常见反演总结

一、符号约定及相关定义

符号约定

符号	定义
$f(x)$	关于x的函数f
$A=[x_1,x_2,...]$	向量
A = { x 1 , x 2 , . . . } A=\{ x_1, x_2,...\} A={x1​,x2​,...}	集合
|$A$|	集合的基数
$min(A),max(A)$	集合的最小值/最大值
$\sum ,\prod$	求和与求积
$ai+b$	复数
${\omega }_n$	单位复根
$\left(\genfrac{}{}{0ex}{}{a}{b}\right)$$,{[}_b^a],{\{}_b^a\}$	组合数、第一、第二类斯特林数
$$\left[\begin{array}{ccc}{x}_{11}& x_{12}& ...\\ x_{21}& x_{22}& ...\\ ...& ...& ...\end{array}\right]$$	矩阵

P.S.通过中括号是否为粗体区分矩阵纵向量与第一类斯特林数.

相关定义

反演

若有函数$f(x)$,变换$[\ast ]$,使得:
$$g(x)=(f^{\ast })(x)$$
且存在变换$[\&]$,使得:
$$(g^{\&})(x)=f(x)$$
则我们称$[\&]$互为$[\ast ]$反演变换.

最常见的反演变换有求导与积分,该组反演变换大致可以写成如下形式:
$$\int f^{\prime }(x)dx=f(x)+c$$

线性反演

若存在线性变换 $[\&],[\ast ]$,互为反演变换，则称$[\&],[\ast ]$互为线性反演变换.
一般地:线性变换可以描述成一个矩阵的形式.

常见的比如说离散傅里叶变换(DFT),离散傅里叶逆变换(IDFT).

互为线性反演变换的变换矩阵相乘的结果为单位矩阵.

互为反演变换的变换矩阵乘法满足交换律.其余只满足结合律.

本文主要探讨常见的离散的线性反演变换.

与此相对的非线性反演在本文不再过多涉及.

二、常见线性离散反演总结

1.前缀和反演

令函数$f(x),g(x)$在 ${\mathrm{N}}_{\ast }$下有定义,使得
$$g(x)=\sum _{i=0}^{x}f(x)$$
则有:
$$f(x)=g(x)-g(x-1)$$
由于证明过于显然，在此不再赘述.
在OI/ACM界中该正变换被称作前缀和,逆变换被成为差分.
其我们约定前缀和变换记作$\Sigma$,其矩阵形式为:
$$\Sigma =\left[\begin{array}{cccc}1& 0& 0& ...\\ 1& 1& 0& ...\\ 1& 1& 1& ...\\ ...& ...& ...& ...\end{array}\right]$$
大致可以描述为一个全1的下三角.
约定差分变换记作$\Delta$,其矩阵形式为:
$$\Delta =\left[\begin{array}{cccc}1& 0& 0& ...\\ -1& 1& 0& ...\\ 0& -1& 1& ...\\ ...& ...& ...& ...\end{array}\right]$$
我们约定单位矩阵记作 $I$
则以下等式显然成立:
$$\Sigma \cdot \Delta =\Delta \cdot \Sigma =I$$
$$I\cdot I=I$$

2.子集反演

即高维前缀和反演，也称莫比乌斯反演(非数论).其正变换称为莫比乌斯变换(MT),逆变换为莫比乌斯逆变换(MI).
其一般形式为:
$$g(x)=\sum _{i\vee x=i}f(i)$$
$$f(x)=\sum _{i\vee x=i}(-1{)}^{bit(x-i)}g(i)$$
其中$[\vee ]$表示按位或运算，$bit(x)$表示$x$二进制下的1的个数.
证明很容易,我们可以将长度为$s$二进制想象成一个$s$维的01向量,正变换相当于做一个$s$维的前缀和,逆变换相当于差分出原来的数组,然后考虑容斥，参考二维前缀和的差分方式，我们很容易发现如果有偶数维与原数不同的会被多减去1次，所以需要加上，奇数维与原数不同的会被少减去一次，所以需要减去.
其矩阵形式为一般如下:
$${\Sigma }^k=\left[\begin{array}{cccccccc}1& 0& 0& 0& 0& 0& ...& \\ 1& 1& 0& 0& 0& 0& ...& \\ 1& 0& 1& 0& 0& 0& ...& \\ 1& 1& 1& 1& 0& 0& ...& \\ 1& 0& 0& 0& 1& 0& ...& \\ 1& 1& 0& 0& 1& 1& ...& \\ ...& ...& ...& ...& ...& ...& ...& \end{array}\right]$$

