) + (n - \operatorname{lowbit}_p (n))\) 使得不发生进位.
参考:
1.9 扩展 Euler 定理
\[ a^b \equiv a^{b \bmod \varphi(m) + \varphi(m)} \pmod{m} \]
进入循环所需步骤其实很少,一定小于 \(\varphi(m)\).(疑似量级在 \(\log m\) 以下,存疑,见 FFT 讲稿)
1.10 Lagrange 定理
这是域上的多项式理论在模 \(p\) 整数域上的应用.
1.11 Wilson 定理
\(p=2\) 容易特判证明.现在只考虑 \(p\) 是奇质数的情况.
\((p-1)!\) 中,互为逆元的数相互抵消,仅剩下逆元为自身的数 \(\pm 1\),立得上述定理.
另一种证法注意到 \(x^{p-1} - 1 = \prod_{k=1}^{p-1} (x-k)\).这是因为 Fermat 小定理指出 \(1\) 至 \(p-1\) 的所有数的 \(p-1\) 次幂均为 \(1\),而 Lagrange 定理又保证了多项式点值到系数映射的唯一性.随后代入 \(x=0\) 立得结论.
1.12 线性预处理
线性求逆元
现欲求出 \(a\) 模质数 \(p\) 意义下的逆元 \(a^{-1}\).用 \(a\) 对 \(p\) 做带余除法,\(p=qa+r\),于是 \(-qa \equiv r \pmod p\).两侧同时乘 \(r\) 的逆元 \(r^{-1}\) 得 \(-q r^{-1} a \equiv 1 \pmod p\),故 \[ a^{-1} = - q r^{-1} = - \left\lfloor \frac p a \right\rfloor \cdot (p \bmod a)^{-1} \]
线性阶乘逆
\[ \frac 1 {n!} = (n+1) \cdot \frac 1 {(n+1)!} \]
2 积性函数
2.1 整除分块
=0;
ll ansfor(ll l=1,r,d;l<=N;l=r+1){
=N/l, r=N/d;
d+=(S_mu(r)-S_mu(l-1))*d;
ans}
此 \(O(\sqrt n)\) 较满,极大劣于因子个数的 \(O(\sqrt n)\).
另有变种枚举 \(\left\lfloor \frac n {d^2} \right\rfloor\) 的整除分块如下,复杂度为 \(O(n^{1/3})\).
=0;
ll ansfor(ll l=1,r,d;l*l<=N;l=r+1){
=N/(l*l),r=sqrt(N/d);
d+=(S_mu(r)-S_mu(l-1))*d;
ans}
上取整整除分块
(ll a,ll b){ //ceil(a/b)
ll cdivreturn (a<0||a%b==0)?a/b:a/b+1;
}
=0;
ll ansfor(ll l,r=N,d;r>=1;r=l-1){
=cdiv(N,r), l=cdiv(N,d);
d+=(S_mu(r)-S_mu(l-1))*d;
ans}
2.2 杜教筛
设 \(f\) 为一数论函数,我们希望快速求得其前缀和 \(\hat f (n) = \sum_{i=1}^n f(i)\). 考虑数论函数 \(g\) 和 \(h = g * f\), \[ h(n) = \sum_{d \mid n} g(d) f(\frac n d) \] 两端做前缀和得 \[ \begin{aligned} \hat h (n) &= \sum_{i=1}^n h(i) \\ &= \sum_{i=1}^n \sum_{d \mid i} g(d) f(\frac i d) \\ &= \sum_{d=1}^n g(d) \sum_{i=1}^{\left\lfloor \frac n d \right\rfloor} f(i) \\ &= \sum_{d=1}^n g(d) \hat f (\left\lfloor \frac n d \right\rfloor) \\ &= g(1) \hat f (n) + \sum_{d=2}^n g(d) \hat f (\left\lfloor \frac n d \right\rfloor) \end{aligned} \] 因此 \[ \hat f (n) = \frac 1 {g(1)} \left( \hat h (n) - \sum_{d=2}^n g(d) \hat f (\left\lfloor \frac n d \right\rfloor) \right) \]
故若 \(g\)、\(h\) 的前缀和可 \(O(1)\) 算得,根据上式整除分块即可递归地计算出 \(f\) 的前缀和.预处理前 \(O(n^{2/3})\) 项并记忆化得到的时间复杂度为 \(O(n^{2/3})\).外层整除分块不会增加时间复杂度.
关于时间复杂度证明可参考 sun123zxy’s blog - OI 数论中的上界估计与时间复杂度证明 # 杜教筛.
\[ \begin{gathered} f = \mu, g = I, h = \varepsilon \\ f = \varphi, g = I, h = \operatorname{id}\\ f = \operatorname{id}^k \mu, g = \operatorname{id}^k, h = \varepsilon \\ f = \operatorname{id}^k \varphi, g = \operatorname{id}^k, h = \operatorname{id}^{k+1} \end{gathered} \]
注记. 杜教筛的这种化法事实上也是 Eratosthenes 筛法的应用.一般的我们有 \[ \sum_{d=1}^n f(d) \hat g( \left\lfloor \frac n d \right\rfloor ) = \sum_{i=1}^n \sum_{d \mid i} f(d) g(\frac i d) = \sum_{i=1}^n \sum_{d \mid i} f(\frac i d) g(d) = \sum_{d=1}^n g(d) \hat f( \left\lfloor \frac n d \right\rfloor ) \]
<ll,ll> s_mu;
unordered_map(ll n){
ll S_muif(n<=MXG){
return mu[n]; // already accumulated
}else if(s_mu.count(n)){
return s_mu[n];
}
=0;
ll ansfor(ll l=2,r,d;l<=n;l=r+1){
=n/l,r=n/d;
d+=S_mu(d)*(r-l+1);
ans}
return s_mu[n]=1-ans;
}
2.3 杂式
无平方因子数计数: \[ \sum_{i=1}^n \mu^2(i) = \sum_{i=1}^{\left\lfloor \sqrt n \right\rfloor} \mu(i) \left\lfloor \frac n {i^2} \right\rfloor \]
\[ d(ab) = \sum_{x|a} \sum_{y|b} [\gcd (x,y) = 1] \]
\[ d(abc) = \sum_{x|a} \sum_{y|b} \sum_{z|c} [\gcd (x,y) = 1] [\gcd (y,z) = 1] [\gcd (x,z) =1] \]
广义约数个数函数性质扩展:
\[ \sigma_k (ab) = \sum_{x|a} \sum_{y|b} [\gcd(x,y)=1] (x \frac{b}{y})^k = \sum_{x|a} \sum_{y|b} [\gcd(x,\frac{b}{y})=1] (x y)^k \]
\[ \sigma_k (abc) = \sum_{x|a} \sum_{y|b} \sum_{z|c} [\gcd(x,\frac{b}{y})=1] [\gcd(y,\frac{c}{z})=1] [\gcd(x, \frac{c}{z}=1)] (x y z)^k \]
3 组合
3.1 容斥 / 二项式反演
形式一
容斥原理的第一种形式给出了“子集和变换”的逆变换.
