【学习笔记】生成函数入门

Part 1

定义序列$a$的普通生成函数（OGF）为：$F(x)=\sum a_n{x}^n$。$a$既可以是有穷数列，也可以是无穷数列。

封闭形式：例如，考虑等比数列$⟨1,p,p^2,...⟩$的生成函数$F(x)=\sum p^n{x}^n$，有

$$\begin{gathered} F(x)px+1=F(x) \\ F(x)=\frac{1}{1-px} \end{gathered}$$

等比数列的封闭形式和展开形式都非常有用。[AGC058D] Yet Another ABC String

斐波那契数列的生成函数：定义$a_0=0,a_1=1,a_n=a_{n-1}+a_{n-2}$，设数列$a$的OGF是$F(x)$，可以根据递推式列出方程：

$$\begin{gathered} F(x)=xF(x)+x^{2}F(x)+x \\ F(x)=\frac{x}{1-x-x^2} \end{gathered}$$

考虑求解一个待定系数方程：

$$\frac{A}{1-ax}+\frac{B}{1-bx}=\frac{x}{1-x-x^2}$$

根据等比数列的展开式，可以得到斐波那契数列的展开式（通项公式）：

$$\frac{x}{1-x-x^2}=\sum _{n\ge 0}{x}^n\frac{1}{\sqrt{5}}\left({\left(\frac{1+\sqrt{5}}{2}\right)}^n-{\left(\frac{1-\sqrt{5}}{2}\right)}^n\right)$$

PS：对于多项式$P(x),Q(x)$，生成函数$\frac{P(x)}{Q(x)}$的通项公式可以用待定系数方法求出。方法是将$Q(x)$因式分解。

定义$SE{Q}_A$是 $A$中元素排成的序列 组成的集合，一个序列的大小定义为各元素大小之和，那么$SE{Q}_A$的$OGF$：

$SE{Q}_A(x)=1+A(x)+A^2(x)+...+A^n(x)=\frac{1}{1-A(x)}$ 。

Part 2

背包计数问题：有$k$种物品，每种物品有容量$v_i$和数量$n_i$，问组合出容量为$V$的方案数。

$F(x)={\prod }_{i=1}^k(1+x^{v_i}+x^{2v_i}+...+x^{n_i{v}_i})={\prod }_{i=1}^k\frac{1-x^{(n_i+1)v_i}}{1-x^{v_i}}$

假设背包有无穷种物品，每种物品的体积为$i$，个数也无限，把$n$的正整数拆分的方案数记作$p(n)$，$p$也叫分拆数。

不难得到$p(n)$的生成函数：$F(x)={\prod }_{i=1}^{\infty }\frac{1}{1-x^i}$

两边取对数，有$\ln F(x)=-{\sum }_{i=1}^{\infty }\ln (1-x^i)$

在$\mathrm{mod}{x}^{n+1}$意义下可以把无穷和变为有限的（或者理解为只加入$\le n$的物品）：$\ln F(x)=-{\sum }_{i=1}^n\ln (1-x^i)$

求右边的麦克劳林展式：

$\ln F(x)=-{\sum }_{i=1}^n\ln (1-x^i)={\sum }_{i=1}^n{\sum }_{j=1}^{\infty }\frac{x^{ij}}{j}={\sum }_{j=1}^{\infty }\frac{1}{j}{\sum }_{i=1}^n{x}^{ij}={\sum }_{j=1}^n\frac{1}{j}{\sum }_{i=1}^{\lfloor \frac{n}{j}\rfloor }{x}^{ij}$

右边和式可以处理出来，再对其求多项式$\exp$即可，复杂度$O(n\log n)$。

显然，对于一般的背包计数问题，也可以用上述方式进行求解。

Part 3

定义序列$a$的指数生成函数（EGF）为：$\hat{F}(x)=\sum a_n\frac{x^n}{n!}$

EGF 通常用来解决带标号的计数问题。

一次积分相当于右移一项，一次求导相当于左移一项（对$a$序列而言）。

理解任意两个$EGF$的乘积：

对于两个序列$a,b$，设它们的指数生成函数分别为$\hat{F}(x),\hat{G}(x)$，那么：

$$\hat{F}(x)\hat{G}(x)=\sum _{n\ge 0}\frac{x^n}{n!}\sum _{i=0}^n\left(\genfrac{}{}{0ex}{}{n}{i}\right)a_i{b}_{n-i}$$

因此$\hat{F}(x)\hat{G}(x)$是序列$⟨{\sum }_{i=0}^n\left(\genfrac{}{}{0ex}{}{n}{i}\right)a_i{b}_{n-i}⟩$的指数生成函数。