$${\Delta }^k=\left[\begin{array}{cccccccc}1& 0& 0& 0& 0& 0& ...& \\ -1& 1& 0& 0& 0& 0& ...& \\ -1& 0& 1& 0& 0& 0& ...& \\ 1& -1& -1& 1& 0& 0& ...& \\ -1& 0& 0& 0& 1& 0& ...& \\ 1& -1& 0& 0& -1& 1& ...& \\ ...& ...& ...& ...& ...& ...& ...& \end{array}\right]$$
$${\Sigma }^k\ast {\Delta }^k=I$$
应用:
快速莫比乌斯变换(FMT):

int len, bit;
void FMT(int *p){
    for(int i = 0;i < bit;i ++) for(int j = 0;j < len;j ++) 
      { if( j & (1 << i) ) p[j] += p[j - (1 << i)]; }
}

快速莫比乌斯逆变换(FMI)
就是对差分过程的一点优化.形式上与正变换基本相同.

int len, bit;
void FMI(int *p){
    for(int i = 0;i < bit;i ++) for(int j = 0;j < len;j ++) 
      { if( j & (1 << i) ) p[j] -= p[j - (1 << i)]; }
}

子集或卷积:
定义函数$f(x),g(x),h(x)$.已知$f(x),g(x)$求:
$$h(x)=\sum _{i\vee j=x}f(i)\ast g(j)$$
很容易发现:
$$({\Sigma }^{k}h)(x)=({\Sigma }^{k}f)(x)\ast ({\Sigma }^{k}g)(x)$$
于是:
$$h(x)=({\Delta }^k(({\Sigma }^{k}f)\cdot ({\Sigma }^{k}g)))(x)$$
所以可以两遍FMT,一遍FMI解决.
子集与卷积:
定义函数$f(x),g(x),h(x)$.已知$f(x),g(x)$求:
$$h(x)=\sum _{i\wedge j=x}f(i)\ast g(j)$$
因为
$$A\wedge B=┐(┐A\vee ┐B)$$
所以我们定义变换$\Omega$:$x\to ┐x$
则:
$$h(x)=(\Omega {\Delta }^k((\Omega {\Sigma }^{k}f)\cdot (\Omega {\Sigma }^{k}g)))(x)$$
即可简单算出.
位运算卷积的总结
有些卷积就要用到FWT了，这里不再赘述。
但是我们可以把16中二进制运算的大致归下类：
首先我们可以把位运算写成这种特殊的真值表.

比如说上图表示 按位或 运算的真值表. 表示有一为真即为真.
于是我们发现位运算可以构成一个群(具体名字忘记了).
并且有三种可以简单处理的变换即是。
交换行，交换列，颜色取反，旋转90度。分别对应位运算:
$$a\$b=c$$
中把 a取反, b 取反, c取反,交换ab.其中前三个我们可以用一些简单的代码转换.

void FCP(int *A){
	for(int i = 0;i < len >> 1;i ++) swap( A[i], A[i ^ (len - 1)] );
}

于是16中位运算可以分成本不同的4类:
然后1号部分都可以用FMT求,2号部分只与一个变量有关，所以可以简单处理，3号部分必须使用FWT,4号部分与两个变量均无关.

