多项式和生成函数学习笔记

（注：以下为形式幂级数的代数运算，不严格要求收敛性，仅作形式化推导。内容大部分由AI生成，最下方有我的手稿，可能会详细些）

生成函数

对于数列 $\mathbf{f}$，定义其 形式幂级数 $\mathbf{F}(\mathbf{x})$，即：
$$F(x)=\sum _{i=0}^{+\infty }{f}_i{x}^i$$
若仅计算前 $n$ 项，可表示为 $\mathbf{F}(\mathbf{x})\mathrm{mod}{\mathbf{x}}^{\mathbf{n}}$（模 $x^n$ 截断）。

多项式运算中默认 $F(x)$ 收敛，$F(x)$ 是数列 {fi}\{f_i\}{fi​} 的形式化表示。

设两个形式幂级数：
$$A(x)=\sum _{i=0}^{+\infty }{a}_i{x}^i,B(x)=\sum _{i=0}^{+\infty }{b}_i{x}^i$$

1. 相等性

$$A(x)=B(x)⟺\forall i\in \mathbb{N},a_i=b_i$$

2. 加减运算

$$A(x)\pm B(x)=\sum _{i=0}^{+\infty }(a_i\pm b_i)x^i$$

3. 卷积（乘法）运算

$$(A\ast B)(x)=\sum _{i=0}^{+\infty }\left(\sum _{j=0}^i{a}_j{b}_{i-j}\right)x^i$$
满足 交换律、结合律、对加法的分配律。

若 $(A\ast B)(x)\equiv 1(\mathrm{mod}{x}^n)$，则称 $A(x)$ 与 $B(x)$ 在 模 $x^n$ 意义下互为乘法逆元。

4. 导数运算

• 一阶导数：
  $$A^{\prime }(x)=\sum _{i=0}^{+\infty }(i+1)a_{i+1}{x}^i\text{（也记为 }\frac{dA}{dx}(x)\text{）}$$

• 高阶导数：
  $$A^{(k)}(x)={\left(A^{(k-1)}(x)\right)}^{\prime }$$

• 求导法则：
  $$(A+B{)}^{\prime }=A^{\prime }+B^{\prime },(AB{)}^{\prime }=A^{\prime }B+A{B}^{\prime }$$
  链式法则：若 $C(x)=B(A(x))$，则
  $$\frac{dC}{dx}=\frac{dB}{dA}\cdot \frac{dA}{dx}⟹C^{\prime }(x)=B^{\prime }(A(x))\cdot A^{\prime }(x)$$

5. 复合运算（$B\circ A$）

$$C(x)=(B\circ A)(x)=B(A(x))=\sum _{i=0}^{+\infty }{b}_i{\left(\sum _{j=0}^{+\infty }{a}_j{x}^j\right)}^i$$

卡特兰数封闭形式 （需要前置知识广义二项式）

卡特兰数封闭形式
递推式：$C_n={\sum }_{i=0}^{n-1}{C}_i{C}_{n-i-1}$
设生成函数 $F(x)={\sum }_{i=0}^{+\infty }{C}_i{x}^i$ ，满足：
$$F(x)=xF(x{)}^2+1$$

解方程：$x{F}^2-F+1=0\Rightarrow F=\frac{1\pm \sqrt{1-4x}}{2x}$
由 $F(0)=C_0=1$ ，取负号：$F(x)=\frac{1-\sqrt{1-4x}}{2x}$

展开 $\sqrt{1-4x}=(1-4x{)}^{\frac{1}{2}}={\sum }_{i=0}^{+\infty }(\genfrac{}{}{0ex}{}{\frac{1}{2}}{i})(-4x{)}^i$ ，化简广义组合数： （手稿有详细证明）
$$\left(\genfrac{}{}{0ex}{}{\frac{1}{2}}{i}\right)=(-1{)}^{i-1}\frac{(2i-2)!}{2^{i}i!(i-1)!}$$

代入得：$1-\sqrt{1-4x}={\sum }_{i=1}^{+\infty }\frac{(2i-2)!2^i}{i!(i-1)!}\cdot x^i$
除以 $2x$ 后：
$$F(x)=\sum _{i=0}^{+\infty }\frac{(2i)!}{(i+1)!i!}\cdot x^i$$

故卡特兰数公式：$C_i=\frac{(2i)!}{(i+1)!i!}=\frac{1}{i+1}\left(\genfrac{}{}{0ex}{}{2i}{i}\right)$