证明的关键是 \(\sum_{k=0}^n \binom n k (-1)^k = (1-1)^n = [n=0]\).
生成函数的形式使我们可在 \(O(n \log n)\) 的优秀时间复杂度之内在 \(f(n)\) 和 \(g(n)\) 间做出变换.
形式二
形式一的补集形式,给出了全集 \(U\) 下“超集和变换”的逆变换.
应用
证明. 令 \(f(S)\) 为恰好只满足 \(S\) 中各性质的元素数量,\(g(S)\) 为至多只满足 \(S\) 中各性质的元素数量,即 \[ \begin{gathered} f(S) := \operatorname{card}\left( \left( A \cap \bigcap_{i \in S} A_i \right) - \bigcup_{i \in U-S} A_i \right) \\ g(S) := \operatorname{card}\left( A - \bigcup_{i \in U-S} A_i \right) = \operatorname{card}\left(A - \bigcup_{i \in U} A_i \right) + \operatorname{card}\left( \bigcup_{i \in S} A_i \right) \end{gathered} \] 取 \(S=U\) 代入 定理 8 右侧就得到结论第一行的等式.继续化简 \[ \begin{aligned} \operatorname{card}\left( \bigcap_{i \in U} A_i \right) &= \sum_{k=0}^{|U|} (-1)^{|U|-k} \sum_{|S|=k} \operatorname{card}\left( A - \bigcup_{i \in U-S} A_i \right) \\ &= \sum_{k=0}^{|U|} (-1)^{|U|-k} \sum_{|S|=k} \left( \operatorname{card}\left(A - \bigcup_{i \in U} A_i \right) + \operatorname{card}\left( \bigcup_{i \in S} A_i \right) \right) \\ &= \operatorname{card}\left(A - \bigcup_{i \in U} A_i \right) \sum_{k=0}^{|U|} (-1)^{|U|-k} \binom{|U|}{k} + \sum_{k=0}^{|U|} (-1)^{|U|-k} \sum_{|S|=k} \operatorname{card}\left( \bigcup_{i \in S} A_i \right) \end{aligned} \] 注意到 \[ \sum_{k=0}^{|U|} (-1)^{|U|-k} \binom{|U|}{k} = [|U| = 0] \] 而 \(U \neq \varnothing\),故上式左项为 \(0\),即得结论式第二行.
证明. 令 \(f(S)\) 为恰好只满足 \(S\) 中各性质的元素数量,\(g(S)\) 为至少满足 \(S\) 中各性质的元素数量,即 \[ \begin{gathered} f(S) := \operatorname{card}\left( \left( A \cap \bigcap_{i \in S} A_i \right) - \bigcup_{i \in U-S} A_i \right) \\ g(S) := \operatorname{card}\left( A \cap \bigcap_{i \in S} A_i \right) = \begin{cases} \operatorname{card}A & S = \varnothing \\ \operatorname{card}\left( \bigcap_{i \in S} A_i \right) & \text{otherwise} \end{cases} \end{gathered} \] 取 \(S=\varnothing\) 代入 定理 10 右侧就得到结论.
解. 设 \(A_i\) 表示第 \(i\) 个位置配对正确的置换构成的集合.直接应用 例 2 立得
\[ \begin{aligned} \operatorname{card}\left( A - \bigcup_{i \in U} A_i \right) &= \sum_{k=0}^{|U|} (-1)^k \sum_{|S| = k} \operatorname{card}\left( A \cap \bigcap_{i \in S} A_i \right) \\ &= \sum_{k=0}^{|U|} (-1)^k \binom n k (n-k)! \\ &= n! \sum_{k=0}^{|U|} (-1)^k \frac 1 {k!} \sim \frac{n!}{e} \end{aligned} \]
这说明随机取一排列,其错排的概率趋近于 \(\frac 1 e\).
证明. 对 例 2 做简单移项即得.
3.2 球盒问题
组合数学的万恶之源.
