关于多项式的一些东西

泰勒展开

\(f(x)\)\(x_0\)处可导,且存在无穷阶导数,那么根据泰勒展开,有:

\[f(x) = \sum_{i=0}^{\inf} \frac{f^{[i]}(x_0)}{i!}(x-x_0)^i + \delta \]

其中\(\delta\)是一个余项,表示一个趋近于无穷小的误差。每展开一项,误差就越小。
\(f(x)\)\(x_0 = 0\)处可导,带入泰勒展开式后可以得到\(f(x)\)的麦克劳林展开式:

\[f(x) = \sum_{i=0}^{\inf} \frac{f^{[i]}(0)}{i!}x^i + \delta \]

一般来说,信息学奥赛中都会使用麦克劳林展开式。我们可以将\(e^x\)用麦克劳林展开:

\[e^x = 1 + \frac{x}{1!} + \frac{x^2}{2!} + ... + \delta = \sum_{i=0}^{\inf} \frac{x^i}{i!} + \delta \]

这个式子将在后面反复用到,是非常重要的式子。

牛顿迭代法

给定一个关于\(B(x)\)的函数\(F\),求\(F(B(x)) = 0(mod\ x^t)\)
我们令\(B_t(x)\)表示模\(x^{2^{t}}\)意义下的一个解。
那么,对\(F(B_{t+1}(x))\)\(B_{t}(x)\)处进行泰勒展开有:

\[F(B_{t+1}(x)) = F(B_t(x)) + \frac{F'(B_t(x))}{1!} (B_{t+1}(x) - B_t(x))..... \]

\(deg(B_{t+1}(x) - B_t(x))^2 = 2^{t+2}-1\geq 2^{t+1}\)
所以除了最前面的两项,其他项的结果都为\(0\)
所以

\[F(B_{t+1}(x)) = F(B_t(x)) + \frac{F'(B_t(x))}{1!} (B_{t+1}(x) - B_t(x)) \]

化简可得:

\[B_{t+1}(x) = B_{t}(x) - \frac{F(B_t(x))}{F'(B_t(x))} \]

利用牛顿迭代,我们就能够解决多项式的各种基本运算了。

多项式基本运算

乘法就不说了,\(FFT\)\(NTT\)\(MTT\)、分治\(FFT\)等 都是基本功。

多项式求导与积分

  • 求导\((c(x^a))' =cax^{a-1}\)
  • 积分\(\int cx^a = \frac{cx^{a+1}}{a+1}\)

求导后,默认最高项等于\(0\)。积分后,默认最低项等于\(0\)

多项式求逆

牛顿迭代得出的运算重点推导这一个,剩下的全部以给公式的形式呈现。
\(A_t(x)B_{t-1}(x) = 1\ \ \ \ \to \ \ \ \ A_t(x)B_{t-1}(x) - 1 = 0\)
然后套牛顿迭代就行了:

\[B_{t}(x) = B_{t-1}(x) - \frac{A_t(x)B_{t-1}(x) - 1}{A_t(x)} = 2B_{t-1}(x) - A_t(x)B_{t-1}^2(x) \]

多项式\(A(x)\)存在逆的条件:常数项\(\neq 0\)
注意一下,由于\(B_t(x)\)\(A_t(x)\)的第\(2^{t}\)项是没有值的,所以传参\(len\)时可以减少一倍。

多项式求\(ln\)

不需要牛顿迭代推出的运算重点推导这一个,剩下的全部以给公式的形式呈现。
\(lnA(x) = B(x) \ \ \ \ \to \ \ \ \ B'(x) = \frac{A'(x)}{A(x)}\)
然后好像就没了......求逆后积分回去就行了。

其余多项式运算

全部给公式了,推导都是一样的。

  • 快速幂:\(B(x) = e^{K ln(A(x))}\)
  • 开根:\(B_t(x) = \frac{1}{2}(B_{t-1}(x) + \frac{A_t(x)}{B_{t-1}(x)})\)
  • \(exp\)\(B_t(x) = B_{t-1}(x)(1 - ln(B_{t-1}(x)) + A_t(x))\)

注意一下,求\(ln\)前常数项必须为\(1\),求\(exp\)前常数项必须为\(0\)

多项式除法

给定一个\(n\)次多项式\(F(x)\)\(m\)次多项式\(G(x)\)
求一个\(n-m\)次多项式\(C(x)\)\(m-1\)次多项式\(R(x)\),满足\(F(x) = G(x)C(x)+R(x)\)
定义操作\(A^R(x) = x^n A(\frac{1}{x})\),即将多项式的所有系数反转过来。
那么:

\[x^nF(\frac{1}{x}) = x^m G(\frac{1}{x})*x^{n-m} C(\frac{1}{x}) + x^{n-m+1}x^{m-1}R(\frac{1}{x}) \]