一个容易产生的误区是，上述序列才是我们真正的研究对象。而研究其对应的EGF显得更为方便，因此最终提取答案时每一项要乘上$i!$。

关于组合意义，可以理解为：有$n+m$个带标号的元素，选择其中$n$个元素放入$\hat{F}$集合中（内部已经分配标号），另$m$个元素放入$\hat{G}$集合中，$\hat{F},\hat{G}$集合互不相同（换句话说，集合带标号），因此要乘上分配的方案数$\left(\genfrac{}{}{0ex}{}{n+m}{n}\right)$。

EGF中多项式$\text{exp}$的的组合意义：表示把$n$个有标号元素划分成$k>0$个无标号集合的方案数。

证明：$[x^n]{\hat{F}}^k(x)$表示把$n$个有标号元素划分成$k$个有标号集合的方案数，而对于同一种方案有$k!$种集合标号的方式，因此乘上系数$\frac{1}{k!}$。

这里要求$f_0=0$。显然，如果$f_0\ne 0$，那么会出现算重的情况。同理，当做多项式$\ln$时，也应当要求$f_0=1$。

排列与圆排列：长度为$n$的排列数的EGF是
$$\hat{P}(x)=\sum _{n\ge 0}\frac{n!x^n}{n!}=\sum _{n\ge 0}{x}^n=\frac{1}{1-x}$$

圆排列的EGF是
$$\hat{Q}(x)=\sum _{n\ge 1}\frac{(n-1)!x^n}{n!}=\sum _{n\ge 1}\frac{x^n}{n}=-\ln (1-x)=\ln (\frac{1}{1-x})$$

因此$\hat{Q}(x)$的$\text{exp}$就是$\hat{P}(x)$。这非常显然，因为一个排列可以拆分成若干个置换环，而置换环的数目和圆排列的数目是相同的。这同时也说明了封闭形式的优越性。

推广之

• 如果$n$个点带标号生成树的EGF是$\hat{F}(x)$，那么$n$个点带标号生成森林的EGF就是$\text{exp}(\hat{F}(x))$。
• 如果$n$个点带标号无向连通图的EGF是$\hat{F}(x)$，那么任意带标号无向图的EGF就是$\text{exp}(\hat{F}(x))$，因此

$$\text{exp}(\hat{F}(x))=\sum _{n\ge 0}{2}^{\left(\genfrac{}{}{0ex}{}{n}{2}\right)}\frac{x^n}{n!}$$

只需一次多项式$\ln$即可。

实战：[ABC236Ex] Distinct Multiples

集合划分问题：集合$S$的一个划分是把$S$分成两两不相交的非空子集，并且它们的并是$S$。

$\text{bell}$数$B_n$是基数为$n$的集合划分数目，显然$B_n$的 EGF 就是$\exp (\exp (x)-1)$。

Part 4

斯特林数相关，其实就是一堆板子，用处不大。但是还是留在这里了。

第二类斯特林数：$\left\{\begin{array}{c}n\\ m\end{array}\right\}$表示将$n$个有标号元素划分称$m$个无标号集合的方案数。

我们可以写出第二类斯特林数的$EGF$：

$$\sum _{n\ge 0}\left\{\begin{array}{c}n\\ m\end{array}\right\}\frac{x^n}{n!}=\frac{(\exp (x)-1{)}^m}{m!}$$

可以$O(n\log n)$计算多项式快速幂。

通项公式（可以用二项式反演证明）：

$$\left\{\begin{array}{c}n\\ m\end{array}\right\}=\sum _{i=0}^m\frac{(-1{)}^{m-i}{i}^n}{i!(m-i)!}$$

可以直接卷积计算。

第一类$\text{Sirling}$数：$\left[\begin{array}{c}n\\ m\end{array}\right]$表示将$n$个有标号元素划分为$m$个互不区分的非空轮换的方案数。

递推式：$\left[\begin{array}{c}n\\ m\end{array}\right]=\left[\begin{array}{c}n-1\\ m-1\end{array}\right]+(n-1)\left[\begin{array}{c}n-1\\ m\end{array}\right]$

记 $F_n(x)={\sum }_{i=0}^n\left[\begin{array}{c}n\\ i\end{array}\right]x^i$

根据递推公式：$F_n(x)=(n-1)F_{n-1}(x)+x{F}_{n-1}(x)$

于是
$$F_n(x)=\prod _{i=0}^{n-1}(x+i)$$

这其实是$x$的$n$次上升阶乘幂，记作$x^{\overline{n}}$。用上升幂相关做法可以$O(n\log n)$求出（当然也可以简单暴力分治求）。

显然，单个轮换的 EGF 为$F(x)={\sum }_{i=1}^n\frac{(i-1)!x^i}{i!}$

它的$k$次幂就是$\left[\begin{array}{c}n\\ k\end{array}\right]$的 EGF（提取时要乘上$\frac{n!}{k!}$），$O(n\log n)$计算即可。