ID | \(n\) balls | \(r\) boxes | allow empty? | recurrence / closed-form | generating functions | notes |
---|---|---|---|---|---|---|
\[{1,1,0}\] | Labeled | Labeled | MAY empty | \[r^n\] | \[\begin{aligned}\mathrm{EGF}_r(x) &= (e^{x})^r = e^{rx} \\ \mathrm{OGF}_r(x) &= \frac{1}{1-rx}\end{aligned}\] | # \([n] \to [r]\) mappings |
\[{1,1,1}\] | Labeled | Labeled | NON empty | \[r! {n \brace r} = \sum_{k=0}^r (-1)^{r-k} \binom r k k^n\] | \[\begin{aligned} \mathrm{EGF}_r(x)&=(e^x - 1)^r \\ \mathrm{EGF}_n(x) &= e^{-x} \sum_{r=0}^{+\infty} r^n \frac{x^r}{r!} \end{aligned}\] | # \([n] \to [r]\) surjections |
\[{1,1/\Sigma,1}\] | Labeled | Labeled; \(r\)-disabled | NON empty | \[\sum_{k=0}^n k! {n \brace k}\] | \[\mathrm{EGF}_r(x)=\frac{1}{2-e^x} = \frac{1}{1-(e^x-1)}\] | ordered Bell number; # weak orderings / ordered set partitions on \([n]\) |
\[{1,0,0}\] | Labeled | UNLabeled | NON empty | \[\sum_{k=0}^r {n \brace k}\] | \[\mathrm{EGF}_r(x) = \sum_{k=0}^r \frac {(e^x - 1)^k}{k!}\] | |
\[{1,0,1}\] | Labeled | UNLabeled | NON empty | \[\begin{aligned} {n \brace r} &= \sum_{k=0}^r \frac{k^n}{k!} \cdot \frac{(-1)^{r-k}}{(r-k)!} \\ {n+1 \brace r} &= r {n \brace r} + {n \brace r-1} \end{aligned}\] | \[\begin{aligned} \mathrm{EGF}_r(x) &= \frac{(e^x - 1)^r}{r!} \\ \mathrm{OGF}_n(x) &= e^{-x} \sum_{r=0}^{+\infty} r^n \frac{x^r}{r!} \\ \sum_{n=1}^\infty {n+r \brace r} x^n &= \prod_{k=1}^r \frac 1 {1-kx} \\ \sum_{n=1}^\infty {n \brace r} x^{\underline{r}} &= x^n \end{aligned}\] | Stirling number of the second kind |
\[{1,0/\Sigma,1}\] | labeled | UNLabeled; \(r\)-disabled | NON empty | \[\begin{aligned} B(n) &= \sum_{k=0}^n {n \brace k} \\ B(n+1) &= \sum_{k=0}^n \binom n k B(k) \end{aligned}\] | \[\mathrm{EGF}(x)=e^{e^x - 1}\] | Bell number; # equivialent relations / set partitions on \([n]\) |
\[{0,1,0}\] | UNLabeled | Labeled | MAY empty | \[\binom{n+r-1}{r-1}\] | \[\mathrm{OGF_r}(x) = \left(\frac 1 {1-x}\right)^r\] | \(r\) 元不定方程非负整数解个数 |
\[{0,1,1}\] | UNLabeled | Labeled | NON empty | \[\binom{n-1}{r-1}\] | \[\begin{aligned} \mathrm{OGF_r}(x) &= \left(\frac x {1-x}\right)^r \\ &= x^r \left(\frac 1 {1-x}\right)^r \end{aligned}\] | \(r\) 元 \(n\) 次单项式构型数 |
\[{0,1/\Sigma,1}\] | UNLabeled | Labeled; \(r\)-disabled | NON empty | \[a(n)=\begin{cases}1 & n=0 \\ 2^{n-1} & n\geq 1 \end{cases}\] | \[\mathrm{OGF}(x) = 1+\frac{x}{1-2x} = \frac{1}{1-\frac{x}{1-x}}\] | 考虑“是否向前拼接”的 \(n-1\) 个选择 |
\[{0,0,0}\] | UNLabeled | UNLabeled | MAY empty | \[\sum_{k=0}^r p(n,k)\] | \[\mathrm{OGF}_r(x)=\prod_{k=1}^r \frac{1}{1-x^k}\] | \(r\) 元 \(n\) 次单项对称多项式(monomial symmetric polynomial)构型数 |
\[{0,0,1}\] | UNLabeled | UNLabeled | NON empty | \[p(n,r)=p(n-1,r-1)+p(n-r,r)\] | \(r\) 部分拆数 | |
\[{0,0/\Sigma,1}\] | UNLabeled | UNLabeled; \(r\)-disabled | NON empty | \[\begin{aligned} p(n) &= \sum_{\substack{k \in \mathbb Z}} (-1)^k p_{n-k(3k-1)/2} \\ &= p_{n-1} + p_{n-2} - p_{n-5} - p_{n-7} + \dots \end{aligned}\] | \[\begin{aligned} \mathrm{OGF}(x)&=\prod_{k=1}^{+\infty} \frac 1 {1-x^k} \\ &= \left( \sum_{k \in \mathbb Z} (-1)^k x^{k(3k-1)/2} \right)^{-1} \end{aligned}\] | partition function(分拆数); # partitions of \(n\); \(n\) 元(含)以上 \(n\) 次单项对称多项式构型数 |
以后我们约定:
- 形如 \(\mathrm{BB_{1,1,0}}\) 的记号表示代号 \(1,1,0\) 对应球盒问题的方案数;
- 形如 \(\mathrm{EGF}_n^{1,1,0}(x)\) 代表代号 \(1,1,0\) 对应 \(n\) 球球盒问题的指数生成函数;
- 形如 \(\mathrm{EGF}_r^{1,1,0}(x)\) 代表代号 \(1,1,0\) 对应 \(r\) 球球盒问题的指数生成函数;
- 普通生成函数 \(\mathrm{OGF}_r^{1,1,0}(x)\) 同理.
在不至混淆的情况下,也可省略下标或上标上的代号.
通用性质
对有标号盒的二项式反演.在 \(1,1,0\)-球盒问题中,上式体现为第二类 Stirling 数的通项公式;在 \(0,1,0\)-球盒问题中,上式体现为 Vandermonde 卷积.
对无标号盒,直接求和即可.
3.3 第二类 Stirling 数
第二类 Stirling 数的组合定义即 \(1,0,1\)-球盒问题的方案数 \(\mathrm{BB}_{1,0,1}(n,r) = {n \brace r}\),亦作将 \(n\) 个元素划分入 \(r\) 个集合的方案数.
递推
由组合意义,考虑在已有 \(n\) 个球时加入新球,此时面临将其放入原有的 \(r\) 个集合或新开辟一个集合的两种选择,由此得递推式 \[ {n+1 \brace r} = r {n \brace r} + {n \brace r-1} \] 边界在 \[ {n \brace 0} = [n = 0],\quad {n \brace n} = 1 \]
第二类 Striling 数同行计算:\(\mathrm{OGF}_n^{1,0,1}(x)\) 或 \(\mathrm{EGF}_n^{1,1,1}(x)\)
来考虑用两种方法得到 \(1,1,1\)-球盒问题的方案数.