常见幂级数展开式

$$e^x=\sum _{i=0}^{+\infty }\frac{x^i}{i!}$$
$$(1+x{)}^n=\sum _{i=0}^{+\infty }(\genfrac{}{}{0ex}{}{n}{i})x^i$$
$$\cos x=\sum _{i=0}^{+\infty }(-1{)}^i\frac{x^{2i}}{(2i)!}$$
$$\sin x=\sum _{i=0}^{+\infty }(-1{)}^i\frac{x^{2i+1}}{(2i+1)!}$$
$$\ln (1-x)=-\sum _{i=1}^{+\infty }\frac{x^i}{i}$$
$$\frac{1}{1-x}=\sum _{i=0}^{+\infty }{x}^i$$
$$\frac{1}{(1-x{)}^2}=\sum _{i=0}^{+\infty }(i+1)x^i$$
$$\frac{1}{(1-x{)}^n}=\sum _{i=0}^{+\infty }\left(\genfrac{}{}{0ex}{}{i+n-1}{i}\right)x^i\text{（高维前缀和形式）}$$
$$\frac{1}{(1+x{)}^n}=\sum _{i=0}^{+\infty }\left(\genfrac{}{}{0ex}{}{i+n-1}{i}\right)(-1{)}^i{x}^i\text{（代入 -x ）}$$
$$\frac{1}{1+x^n}=\sum _{i=0}^{+\infty }(-1{)}^i{x}^{in}$$
$$\frac{1}{(1+x^j{)}^m}=\sum _{i=0}^{+\infty }(-1{)}^i(\genfrac{}{}{0ex}{}{i+m-1}{i})x^{ij}$$
$$\frac{1}{(1-x{)}^{\frac{1}{2}}}=\sum _{i=0}^{+\infty }\frac{\left(\genfrac{}{}{0ex}{}{2i}{i}\right)}{4^i}{x}^i$$

单位根与多项式变换（FFT/NTT相关）（需要前置知识复数三角表示）

$${\omega }_n^k=\cos \left(\frac{2k\pi }{n}\right)+i\sin \left(\frac{2k\pi }{n}\right)$$
$${\omega }_{2n}^{2k}=\cos \left(\frac{2k\pi }{n}\right)+i\sin \left(\frac{2k\pi }{n}\right)={\omega }_n^k$$
$${\omega }_n^{k+\frac{n}{2}}=\cos \left(\frac{2k\pi }{n}+\pi \right)+\sin \left(\frac{2k\pi }{n}+\pi \right)=-{\omega }_n^k$$
$${\omega }_n^n=1$$

$$A(x)=a_0+a_{1}x+a_2{x}^2+\dots +a_{n-1}{x}^{n-1}$$
$$A({\omega }_n^k)=a_0+a_1{\omega }_n^k+a_2({\omega }_n^k{)}^2+\dots +a_{n-1}({\omega }_n^k{)}^{n-1}$$
$$=\left(a_0+a_2{\omega }_n^{2k}+a_4{\omega }_n^{4k}+\dots \right)+{\omega }_n^k\left(a_1+a_3{\omega }_n^{2k}+a_5({\omega }_n^{2k}{)}^2+\dots \right)$$
$$=A_1({\omega }_n^{2k})+{\omega }_n^k{A}_2({\omega }_n^{2k})$$
$$A({\omega }_n^{k+\frac{n}{2}})=A_1\left({\omega }_n^k\cdot {\omega }_n^{\frac{n}{2}}\right)+{\omega }_n^{k+\frac{n}{2}}{A}_2\left({\omega }_n^k\cdot {\omega }_n^{\frac{n}{2}}\right)=A_1({\omega }_n^{2k})-{\omega }_n^k{A}_2({\omega }_n^{2k})$$

令 ${\gamma }_k=A({\omega }_n^k)$
设 $C_k={\sum }_{i=0}^{n-1}{\gamma }_i{\omega }_n^{-ik}={\sum }_{i=0}^{n-1}\left({\sum }_{j=0}^{n-1}{a}_j{\omega }_n^{ji}\right){\omega }_n^{-ik}={\sum }_{j=0}^{n-1}{a}_j{\sum }_{i=0}^{n-1}{\omega }_n^{i(j-k)}$

$$({\omega }_n^{j-k}-1)\sum _{i=0}^{n-1}{\omega }_n^{ix}={\omega }_n^{n(j-k)}-1=0$$
$$\sum _{i=0}^{n-1}{\omega }_n^{ix}=\{\begin{array}{ll}0,& {\omega }_n^x\ne 1;\\ n,& {\omega }_n^x=1\end{array}$$

$\therefore C_k=n{a}_{n-k}$ ，故 $a_k=\frac{C_{n-k}}{n}$

（模板：$C_k=\sum {\gamma }_i{\omega }_n^{-ik}$ ，故 $a_k=\frac{C_k}{n}$ ，假设 ${\omega }_n^0=1$ ，结合 FFT ）
设 $g$ 为原根，${\omega }_n^1=g^{\frac{p-1}{n}}$ ，则 ${\omega }_{2n}^{2k}={\omega }_n^k$ ，${\omega }_n^{k+\frac{n}{2}}=-{\omega }_n^k$ ，${\omega }_n^n=g^{p-1}=1$ ，故可用 $g^{\frac{p-1}{n}}$ 代替单位根（即 NTT ）。