上升幂的计算：

考虑倍增，$x^{\overline{2n}}=x^{\overline{n}}(x+n{)}^{\overline{n}}$

于是现在我们有多项式$f(x)$，要求$f(x+c)$的值

不难得到$f(x+c)$可以二项式展开然后卷积求出。

复杂度$O(n\log n)$ 。

用上升幂求第二类斯特林数的列：

利用递推式$\left\{\begin{array}{c}n\\ m\end{array}\right\}=\left\{\begin{array}{c}n-1\\ m-1\end{array}\right\}+m\left\{\begin{array}{c}n-1\\ m\end{array}\right\}$

设$F_k(x)={\sum }_{i=0}^{\infty }\left\{\begin{array}{c}i\\ k\end{array}\right\}{x}^i$

不难发现$F_k(x)=x{F}_{k-1}(x)+kx{F}_k(x)$，那么$F_k(x)=\frac{x}{1-kx}{F}_{k-1}(x)$

那么$F_k(x)={\prod }_{i=1}^k\frac{x}{1-ix}=x^k({\prod }_{i=1}^k(1-ix){)}^{-1}$

考虑算${\prod }_{i=1}^k(1-ix)$。

${\prod }_{i=1}^k(1-ix)=x^k{\prod }_{i=1}^k(x^{-1}-i)$

注意到${\prod }_{i=1}^k(x-i)$翻转后就能得到$x^k{\prod }_{i=1}^k(x^{-1}-i)$

那么算${\prod }_{i=1}^k(x-i)=\frac{x^{\underline{k+1}}}{x}$ 即可。

复杂度$O(n\log n)$。

Part 5

概率生成函数：如果$X$是非负整数集$N$上的离散随机变量，那么$X$的概率生成函数为

$$F(z)=E(z^X)=\sum _{i=0}^{\infty }Pr(X=i)z^i$$

显然，只能处理非负整数集上的情况。

因为$X$是非负整数集$N$上的离散随机变量，所以必有$F(1)={\sum }_{i=0}^{\infty }Pr(X=i)=1$。

对$F(z)$求导，得到$F^{\prime }(z)={\sum }_{i=0}^{\infty }iPr(X=i)z^{i-1}$，所以$X$的期望$E(x)=F^{\prime }(1)={\sum }_{i=0}^{\infty }iPr(X=i)$。可以类比得到$E(X^{\underline{k}})=F^{(k)}(1),k\ne 0$。所以$X$的方差$D(X)=E(X^2)-E^2(X)=F^{\prime \prime }(1)+F^{\prime }(1)-(F^{\prime }(1){)}^2$。

实战：[CTSC2006] 歌唱王国

给你一个字符串$A$，和一个初始为空的字符串$B$，每次从$m$个字符中随机选一个插入到$B$的末尾直到$B$字符串中包含$A$，求$B$的期望长度。

令$a_i$表示$A[1,i]$是否为$A$的一个$\text{border}$，$f_i$为结束时随机序列长度为$i$的概率，其概率生成函数为$F(x)$。考虑构造辅助数组$g_i$为随机序列长度到达$i$且还未结束的概率，其生成函数为$G(x)$。

那么有如下等式：$F(x)+G(x)=1+x\cdot G(x)$。

但是只有一个等式显然是无法求解的。考虑算二次的思想，在一个任意串后面接上串$A$，如果在某一位置停下了，那么我们就可以据此构造出一段$\text{border}$（这可以形象的理解为从前面截断和从后面截断），那么有$G(x)\cdot (\frac{1}{m}x{)}^L=\sum a_i\cdot F(x)\cdot (\frac{1}{m}x{)}^{L-i}$。（左边式子有$x$注意不要抄掉了）

将第一个式子求导，$F^{\prime }(x)+G^{\prime }(x)=x{G}^{\prime }(x)+G(x)$，将$x=1$代入得到 $F^{\prime }(1)=G(1)$，再将$x=1$代入第二个式子得到$G(1)=\sum a_i\cdot m^i$，我们要求的就是$F^{\prime }(1)$，这道题就做完了。

求其中某一项可以用多项式求逆解决。有时间我再推一下。

继续实战：[SDOI2017] 硬币游戏

[ZJOI2019] 开关（这不是FWT经典题吗，气抖冷）

upd on 2023/12/26：新增了一些自己的理解以及若干例题。