我们的第一种方法注意到,上述问题的方案数恰好是 \(1,0,1\)-球盒问题方案数 \(r!\) 倍——这是对后者的盒进行标号的结果.我们得到 \[ \mathrm{BB}_{1,1,1}(n,r) = r! \mathrm{BB}_{1,0,1}(n,r) = r! {n \brace r} \]
第二种方法考虑用容斥非空盒的方法与 \(1,1,0\)-球盒问题 \(\mathrm{BB}_{1,1,0}(n,r) = r^n\) 建立联系.我们有 \[ \mathrm{BB}_{1,1,0}(n,r) = \sum_{k=0}^r \binom r k \mathrm{BB}_{1,1,1}(n,k) \] 即 \[ r^n = \sum_{k=0}^r \binom r k k! {n \brace k} \] 二项式反演即得 \[ r! {n \brace r} = \sum_{k=0}^r (-1)^{r-k} \binom r k k^n \] 即 \[ {n \brace r} = \sum_{k=0}^r \frac{(-1)^{r-k} k^n}{k! (r-k)!} = \sum_{k=0}^r \frac{k^n}{k!} \cdot \frac{(-1)^{r-k}}{(r-k)!} \] 这正是第二类 Stirling 数的通项公式.注意到其具有卷积的形式,由此可快速计算出同一行的第二类 Stirling 数.事实上,二项式反演的生成函数形式已向我们道尽一切 \[ \mathrm{OGF}_n^{1,0,1}(x) = \mathrm{EGF}_n^{1,1,1}(x) = e^{-x} \mathrm{EGF}_n^{1,1,0}(x) = e^{-x} \sum_{k=0}^{+\infty} k^n \frac{x^k}{k!} \]
第二类 Striling 数同列计算:\(\mathrm{EGF}_r^{1,0,1}(x)\),\(\mathrm{EGF}_r^{1,1,0}(x)\) 与 \(\mathrm{EGF}^{1,0/\Sigma,1}(x)\)
为快速计算同一列的第二类 Stirling 数,考虑用生成函数的思路构造 \(1,1,0\)-球盒问题和 \(1,0,1\)-球盒问题的方案数.前者将大小为 \(n\) 的有标号集合划分为 \(r\) 个有标号等价类,这相当于有序拼接 \(r\) 个非空有标号集合;后者则是前者除掉 \(r!\) 消序的版本.写成生成函数即 \[ \begin{aligned} \mathrm{EGF}_r^{1,1,0}(x) &= (e^x - 1)^r \\ \mathrm{EGF}_r^{1,0,1}(x) &= \frac{(e^x - 1)^r}{r!} \end{aligned} \tag{1}\]
Bell 数
Bell 数 \(B(n)\) 的组合定义即 \(1,0/\Sigma,1\)-球盒问题的方案数 \(\mathrm{BB}_{1,0/\Sigma,1}\),亦可描述为 \(n\) 元集合上等价关系(划分)的数量.
注意到 \(1,0,1\)-球盒问题和 \(1,0/\Sigma,1\)-球盒问题的关系 \[ \mathrm{BB}_{1,0/\Sigma,1}(n) = \sum_{r=0}^{n} \mathrm{BB}_{1,0,1}(n,r) = \sum_{r=0}^{+\infty} \mathrm{BB}_{1,0,1}(n,r) \] 我们首先有 \[ B(n) = \sum_{r=0}^n {n \brace r} \] 其次,根据 式 1 写出此关系的 EGF 形式就有 \[ \mathrm{EGF}^{1,0/\Sigma,1}(x) = \sum_{r=0}^{+\infty} \mathrm{EGF}_r^{1,0,1}(x) = \sum_{r=0}^{+\infty} \frac{(e^x - 1)^r}{r!} = e^{e^x - 1} \] 我们得到 Bell 数的可用于快速计算的 EGF.
注记. 有标号集合的无序划分是指数型生成函数的一类重要应用.例如,有标号连通图计数可视为对有标号一般图的无序划分,故有标号连通图的 EGF \(G(x)\) 和有标号一般图的 EGF \(F(x)\) 间有着 \(e^{G(x)} = F(x)\) 的关系.
Bell 数还有递推形式 \[ B(n+1) = \sum_{k=0}^n \binom n k B(k) \] 边界 \(B(0)=1\).组合的解释是,枚举第 \(n+1\) 个元素被放入的集合的大小,再对除该集合之外的元素进行划分.从指数生成函数的角度来看,设 \(B(n)\) 的 EGF 为 \(F(x)\),由 EGF 的移位性质和二项式反演的 EGF 形式,上式等价于 \(F'(x) = e^x F(x)\),解此微分方程也能得到 Bell 数的生成函数.
第一类 Stirling 数、Stirling 数与阶乘幂【TODO】
更多参考:
3.4 分拆数【TODO】
关于 \(k\) 部分拆数,
By taking conjugates, the number \(p_k(n)\) of partitions of \(n\) into exactly \(k\) parts is equal to the number of partitions of \(n\) in which the largest part has size \(k\).
3.5 背包计数
通式: \[ \prod_{i=1}^n (1+ s_i x^{v_i})^{m_i} = \exp \sum_{i=1}^n m_i \ln (1 + s_i x^{v_i}) = \exp \sum_{i=1}^n m_i \sum_{k=1}^{+\infty} (-1)^{k-1} \frac {s_i^k}{k} x^{k v_i} \] 其中 \(v_i\) 互不相同(相同者体现在 \(m_i\) 上).后者可以埃筛调和级数计算贡献 + 多项式 \(\exp\) 地在 \(O(t \log t)\)(这里的 \(t\) 指我们所关心的体积上限)内快速计算.
下面问题的 OGF 都可化归至通式,从而 \(O(t \log t)\) 地得到计算.
设有 \(n\) 种可区分的物品,体积分别为 \(v_i\).当每种物品只有一件时,方案数 OGF 为 \[ \prod_{i=1}^n (1+ x^{v_i}) \] 当每种物品有无限件时,方案数 OGF 为 \[ \prod_{i=1}^n (1+ x^{v_i} + x^{2 v_i} + \dots) = \prod_{i=1}^n (1 - x^{v_i})^{-1} \] 当每种物品分别有 \(c_i\) 件时,方案数 OGF 为 \[ \prod_{i=1}^n (1+ x^{v_i} + x^{2 v_i} + \dots + x^{c_i v_i}) = \prod_{i=1}^n \frac{1 - x^{(c_i+1) v_i}}{1 - x^{v_i}} = \prod_{i=1}^n (1 - x^{(c_i+1) v_i}) \prod_{i=1}^n (1 - x^{v_i})^{-1} \]
ex:普通的最优化背包也有卷积视角的理解,见 Knapsack, Subset Sum and the (max,+) Convolution - Codeforces.