3.莫比乌斯反演

令函数$f(x),g(x)$,使得:
$$g(x)=\sum _{d|x}f(d)$$
则有:
$$f(x)=\sum _{d|x}g(d)\mu (\frac{x}{d})$$
于是我们可以发现狄利克雷卷积一个数论函数都是线性变换, 其反演变换相当于卷积上其狄利克雷卷积的逆元.
其矩阵形式一般为:
$${}^{\ast }k=\left[\begin{array}{cccccccc}k(1)& 0& 0& 0& 0& 0& ...& \\ k(2)& k(1)& 0& 0& 0& 0& ...& \\ k(3)& 0& k(1)& 0& 0& 0& ...& \\ k(4)& k(2)& 0& k(1)& 0& 0& ...& \\ k(5)& 0& 0& 0& k(1)& 0& ...& \\ k(6)& k(3)& k(2)& 0& 0& k(1)& ...& \\ ...& ...& ...& ...& ...& ...& ...& ...\end{array}\right]$$
$k$表示被卷上的数论函数,${}^{\ast }k$表示狄利克雷卷积变换.
其中莫比乌斯反演表示$k=\mu$时的情况.
狄利克雷卷积的矩阵相乘满足交换律.
https://blog.csdn.net/qq_35703773/article/details/85846839 中对该反演有更详细的介绍.

4.二项式反演

令函数$f(x),g(x)$,使得:
$$g(x)=\sum _{i=0}^x\left(\genfrac{}{}{0ex}{}{x}{i}\right)f(i)$$
则有:
$$f(x)=\sum _{i=0}^x(-1{)}^{x-i}(\genfrac{}{}{0ex}{}{x}{i})g(i)$$
考虑基于结论的证明:
$$f(x)=\sum _{i=0}^x(-1{)}^{x-i}(\genfrac{}{}{0ex}{}{x}{i})g(i)=\sum _{i=0}^x(-1{)}^{x-i}\left(\genfrac{}{}{0ex}{}{x}{i}\right)\sum _{j=0}^i\left(\genfrac{}{}{0ex}{}{i}{j}\right)f(j)$$
$$=\sum _{j=0}^{x}f(j)\ast \sum _{i=j}^x(-1{)}^{x-i}(\genfrac{}{}{0ex}{}{x}{i}\left)\right(\genfrac{}{}{0ex}{}{i}{j})$$
考虑$\left(\genfrac{}{}{0ex}{}{x}{i}\right)\left(\genfrac{}{}{0ex}{}{i}{j}\right)$的组合意义，表示对于选取任何一个基数为$|x|$的基数为$|j|$的子集,任何一个$|x|$的子集$|t|$包含$|j|$，则会产生$(-1{)}^{|t|-|j|}$的贡献,则总体贡献可以表示为$\sum (-1{)}^i(\genfrac{}{}{0ex}{}{|x|-|j|}{i})=(1-1{)}^{|x|-|j|}$,所以:

$$\sum _{j=0}^{x}f(j)\ast \sum _{i=j}^x(-1{)}^{x-i}(\genfrac{}{}{0ex}{}{x}{i}\left)\right(\genfrac{}{}{0ex}{}{i}{j})$$
$$=\sum _{j=0}^{x}f(j)\ast \left(\genfrac{}{}{0ex}{}{i}{j}\right)(1-1{)}^{x-j}=f(x)$$
其证明与莫比乌斯反演证明有许多共同之处.
当然，基于结论证明是不好的，我们可以用一种更加感性的方法理解一下这个反演.
我们假设原函数$f(x)$的一个生成函数:
$$F(x)=f(0)x^0+f(1)x^1+f(2)x^2+...$$
将$F(x)$的系数表示成一个向量:
$$[f(0),f(1),f(2),...]$$
我们将生成函数上的一个变换记作$[{<}^1]$: 表示 $x\to x+1$,即表示把图像F(x)向左位移一个单位,改变换可以表示成矩阵的形式:
$${<}^1=\left[\begin{array}{ccccc}0& 0& 0& 0& ...\\ 1& 0& 0& 0& ...\\ 0& 1& 0& 0& ...\\ 0& 0& 1& 0& ...\\ ...& ...& ...& ...& ...\end{array}\right]$$
由二项式定理我们可以发现:
$$(x+1{)}^n=\sum _{i=0}^n(\genfrac{}{}{0ex}{}{n}{i})x^i$$
于是我们可以用$F(x)$上的$[{<}^1]$变换表示$f(x)$上的二项式反演正变换.