另外，FFT可以通过提前预处理最低层的位置，将递归转为递推，从而减小常数。可以发现最终的位置就是初始位置的二进制反转。

该图经不知多少次搬运已不知出处

泰勒展开的理解

理解泰勒展开的一个角度
已知函数 $G(x)$ ，求形式幂级数 $F(x)$ 逼近 $G(x)$ ，要求 $\forall n,F^{(n)}(x)=G^{(n)}(x)$

设 $F(x)={\sum }_{i=0}^{+\infty }{a}_i{x}^i$
代入 $x=0$ ：$F^{(n)}(0)=n!a_n=G^{(n)}(0)\Rightarrow a_n=\frac{G^{(n)}(0)}{n!}$ ，故
$$F(x)=\sum _{i=0}^{+\infty }\frac{G^{(i)}(0)}{i!}\cdot x^i$$

自变量偏移：令 $F(x)={\sum }_{i=0}^{+\infty }{a}_i(x-x_0{)}^i=G(x)$
代入 $x=x_0$ ：$F^{(n)}(x_0)=n!a_n=G^{(n)}(x_0)\Rightarrow a_n=\frac{G^{(n)}(x_0)}{n!}$ ，故
$$F(x)=\sum _{i=0}^{+\infty }\frac{G^{(i)}(x_0)}{i!}\cdot (x-x_0{)}^i$$

牛顿迭代法

牛顿迭代法证明：
已知 $G(x)$ ，要求 $G(F(x))\equiv 0(\mathrm{mod}{x}^n)$ ，求 $F(x)$

• 当 $n=1$ 时等式可能不成立，需特殊处理。
• 对 $G$ 泰勒展开：$G(F(x))={\sum }_{i=0}^{+\infty }\frac{G^{(i)}(F_0(x))}{i!}\cdot (F(x)-F_0(x){)}^i$
• 令 $F_0(x)\equiv 0(\mathrm{mod}{x}^{\lceil \frac{n}{2}\rceil })$ ，则 $F(x)-F_0(x)$ 的最低非零次 $\ge \lceil \frac{n}{2}\rceil$ ，故 $i\ge 2$ 时，$(F(x)-F_0(x){)}^i\equiv 0(\mathrm{mod}{x}^n)$
• 简化得：$G(F(x))\equiv G(F_0(x))+G^{\prime }(F_0(x))(F(x)-F_0(x))(\mathrm{mod}{x}^n)$
• 由 $G(F(x))\equiv 0(\mathrm{mod}{x}^n)$ ，得 $F(x)\equiv F_0(x)-\frac{G(F_0(x))}{G^{\prime }(F_0(x))}(\mathrm{mod}{x}^n)$

多项式求逆（$G(x)F(x)\equiv 1\mathrm{mod}{x}^n$） （复杂度证明不会qwq）

设 $H(t)=G(x)-\frac{1}{t}$ （这是关于变量 $t$ 的函数，没有取模），令 $H(F_0(x))\equiv 0(\mathrm{mod}{x}^{\lceil \frac{n}{2}\rceil })$（$F_0$ 是模 $x^{\lceil \frac{n}{2}\rceil }$ 的逆）。
由牛顿迭代：
$$F(x)\equiv F_0(x)-\frac{H(F_0(x))}{H^{\prime }(F_0(x))}(\mathrm{mod}{x}^n)$$
$H(F_0)=G-\frac{1}{F_0}$ ，$H^{\prime }(F_0)=\frac{1}{F_0^2}$ （ $G$ 不随 $F_0$ 变化，求导可看作常数），代入得：
$$F(x)\equiv F_0(x)-\frac{G-\frac{1}{F_0}}{\frac{1}{F_0^2}}\equiv 2F_0(x)-F_0(x{)}^{2}G(x)(\mathrm{mod}{x}^n)$$

多项式开方（$F(x{)}^2\equiv G(x)\mathrm{mod}{x}^n$）

设 $H(t)=G(x)-t^2$ ，则：
$$F(x)\equiv F_0(x)-\frac{H(F_0(x))}{H^{\prime }(F_0(x))}(\mathrm{mod}{x}^n)$$
$H(F_0)=G-F_0^2$ ，$H^{\prime }(F_0)=-2F_0$ ，代入得：
$$F(x)\equiv F_0(x)+\frac{G-F_0^2}{2F_0}\equiv \frac{F_0^2+G}{2F_0}(\mathrm{mod}{x}^n)$$