3.6 各种图计数
有(无)标号有(无)根树计数【TODO】
有标号 DAG 计数
\[ f_n=\sum_{i=1}^n(-1)^{i+1}\binom{n}{i}2^{i(n-i)}f_{n-i} \] 思路是对 DAG 的入度为零的点做容斥.进一步推导可拆出卷积形式,再用类似分治 FFT 的生成函数方法可得封闭形式.
有标号偏序图计数
问得好,但这是个著名的 open problem.各种类型的偏序图计数参考 Partially ordered set - Wikipedia # Number of partial orders.
有标号连通图计数
标准的有标号无序划分.EGF 是有标号一般图计数 EGF 的 \(\ln\).
竞赛图
强连通的竞赛图一定存在 Hamilton 回路(归纳证明);无环的竞赛图是全序图.两者结合可推出竞赛图一定存在 Hamilton 路径.同时,强连通竞赛图中存在所有大小的环路.
有标号划分为 \(k\) 个全序图
Lah 数 \[ L(n,k) = \frac{n!}{k!} \binom{n-1}{k-1} \] 思路是先 \(n!\) 排个大序,再无标号球入非空有标号桶,再除 \(k!\) 给桶消序.
生成函数的思路是,考虑非空全序计数的 EGF 为 \(\frac 1 {1-x} - 1 = \frac x {1-x}\),\(k\) 次有序拼接再消序即得 \[ \sum _{n\geq k}L(n,k){\frac {x^{n}}{n!}}={\frac {1}{k!}}\left({\frac {x}{1-x}}\right)^{k} \]
更多信息参考 Wikipedia.
有根树拓扑序计数
对于外向树,\(\frac{n!}{\prod_{u \in V} \operatorname{size}(u)}\),其中 \(V\) 是所有节点的集合,\(n\) 是树大小,\(\operatorname{size}(u)\) 是以 \(u\) 为根的子树大小.
树形 DP 风格的归纳证明是可以的.下面的链接中提供了一个有趣的组合理解,其思路是从全序出发,逐步按照拓扑序的要求对每个节点下的子树消序.
题目常见要求对每个节点作为根节点求出方案数,换根 DP 即可.
注意到每个合法的外向树拓扑序 reverse 后立刻与内向树拓扑序形成一一对应,故内向树拓扑序计数与外向树相同.
DAG 拓扑序计数
对一般的 DAG 上的拓扑序计数,其本质上是偏序上线性扩张的计数问题,这被证明是 #P-complete 的问题(总之就是很困难).
无向图的色多项式(chromatic polynomial)和无环定向(acyclic orientations)
色多项式是对图的 \(k\)-colorings 的数量在 \(k=0,1,\dots,n\) 进行 Lagrange 插值后得到的多项式.\(k>n\) 的 \(k\)-colorings 的数量也可通过在色多项式的 \(x=k\) 处求值得到.这一证明主要依赖所谓的 deletion–contraction 递推关系式.
对一般的图而言,色多项式的大部分系数和求值问题都是 “NP” 相关的,但在一些特殊的图上有好的形式:
- 完全图 \(K_n\):\(x^{\underline{n}}\)(下降阶乘幂)
- 无边图 \(\overline K_n\):\(x^n\)
- 链 / 树:\(P_n\):\(x(x-1)^{n-1}\)
- 环:\((x-1)^n + (-1)^n (x-1)\)
多个连通分量拼接时,色多项式满足乘法性.
关于图的无环定向的方案数,Richard Stanley 在一篇 1973 年的论文中证明其恰为图的色多项式在 \(-1\) 处的取值.
- Chromatic Polynomial - from Wolfram MathWorld
- Chromatic polynomial - Wikipedia
- Orientation (graph theory) - Wikipedia
- Stanley, R. P. “Acyclic Orientations of Graphs.” Disc. Math. 5, 171-178, 1973.
3.7 矩阵树定理
无向图的情形
对无向图,度数矩阵 \(D = \operatorname{diag} \{ \operatorname{deg}(i) \}\),邻接矩阵 \(A\) 定义为 \[ A_{i,j} = \begin{cases} 0 & i=j \\ e(i,j) & i \neq j \end{cases} \] 其中 \(e(i,j)\) 表示点 \(i\) 到点 \(j\) 的边的数量(对无向图,\(e(i,j) = e(j,i)\)).
定义 Laplace 矩阵(Kirchhoff 矩阵)\(L=D-A\).
Laplace 矩阵有性质 \(L= B B^T\),其中关联矩阵 \(B\) 按如下方式定义 \[ B_{i,j} = \begin{cases} 1 & \text{node $i$ is the ID-smaller endpoint of edge $j$} \\ -1 & \text{node $i$ is the ID-larger endpoint of edge $j$} \\ 0 & \text{otherwise} \end{cases} \]
这里 \(1\) 与 \(-1\) 的引入完成了一种对边的“手动定向”,其用途将在后文介绍.
Laplace 矩阵同行的代数余子式均相等(这性质由行和为 \(0\) 得到),因此去掉任意一行一列均可得到正确的无向图生成树计数.此外,由于 \(L = B B^T\) 至少半正定,\(L\) 的所有特征值非负.
证明的要点在于对 \(L = B B^T\) 的某个主子式(一般选择去掉第一行第一列)应用 Cauchy-Binet 公式,随后说明行列式的组合意义中,环的情况一定相互抵消.关于特征值的结论可从特征多项式、各 \(n-1\) 阶主子式与韦达定理的关系中得到(依此方法能进一步得到有关 \(k\) - 生成森林的一些结论).
事实上,去掉第 \(i\) 行第 \(i\) 列,即是统计以 \(i\) 为根的根向生成树的数量.先前定义关联矩阵 \(B\) 时“手动定向”,是为了使换向过程中环的情况相互抵消,只留下树的唯一一种情况.当然,因为是无向图,这里树的朝向和根的具体位置并不重要.