基于$[{<}^1]$我们很容易得到它的逆变换$[{>}^1]$：$x\to x-1$
$${>}^1=\left[\begin{array}{ccccc}0& 1& 0& 0& ...\\ 0& 0& 1& 0& ...\\ 0& 0& 0& 1& ...\\ 0& 0& 0& 0& ...\\ ...& ...& ...& ...& ...\end{array}\right]$$
显然 ${>}^1\ast {<}^1=I$.
又由二项式定理得:
$$(x-1{)}^n=\sum _{i=1}^n(-1{)}^{n-i}\left(\genfrac{}{}{0ex}{}{n}{i}\right)x^i$$
所以我们可以用$F(x)$上的$[{<}^1]$表示二项式反演的逆变换.
综上所述:
$$\left[\begin{array}{ccccc}1& 0& 0& 0& ...\\ 1& 1& 0& 0& ...\\ 1& 2& 1& 0& ...\\ 1& 3& 3& 1& ...\\ ...& ...& ...& ...& ...\end{array}\right]\left[\begin{array}{ccccc}1& 0& 0& 0& ...\\ -1& 1& 0& 0& ...\\ 1& -2& 1& 0& ...\\ -1& 3& -3& 1& ...\\ ...& ...& ...& ...& ...\end{array}\right]=I$$
二项式反演的应用:
二项式反演多运用于关于子集的容斥中.如著名的Venn图就属于子集容斥.
n个集合其中重叠k次的子集的个数等于$\left(\genfrac{}{}{0ex}{}{n}{k}\right)$.

相关例题:

错位排列问题
求长度为$n$的排列$P$,对${\forall }_{i\le n}$满足$P_i\ne i$的种类数.
解法:
我们令$n$个位置中恰好有$x$个位置错位的排列个数为$f(x)$,显然我们要求的答案就是$f(n)$.

我们令$g(x)$表示$n$个位置中有小于$x$个位置错位的排列个数,
可以发现$x$的所有子集都对$x$有贡献.所以:
$$g(x)=\sum _{i=0}^x\left(\genfrac{}{}{0ex}{}{x}{i}\right)f(i)$$
根据定义我们可以简单的求出:
$$g(x)=x!$$
所以，根据二项式反演公式我们可以得到:
$$f(x)=\sum _{i=0}^x(-1{)}^{x-i}(\genfrac{}{}{0ex}{}{x}{i})i!$$
$$=x!\sum _{i=0}^x\frac{(-1{)}^i}{i!}$$
该式子可以预处理阶乘及逆元,$O(n)$求解.

球染色问题
有n个球，k种颜色，相邻的两个球不能染相同颜色，全部k种颜色必须全部使用,求染色方案数.

解法:
我们依然定义$f(x)$为恰好使用$x$种颜色的方案数.$g(x)$为使用小于等于$x$种颜色的方案数.显然$g(x)$中$x$的子集对$x$一定有贡献,则:
$$g(x)=\sum _{i=0}^x\left(\genfrac{}{}{0ex}{}{x}{i}\right)f(i)$$
根据定义:
$$g(x)=x\ast (x-1{)}^{n-1}$$
所以:
$$f(x)=\sum _{i=0}^x(-1{)}^{x-i}(\genfrac{}{}{0ex}{}{x}{i})i(i-1{)}^{n-1}$$
线性筛一下自然数幂即可做到$O(n)$.
其它例题:
例题1
例题2