所以:\(F^R(x) = G^R(x)C^R(x) + x^{n-m+1} R^R(x)\)
所以有:

\[F^R(x) \equiv G^R(x)C^R(x) (mod\ x^{n-m+1}) \]

所以\(C^R(x) = \frac{F^R(x)}{G^R(x)} (mod\ x^{n-m+1})\),多项式求逆即可。
得到\(C(x)\)后,\(R(x) = F(x) - G(x)C(x)\)

代码实现的时候,对于模\(x^{n-m+1}\)意义下的多项式,一定要及时清空多余项,防止之后的\(NTT\)出问题。

IL void MOD(int *a , int *b) {
	N = 2 * (K - 1) ; M = K ;
	for(Len = 1; Len <= K; Len <<= 1) ;
	for(int i = 0; i < K; i ++) f3[i] = a[i] , f4[i] = b[i] ;
	NTT(f3 , 1 , Len << 1) ; NTT(f4 , 1 , Len << 1) ;
	for(int i = 0; i < nn; i ++) f3[i] = 1ll * f3[i] * f4[i] % mod ;
	NTT(f3 , -1 , Len << 1) ;
    reverse(f3 , f3 + N + 1) ; reverse(C , C + M + 1) ;
	for(Len = 1; Len <= N; Len <<= 1) ; 
	Poly_Inv(C , InvC , Len) ;
	for(int i = N - M + 1; i <= Len; i ++) InvC[i] = 0 ;   //!!!!!!!!!!!!!!!!!!!!!!!!!
	NTT(f3 , 1 , Len << 1) ; NTT(InvC , 1 , Len << 1) ;
	for(int i = 0; i < nn; i ++) G[i] = 1ll * f3[i] * InvC[i] % mod ;
	NTT(G , -1 , Len << 1) ;
	NTT(f3 , -1 , Len << 1) ;
	for(int i = N - M + 1; i <= Len; i ++) G[i] = 0 ;      //!!!!!!!!!!!!!!!!!!!!!!!!!
	reverse(f3 , f3 + N + 1) ; reverse(G , G + (N - M) + 1) ; reverse(C , C + M + 1) ;
	NTT(C , 1 , Len << 1) ; NTT(G , 1 , Len << 1) ;
	for(int i = 0; i < nn; i ++) G[i] = 1ll * G[i] * C[i] % mod ;
	NTT(G , -1 , Len << 1) ;
	NTT(C , -1 , Len << 1) ;
	for(int i = 0; i < M; i ++) a[i] = (f3[i] - G[i] + mod) % mod ;
	for(int i = 0; i < (Len << 1) ; i ++) InvC[i] = G[i] = f3[i] = f4[i] = 0 ;
}

多项式乘法在串匹配中的应用

特征:字符集极小或存在通配符
建模技巧:

  • 允许存在不超过\(K\)的偏移量:直接将当前枚举字符向左右扩展\(K\)格(差分实现)。
  • 存在通配符:令通配符\(S_i = T_j = 0\)
    则把匹配条件变为\(0 = \sum_{i=1}^{|T|} (S_{i+st} - T_i)T_iS_{i+st}\),拆式子后\(FFT\)

匹配方法:

  • 常规匹配:形如\(i_S - j_T = c\),反向\(FFT\)/\(NTT\)处理
  • 对称匹配:形如\(i_S + j_S = 2 * k_T\),正向\(FFT\)/\(NTT\)处理。

这类题目只要认真分析+胡思乱想总能想出来的,关键还是在于对字符串的理解。

生成函数简介

生成函数就是母函数。
母函数可以推导递推公式的通项公式,但是那一套就不说了,跟多项式关系也不大。
生成函数有两种,普通型\(G(x) = \sum_{i=0}^{\inf} g_i x^i\)与指数型\(F(x) = \sum_{i=0}^{\inf} f_i \frac{x^i}{i!}\)
一般来说,有序问题会使用指数型,而组合问题会使用普通型。
普通型没啥好说的吧......
指数型母函数就是\(e^x\)的展开式,故可以有一些骚套路:

  • \(e^{-x} = 1 - \frac{x}{1!} + \frac{x^2}{2!} - \frac{x^3}{3!}......\)
  • 只要奇数项:\(\frac{e^x - e^{-x}}{2}\)
  • 只要偶数项:\(\frac{e^x + e^{-x}}{2}\)
  • \(e^{nx} = 1 + \frac{(nx)}{1!} + \frac{(nx)^2}{2!} + \frac{(nx)^3}{3!}......\)

指数型母函数的系数本质就是多了一个可重排列\(\frac{(\sum_{i=1}^ma_i)!}{a_1!a_2!...a_m!}\)
我们使用泰勒展开还可以得到广义二项式定理:

  • $(1+x)^m = 1 + \frac{m}{1!} x + \frac{m(m-1)}{2!}x^2 + ... + \frac{m(m-1)...2*1}{m!} x^m $
  • \((1-x)^m = 1 - \frac{m}{1!} x + \frac{m(m-1)}{2!} x^2 - \frac{m(m-1)(m-2)}{3!}x^3 + ... \frac{m(m-1)...2*1}{m} x^m\)
  • \((1+x)^m = \binom{m}{m} + \binom{m}{m-1}x + \binom{m}{m-2}x^2 +... \binom{m}{0} x^m\)
  • \((1-x)^m = \binom{m}{m} - \binom{m}{m-1}x + \binom{m}{m-2}x^2 + ... \binom{m}{0} x^m\)

这玩意儿在手算题里有奇效,得到形如\(\frac{1}{(1-x)^k}\)的生成函数后,可以通过这个直接得到第\(r\)项系数。
最后:
关于选择、组合问题请多想生成函数!!!
关于选择、组合问题请多想生成函数!!!
关于选择、组合问题请多想生成函数!!!

若干有用的科技/套路

简单(单项)多项式手动求\(ln\)

当出现求\(ln F(x)\),其中\(F(x)\)只包含一个形如\(x^t\)的项时,可以考虑手动求\(ln\)
手动求\(ln\)的方法为:先求导,然后把分母展开为生成函数,最后积分得到答案。
给一个例子:\(F(x) = ln (1-x^t)\)

\[F(x) = \int F'(x) = \int \frac{-tx^{t-1}}{1-x^t} = \int -tx^{t-1} \sum_{i=0}^{\inf} x^{ti} \]

继续:

\[F(x) = -\int \sum_{i=0}^{\inf} tx^{t(i+1)-1} = -\sum_{i=1}^{\inf}\frac{tx^{ti}}{ti} = -\sum_{i=1}^{\inf} \frac{x^{ti}}{i} \]

这个技巧可谓是相当相当相当的关键了,下面的一些推导中,还会反复使用到这个技巧。

组合关系的生成函数拆分

给定一个形如\(h_x = \sum_{i=0}^{n} \binom{n}{i}f_ig_{n-i}\)
\(h_i\)\(g_i\)好求,需要求\(f_i\),那么我们可以把组合数拆开后这么做:

\[\frac{h_n}{n!} = \sum_{i=0}^n \frac{f_i}{i!} \frac{g_{n-i}}{(n-i)!} \]

接着构造生成函数\(H(x) =\sum_{i=0}^{\inf} \frac{h_i}{i!}x^i\)\(F(x)=\sum_{i=0}^{\inf} \frac{f_i}{i!}x^i\)\(G(x)=\sum_{i=0}^{\inf} \frac{g_i}{i!}x^i\)
那么有\(H(x) = F(x)G(x)\)
所以\(F(x) = \frac{H(x)}{G(x)}\),通过多项式求逆得到\(F(x)\)后即可得到\(f_i\)

划分关系与指数型生成函数

\(F(x) = \sum_{i=1}^n f_i \frac{x^i}{i!}\),其中\(f_i\)表示\(i\)个元素的\(A\)集合的种类数。
同理我们设\(G(x) = \sum_{i=0}^n g_i \frac{x^i}{i!}\),其中\(g_i\)表示\(i\)个元素的\(B\)集合的种类数。
若所有元素都有编号,且\(B\)集合是由若干\(A\)集合构成的,那么有:

\[G(x) = e^{F(x)} \]

几个例子:

  • \(F(x)\)为简单有向联通图的生成函数,\(G(x)\)为简单有向图的生成函数。
  • \(F(x)\)为要求联通的\(DAG\)的生成函数,\(G(x)\)为不要求联通的\(DAG\)的生成函数。