有向图的情形
对有向图,我们明确统计的对象为根向(或叶向)生成树的数量.根向树形图与出度 Laplace 矩阵相关,\(L^{out} = D^{out} - A\),其中 \(D^{out}\) 是出度矩阵.
为体现有向图的要求,出度 Laplace 矩阵对应的关联矩阵需要一些修改.令矩阵 \(B\) 满足 \[ B_{i,j} = \begin{cases} 1 & \text{node $i$ is the head of edge $j$} \\ 0 & \text{otherwise} \end{cases} \] 矩阵 \(C\) 满足 \[ C_{i,j} = \begin{cases} 1 & \text{node $i$ is the head of edge $j$} \\ -1 & \text{node $i$ is the tail of edge $j$} \\ 0 & \text{otherwise} \end{cases} \] 则出度 Laplace 矩阵满足性质 \(L^{out} = B C^T\).我们构造的矩阵 \(B\) 体现了对出边方向的要求,在此基础上矩阵 \(C\) 进一步完成了“手动定向”的工作.
由于 \(L^{out}\) 的行和仍为 \(0\),其同行代数余子式仍然相等.
关于叶向树形图,我们有类似的结论:
由于 \(L^{in}\) 的列和(而非行和)为 \(0\),其同列(而非同行)代数余子式均相等.
更多内容,参考
3.8 Polya 计数
3.9 杂数选提
Catalan 数
\[ C_n = \binom{2n}{n} - \binom{2n}{n+1} = \frac 1 {n+1} \binom{2n}{n} = \prod_{k=2}^n \frac{n+k}{k} \]
Segner’s recurrence relation: \[ C_0 = 1;\quad C_{n+1} = \sum_{i=0}^n C_i C_{n-i} \]
OGF: \[ A(z) = 1 + z A^2(z) \implies A(z) = \frac{1-\sqrt{1-4z}}{2z} \]
注意下面组合意义间的前后逻辑顺序.
number of full binary tree with \(n\) interior nodes / \(n+1\) leaves / \(2n+1\) nodes
在数内点意义下可以导出 Catalan 数的生成函数.
number of ways of associating \(n\) binary operators / parenthesizing \(n+1\) factors completely
number of proper parenthesis sequences with \(n\) pairs of parentheses
【TODO】暂时不知道怎么从上面推过来的.另一种理解是长度为 \(n\) 的出栈序列的数量.
number of ordered trees with \(n+1\) vertices
最外层要补一对括号.
number of binary trees with \(n\) vertices
by left-child right-sibling encoding of ordered trees. 最后删去只有左儿子的根.
该组合意义可以导出 Catalan 数的生成函数.
Catalan 数的组合意义并不止如此几种.cf. Wikipedia
3.10 代数组合【TODO】
\(q\)-analog
有限域上的线性空间
有限群构型计数
4 多项式
此部分详细介绍请移步 FFT/NTT 讲稿.
4.1 通用
4.2 FFT / FNTT / 卷积
DFT:(本原)单位根构造 \(\omega_n = e^{\frac {2 \pi}{n}i}\).
NTT:\(P=998244353 = 7 \times 17 \times 2^{23} + 1\),\(\mathrm{PR} = 3\) 是它的一个原根.(本原)单位根构造 \(\omega_{n} = \mathrm{PR}^{\frac{P-1}{n}} \bmod P\).
\(P=1004535809 = 479 \times 2^{21} + 1\),\(\mathrm{PR} = 3\)
\(P=469762049 = 7 \times 2^{26}+1\),\(\mathrm{PR} = 3\)
考虑将待变换多项式 \[ A(x) = \sum_{k=0}^{2n-1} a_k x^k \] 奇偶分项为两个多项式 \[ A(x) = A_0 (x^2) + x A_1(x^2) \] 其中 \[ \begin{aligned} A_0 (x) &= \sum_{k=0}^{n-1} a_{2k} x^k \\ A_1 (x) &= \sum_{k=0}^{n-1} a_{2k+1} x^k \end{aligned} \] 代入 \(x = \omega_{2n}^k \pod{k = 0,\dots, 2n-1}\),用单位根消去 / 折半性质(\(\omega_{2n}^{2k} = \omega_n^k\)) \[ A(\omega_{2n}^k) = A_0 (\omega_{n}^k) + \omega_{2n}^k A_1 (\omega_{n}^k) \] 用 \(\omega_{2n}^{n+k} = - \omega_{2n}^k\) \[ \begin{aligned} A(\omega_{2n}^k) &= A_0 (\omega_n^k) + \omega_{2n}^k A_1 (\omega_n^k) \\ A(\omega_{2n}^{n+k}) &= A_0 (\omega_n^k) - \omega_{2n}^k A_1(\omega_n^k) \end{aligned} \pod{k = 0, \dots, n-1} \] 即得 FFT/FNTT 递归算法.用单位根求和性质 \[ \frac 1 n \sum_{k=0}^{n-1} \omega^{ik} = [i \mid n] \] 可知 DFT/NTT 变换矩阵 \(F = \begin{pmatrix}\omega_{n}^{ij}\end{pmatrix}_{(i,j) \in n \times n}\) 满足 \(F F^H = F^H F = n I_n\),故 \(F^{-1} = \frac 1 n F^H = \begin{pmatrix} \frac 1 n \omega_{n}^{-ij}\end{pmatrix}_{(i,j) \in n \times n}\),此即 DFT/NTT 逆变换矩阵.
蝶形运算与迭代算法
为使用迭代算法,需要快速得到递归算法向下深入过程中 \(\{ a_n \}\) 置换后的最终结果.观察知该置换是位逆序置换,可按如下方法线性求出.
[0]=0; for(ll i=1;i<(1<<n);i++) rev[i]=(rev[i>>1]>>1)+((i&1)<<(n-1)); rev
4.3 多项式方程求解(Newton 迭代法)【TODO】
给定一多项式 \(A(x)\),求解满足 \(A(B(x)) = 0 \pmod{x^n}\) 的多项式 \(B(x)\).