5.斯特林反演

令函数$f(x),g(x)$,使得:
$$g(x)=\sum _{i=0}^x\left\{\genfrac{}{}{0ex}{}{x}{i}\right\}f(x)$$
则有:
$$f(x)=\sum _{i=0}^x(-1{)}^{x-i}[\genfrac{}{}{0ex}{}{x}{i}]g(x)$$
关于定义:
第一类斯特林数: 将$n$个元素划分成$m$个圆排列的方案数.
第二类斯特林数: 将$n$个元素划分成$m$个集合的方案数.
圆排列:首尾相接的排列.我们称两个圆排列$A,B$相同仅当组成$A,B$的元素相同且$B$可以由$A$转置得到.若集合$A$,$|A|$=a,则该集合内的元素可以构成不同的圆排列个数为$(a-1)!$.
所以显然有递推公式:

第一类斯特林数:
$$\left[\genfrac{}{}{0ex}{}{n}{m}\right]=(n-1)\left[\genfrac{}{}{0ex}{}{n-1}{m}\right]+\left[\genfrac{}{}{0ex}{}{n-1}{m-1}\right]$$
组合意义:加入的元素放入某个圆排列的贡献和等于圆排列大小.
第二类斯特林数:
$$\left\{\genfrac{}{}{0ex}{}{n}{m}\right\}=m\left\{\genfrac{}{}{0ex}{}{n-1}{m}\right\}+\left\{\genfrac{}{}{0ex}{}{n-1}{m-1}\right\}$$
组合意义:加入的元素放入某个集合的贡献为1.

一些关于斯特林数的结论:

$$n^k=\sum _{i=1}^k\left\{\genfrac{}{}{0ex}{}{k}{i}\right\}\cdot n^{\underline{i}}$$
组合意义: n个有标号小球,k种颜色,染色方案为$n^k$,也可以表示成把n个小球分成i个集合每种集合内染一样颜色，但不同集合颜色互不相同的方案.
斯特林反演以后可以得到:
$$n^{\underline{k}}=\sum _{i=0}^k(-1{)}^{k-i}[\genfrac{}{}{0ex}{}{k}{i}]n^i$$

6.单位根反演

7.最值反演

最值反演又称$Min-Max$反演，是一种基于集合子集的反演，并非线性反演。
但是在OI中运用颇多，这里详细的阐述一下.
$Min-Max$反演大概可以描述成以下形式:
有一个集合$S$,则:
$$max(S)=\sum _{T\subset S}(-1{)}^{|T|+1}min(S)$$
$$min(S)=\sum _{T\subset S}(-1{)}^{|T|+1}max(S)$$
证明很简单,我们以第一个式子为例(第二个同理):
我们将集合$S$的$2^{|S|}$个子集划分成4类:
∅ , { M a x } , T , T ∪ { M a x } \emptyset,\{Max\},T,T\cup\{Max\} ∅,{Max},T,T∪{Max}
其中$T$不包含元素$Max$,且存在唯一的 T ∪ { M a x } T\cup\{Max\} T∪{Max}与之配对，互相抵消,所以最终的贡献只剩下$Max$.

因为概率期望等奇怪的东西一般互相之间是线性无关的，所以可以用$Min-Max$容斥将问题简化.

例题1: hdu4336 Card Collector
有n个卡片,第$i$个的出现概率为$p_i$,求全部出现至少一次的期望时间.

我们令$min(S)$为$S$集合中出现一个的期望步数，$max(s)$为全部出现的期望步数:
由于一些神秘因素(如果我弄明白了一定来补充)
$$max(S)=\sum _{T\subset S}(-1{)}^{|T|+1}min(S)$$
于是题目变得显然了.

例题2:[HAOI2015]按位或
刚开始你有一个数字0，每一秒钟你会随机选择一个$[0,2^n-1]$的数字，与你手上的数字进行或操作。选择数字$i$的概率是$p_i$。期望多少秒后，你手上的数字变成$2^n-1$
做法同上,只是求$min(S)$的时候要简单变形为:

$$min(S)=\frac{1}{1-\sum p_{T\subset R-S}}$$

然后用FWT/FMT或者高维前缀和求一下即可.

例题3:现世重返

8.拉格朗日反演

9.圆反演

细节待补充,如有错误望提出.