证明:把\(e^{F(x)}\)泰勒展开后有:\(e^{F(x)} = \sum_{i=0}^n \frac{F(x)^i}{i!}\)
然后我们考虑\(G(x)\)中的每一项的构成:

\[[x^n]G(x) = x^n\sum_{k=1}^n \frac{[x^n](F(x)^k)}{k!} = x^n\sum_{k=1}^n [\frac{\frac{f_{a_1}f_{a_2}...f_{a_k}}{a_1!a_2!...a_k!}}{k!}] = \frac{x^n}{n!} \sum_{k=1}^n [(\frac{f_{a_1}f_{a_2}...f_{a_k}}{a_1!a_2!...a_k!})\frac{n!}{k!}] \]

可以注意到\(\frac{n!}{a_1!a_2!...a_k!}\)正是可重排列编号的方案数,而\(\frac{1}{k!}\)对应构成\(B\)\(A\)集合之间无顺序关系。

快速求\(G(x) = \prod_i^m \frac{1}{(1-x^{t_i})}\ \ (mod\ x^{n})\)

一般的背包问题其实就是若干\(T(x) = \frac{1}{1-x^{V_i}}\)卷起来,所以这个东西可以解决背包问题。
显然不能直接分治\(NTT\),但我们可以在\(O(nln(n)+nlog^2n)\)的时间内求出这个式子。
\(F_i(x) = \frac{1}{(1-x^{t_i})}\),那么

\[G(x) = e^{\sum_{i=1}^m ln(F_{i}(x))} \]

所以只需要求的\(Ans(x) = \sum_{i=1}^m ln(F_{i}(x))\)后再多项式\(exp\)即可得到\(G(x)\)
考虑求\(Ans(x) = \sum_{i=1}^m ln(F_i(x))\),显然不能对每一项直接求\(ln\)
我们尝试两边求导得:\(Ans = \int \sum_{i=1}^m (ln(F_{i}(x)))'\)。然后化简\((ln(F_i(x)))'\)有:

\[(lnF_i(x))' = \frac{F_i'(x)}{F_i(x)} = (1-x^{t_i})(\sum_{j=0} x^{jt_i})' = (1-x^{t_i})(\sum_{j=1} t_ijx^{jt_i-1}) \]

把上式错位相减后有:\((lnF_i(x))' =\sum_{j = 1} t_i x^{jt_i - 1}\),所以有:

\[Ans(x) = \int \sum_{i=1}^m(lnF_i(x))' = \sum_{i=1}^m \int \sum_{j=1} t_ix^{jt_i-1} = \sum_{i=1}^m \sum_{j=1} \frac{x^{jt_i}}{j} \]

于是乎,首先统计每种\(t\)的数量\(cnt_{t}\),然后暴力给\(Ans(x)\)加贡献即可,复杂度调和级数。

快速求\(\sum_{i=1}^n a_i^k , k\in[1,t]\)

\(O(nk)\)显然是假的,这辈子都不可能这么简单的。
构造\(F(x) = \prod_{i=1}^n (a_ix + 1)\)
那么\(lnF(x) = \sum_{i=1}^n ln(a_ix+1)\),考虑手动求\(ln\)

\[ln(a_ix+1) = \int \frac{a_i}{1+a_ix} = a_i \int \sum_{j=0}^{\inf}(-a_i)^j x^j = \sum_{j=1}^{\inf}\frac{(-1)^{j-1}}{j}a_i^jx^j \]

所以\(lnF(x) = \sum_{i=1}^n \sum_{j=1}^{\inf} \frac{(-1)^{j-1}}{j}a_i^j x^j = \sum_{j=1}^{\inf}\frac{(-1)^{j-1}}{j} \sum_{i=1}^n a_i^j x^j\)
\(F(x)\)可以同过分治\(FFT\)求出,所以求出\(F(x)\)后,对\(F(x)\)\(ln\)得到每一项的系数即可。

快速求\(\sum_{i=1}^n \sum_{j=1}^m (a_i + b_j)^k , k\in [1,t]\)

把式子暴力化开:\(f(x) = \sum_{i=1}^n \sum_{j=1}^m (a_i + b_j)^x = \sum_{i=1}^n \sum_{j=1}^m \sum_{k=0}^x a_i^k b_j^{x-k} \binom{x}{k}\)
所以有:

\[f(x) = x!\sum_{k=0}^x \frac{\sum_{i=1}^n a_i^k}{k!} \frac{\sum_{j=1}^m b_j^{x-k}}{(x-k)!} \]

而我们已经会快速求\(\sum_{i=1}^n a_i^k\)了,所以只需要构造卷积再套一次\(FFT\)即可。

posted @ 2018-12-16 13:10  GuessYCB  阅读(725)  评论(0编辑  收藏  举报