显然 \(B(x)\) 只有前 \(n\) 项有效.目前我们尚不清楚解的存在性、唯一性等性质,但注意到 \[ A(B(x)) = 0 \pmod{x^{2n}} \implies A(B(x)) = 0 \pmod{x^n} \] 故考虑递推求解.首先,边界条件 \(A(b_0) = 0\) 需要单独求解.在确定某一 \(b_0\) 的基础上,我们开始递推.考虑已经获得 \(A(B(x)) = 0 \pmod{x^n}\) 的一个解 \(B(x) = B_0(x)\),下面尝试得到方程 \(A(B(x)) = 0 \pmod{x^{2n}}\) 的解.
将待求解方程 \(A(B(x)) = 0 \pmod{x^{2n}}\) 左式多项式 \(A\) 在 \(B_0\) 处 Taylor 展开 \[ \begin{split} A(B(x)) = A(B_0(x)) &+ A'(B_0(x)) (B(x)-B_0(x)) \\ &+ \frac{A''(B_0(x))}{2!} (B(x)-B_0(x))^2 + \dots = 0 \pmod{x^{2n}} \end{split} \] 假若 \(B(x)-B_0(x) = 0 \pmod{x^n}\),那么模 \(x^{2n}\) 意义下二次方以上的项可以舍去,上式等价于 \[ A(B_0(x)) + A'(B_0(x)) (B(x)-B_0(x)) = 0 \pmod{x^{2n}} \] 移项即可解出待求 \(B(x)\) \[ B(x) = B_0(x) - \frac{A(B_0(x))}{A'(B_0(x))} \pmod{x^{2n}} \] 这里要求 \(A'(B_0(x))\) 需在 \(x^{2n}\) 意义下可逆,即 \[ \begin{split} [x^0] A'(B_0(x)) = [x^0] A'(b_0) &= \sum_{k=0}^\infty \left( [x^k] A' \right) b_0^k \\ &= \sum_{k=0}^\infty (k+1) a_{k+1} b_0^k \neq 0 \pmod{x^{2n}} \end{split} \] 注意到 \(B(x) - B_0(x) = -\frac{A(B_0(x))}{A'(B_0(x))} = 0 \pmod{x^{n}}\),故满足上述“假若”的解存在且唯一.然而,若不要求这一“假若”成立,则每步迭代解的唯一性无法得到保证.考虑到边界条件 \(b_0\) 的解亦不一定唯一,故一般的 Newton 迭代法解唯一性的讨论较为复杂.当然,上述推导至少为我们提供了一种寻找特解的方法.
Newton 迭代法作为通用求解框架,可涵盖几乎所有多项式初等运算.【TODO】
4.4 多项式求逆
给定一多项式 \(A(x)\),求解满足 \(A(x) B(x) = 1 \pmod{x^{n}}\) 的多项式 \(B(x)\).
多项式逆元存在的充分必要条件是其常数项非零(这是因为边界条件 \(b_0 = \frac 1 {a_0}\)),若存在则在模意义下一定唯一.这结论可直接由下述求解方法得到.不失一般性,我们只研究 \(A(x)\) 的次数为奇数 \(2n-1\) 的情况.设 \[ \begin{aligned} A(x) &= A_0(x) + x^n A_1(x) \\ B(x) &= B_0(x) + x^n B_1(x) \end{aligned} \] 下述两种方法均递归地在已知 \[ A(x) B_0(x) = A_0(x) B_0(x) = 1 \pmod{x^n} \] 的基础上求解 \(A(x)\) 的逆元.时间复杂度均为 \[ T(n) = T(\frac n 2) + O(n \log n) = O(n \log n) \]
以下简记 \(A(x)\) 为 \(A\),其它多项式同理.
倍增法一(原创)
\[ \begin{aligned} & A B = 1 \pmod{x^{2n}} \\ \iff& (A_0 + x^n A_1)(B_0 + x^n B_1) = 1 \pmod{x^{2n}} \\ \iff& x^n(A_1 B_0 + A_0 B_1) + A_0 B_0 = 1 \pmod{x^{2n}} \\ \iff& A_1 B_0 + A_0 B_1 + \left\lfloor \frac{A_0 B_0}{x^n} \right\rfloor = 0 \pmod{x^{n}} \\ \iff& A_0 B_1 = -\left\lfloor \frac{A_0 B_0}{x^n} \right\rfloor - A_1 B_0 \pmod{x^{n}} \\ \iff& B_1 = - B_0 \left( \left\lfloor \frac{A_0 B_0}{x^n} \right\rfloor + A_1 B_0 \right) \pmod{x^{n}} \end{aligned} \]
常数偏大,这里就不放代码了.
倍增法二
注意到 \[ \begin{cases} A B_0 = 1 \pmod{x^n} \\ A B = 1 \pmod{x^n} \end{cases} \implies A (B-B_0) = 0 \pmod{x^n} \] 由于 \(A\) 的常数项非零,故 \[ B-B_0 = 0 \pmod{x^n} \] (这证明了逆元在不同模数下的前缀保持一致)
两边平方得 \[ B^2 - 2 B B_0 + B_0^2 = 0 \pmod{x^{2n}} \] 两侧同乘 \(A\) 并移项得 \[ B = 2 B_0 - A B_0^2 \pmod{x^{2n}} \]
4.5 多项式开方【TODO】
和多项式求逆类似的推导可得递推方程 \[ B = \frac 1 2 \left(\frac A {B_0} + B_0 \right) \pmod{x^{2n}} \] 有一些和 Newton 法一样麻烦的边界条件讨论,也会出现复杂的多解情况.\(a_0 = 1\) 时 \(b_0 = \pm 1\),按 \(b_0 = 1\) 的实现如下.
亦可 \(\sqrt A = \exp \left( \frac 1 2 \ln A \right)\),此法可处理多项式任意幂指数运算.
4.6 多项式 \(\ln\)
给定一多项式 \(A(x)\),求解满足 \(B(x) = \ln A(x) \pmod{x^{n}}\) 的多项式 \(B(x)\).
次数为 \(+\infty\) 的多项式 \(\ln\) 存在的充分必要条件为其常数项非零(这是因为边界条件 \(b_0 = \ln a_0\)),同样一旦存在则唯一.注意到仅整数 \(a_0=1\) 时,\(\ln a_0\) 可取得整数,故合理的 \(a_0\) 只能是 \(1\).另一种解释参见多项式初等函数 - OI Wiki # 多项式对数函数 & 指数函数.
推导是容易的.方程两侧同时求导得 \[ B'(x) = \frac{A'(x)}{A(x)} \pmod{x^{n-1}} \] 两侧再积分得 \[ B(x) = \int \frac{A'(x)}{A(x)} \operatorname{d}\!x + C \pmod{x^{n}} \] 其中 \(C= \ln a_0\).多项式求逆、求导、积分即可.时间复杂度 \(O(n \log n)\).
4.7 多项式 \(\exp\)【TODO】
Newton 迭代法可推出 \[ B = B(1 - \ln B_0 + A) \pmod{x^{2n}} \] 时间复杂度 \[ T(n) = T(\frac n 2) + O(n \log n) = O(n \log n) \]
存在的充要条件是 \(a_0=0\).唯一性证明暂不明确.
4.8 多项式快速幂
普通的多项式快速幂实现当然是 \(O(n \log n \log k)\) 的.下面介绍基于指对数性质的 \(O(n \log n)\) 求法.
对常数项 \(a_0=1\) 的 \(n-1\) 次多项式 \(A(x)\), \[ A^k(x) = e^{k \ln A(x)} \]
我们指出,在系数对质数 \(p\) 取模的意义下,当我们关心的多项式长度 \(n \leq p\) 时,有 \[ A^p(x) \equiv a_0 \equiv 1 \pmod p \] 这是因为 \[ (a+b)^p \equiv a^p + b^p \pmod p \] 故 \[ A^p(x) = (a_0 + x A_1 (x))^p \equiv a_0^p + x^p A_1^p(x) \pmod p \] 由费马小定理,\(a_0^p = a_0\),而 \(n \leq p\) 表明 \(x^p A_1^p(x)\) 一项可被忽略,故上述结论得到证明.这些讨论可用于处理幂指数 \(k \geq p\) 的情况.
一般的,当常数项非 \(1\) 时,为满足多项式 \(\ln\) 的要求,设多项式 \(A(x)\) 的最低次项为 \(a_t x^t\),则 \[ A^k(x) = (a_t x^t)^k \left( \frac{A(x)}{a_t x^t} \right)^k \] 右侧的多项式常数项归一,故可再应用上述方法计算.
关于多项式,更代数的内容参考 Formal power series - Wikipedia
5 集合幂级数【TODO】
6 矩阵
6.1 矩阵乘法
普通的 \(O(n^3)\) 实现.
6.2 矩阵快速幂
普通的 \(O(n^3 \log k)\) 实现.
6.3 行列式
普通的实现是使用逆元进行高斯消元,可用于域上的线性空间.若求解逆元的时间复杂度为 \(O(\log p)\),则时间复杂度为 \(O(n^3+ n^2 \log p)\).
这里给出另一种做法.该做法在消去时使用辗转相除法,可用于任意 Euclid 整环(Euclidean domain,有带余除法的无零因子的交换幺环)上的模(环上的线性空间),且时间复杂度不会增加.一个常见的应用是模 \(m\) 整数环 \(\mathbb Z_m\) 上的行列式求值,其中 \(m\) 不是质数.
消去各目标行第 \(c\) 列元素时,以第 \(c\) 行的 \(a_{c,c}\) 为除数与目标行的第 \(c\) 列元素辗转相除,最终使 \(a_{c,c}\) 变为 \(0\),再做一次行交换将其换至目标行,就完成了一次行消去过程.注意到当 \(a_{c,c}\) 非零时,一次行消去操作结束后 \(a_{c,c}\) 单调不增,且过程中 \(a_{c,c}\) 不会从非零变为零,故辗转相除带来的 \(\log p\) 次额外操作开销被分摊到整轮对第 \(c\) 列的消去过程中,因此时间复杂度仍为 \(O(n^3+ n^2 \log p)\).
7 字符串 / 自动机
基于 DFA 理论,OI-Wiki 上有对 KMP / AC 自动机,SAM / GSAM 和 PAM 简明扼要的概括.OI-Wiki 的后缀自动机讲解亦值得参考.
8 图论【TODO】
8.1 最短路
8.2 强连通分量
8.3 网络流
9 杂项
9.1 模板
9.2 对拍
Windows Batch
:loop
gen.exe>dat.in
my.exe<dat.in>my.out
std.exe<dat.in>std.out
fc my.out std.out
if not errorlevel 1 goto loop
pause
Linux Shell
while true; do
./gen>dat.in
./std<dat.in>std.out
./my<dat.in>my.out
if diff std.out my.out; then
printf OK
else
printf DIFF
exit 0
fi
done
9.3 表
质数表
1e2 1e3 1e4 1e5 1e6
101 1009 10007 100003 1000003
1e7 1e8 1e9 1e10 1e11
10000019 100000007 1000000007 10000000019 100000000003
1e12 1e13 1e14 1e15
1000000000039 10000000000037 100000000000031 1000000000000037
1e16 1e17 1e18 10000000000000061 100000000000000003 1000000000000000003
典列
index 0 1 2 3 4 5 6 7 8 9 10
Catalan 1 1 2 5 14 42 132 429 1430 4862 16796
Bell 1 1 2 5 15 52 203 877 4140 21147 115975
partition 1 1 2 3 5 7 11 15 22 30 42 group 0 1 1 1 2 1 2 1 5 2 2
binomial
x 0 1 2 3 4 5
0 | 1
1 | 1 1
2 | 1 2 1
3 | 1 3 3 1
4 | 1 4 6 4 1
5 | 1 5 10 10 5 1
Stirling I
x 0 1 2 3 4 5
0 | 1
1 | 1
2 | 1 1
3 | 2 3 1
4 | 6 11 6 1
5 | 24 50 355 10 1
Stirling II
x 0 1 2 3 4 5
0 | 1
1 | 1
2 | 1 1
3 | 1 3 1
4 | 1 7 6 1
5 | 1 15 25 10 1
Lah
x 0 1 2 3 4 5
0 | 1
1 | 1
2 | 2 1
3 | 6 6 1
4 | 24 36 12 1
5 | 120 240 120 20 1
k-partition
0 1 2 3 4 5
0 | 1
1 | 1
2 | 1 1
3 | 1 1 1
4 | 1 2 1 1 5 | 1 2 2 1 1