多项式 ln（要求 $[x^0]G(x)=1$）

一些有用的东西：
$$\int a_k{x}^{k}dx=\frac{a_k}{k+1}{x}^{k+1}+C$$
$$(f(g(x)){)}^{\prime }=f^{\prime }(g(x))g^{\prime }(x)$$
$$(\ln x{)}^{\prime }=\frac{1}{x}$$

已知 $G(x)$ ，求 $F(x)\equiv \ln G(x)(\mathrm{mod}{x}^n)$：

1. 导数关系：$F^{\prime }(x)\equiv \frac{G^{\prime }(x)}{G(x)}(\mathrm{mod}{x}^n)$
2. 积分求解：$F(x)\equiv \int \left(\frac{G^{\prime }(x)}{G(x)}\right)dx(\mathrm{mod}{x}^n)$
   设 $H(x)=\frac{G^{\prime }(x)}{G(x)}={\sum }_{i=0}^{+\infty }{a}_i{x}^i$ ，则积分后：
   $$F(x)\equiv \sum _{i=1}^{+\infty }\frac{a_{i-1}}{i}{x}^i(\mathrm{mod}{x}^n)$$

多项式 exp

已知 $G(x)$ ，求 $F(x)\equiv e^{G(x)}(\mathrm{mod}{x}^n)$：

1. 对数关系：$\ln F(x)\equiv G(x)(\mathrm{mod}{x}^n)$
2. 牛顿迭代：设 $H(t)=G(x)-\ln t$ ，则
   $$F(x)\equiv F_0(x)-\frac{H(F_0(x))}{H^{\prime }(F_0(x))}(\mathrm{mod}{x}^n)$$
   $H(F_0)=G-\ln F_0$ ，$H^{\prime }(F_0)=-\frac{1}{F_0}$ ，代入得：
   $$F(x)\equiv F_0(x)\left(1+G(x)-\ln F_0(x)\right)(\mathrm{mod}{x}^n)$$

多项式快速幂（$G(x{)}^k\mathrm{mod}{x}^n$）

1. 指数恒等：$G(x{)}^k=e^{k\ln G(x)}$ ，故 $F(x)\equiv e^{k\ln G(x)}(\mathrm{mod}{x}^n)$（前提 $G(0)=1$ ）。
2. 推广：
   • 若 $G(0)\ne 1$ ，令 $G(x)=a_0\cdot \left(\frac{G(x)}{a_0}\right)$ ，则 $G(x{)}^k=a_0^k\cdot {\left(\frac{G(x)}{a_0}\right)}^k$ ，对 $\left(\frac{G(x)}{a_0}\right)$ 用上述方法。
   • 若 $G(0)=0$ ，找最小非零次 $t$ ，令 $G(x)=x^t\cdot H(x)$（$H(0)\ne 0$），则 $G(x{)}^k=x^{kt}\cdot H(x{)}^k$ 。

代码实现（自己手写的，常数应该不算大）

const ll mod = 998244353, g0 = 3, invg0 = 332748118;
ll qpow(ll x, int k){
	ll res = 1;
	while(k){
		if(k & 1)res = res * x % mod;
		x = x * x % mod; k >>= 1;
	}
	return res;
}
void NTT(vector<ll>&a, int type){
	int n = a.size();
	int B = log2(n);
	vector<int>r(n);
	for(int i = 0; i < n; i++)
		r[i] = (r[i >> 1] >> 1) | ((i & 1) << (B - 1));
	for(int i = 0; i < n; i++)
		if(i < r[i])swap(a[i], a[r[i]]);
	for(int h = 2; h <= n; h <<= 1){
		ll wn = qpow(type == 1 ? g0 : invg0, (mod - 1) / h);
		for(int i = 0; i < n; i += h)
			for(int j = i, w = 1; j < i + (h >> 1); j++, w = w * wn % mod){
				ll u = a[j], v = w * a[j + (h >> 1)] % mod;
				a[j] = (u + v) % mod; a[j + (h >> 1)] = (u - v + mod) % mod;
			}
	}
	if(type == -1){
		ll invn = qpow(n, mod - 2);
		for(int i = 0; i < n; i++)
			a[i] = a[i] * invn % mod;
	}
}
vector<ll> poly_mult(vector<ll>a, vector<ll>b){
	int n = 1;
	while(n < a.size() + b.size())n <<= 1;
	a.resize(n); b.resize(n);
	NTT(a, 1); NTT(b, 1);
	for(int i = 0; i < n; i++)
		a[i] = a[i] * b[i] % mod;
	NTT(a, -1); return a;
}
vector<ll> poly_inv(int n, vector<ll>&a){
	vector<ll>b(1);
	b[0] = qpow(a[0], mod - 2);
	for(int m = 1; m < n; m <<= 1){
		int L = m << 1;
		vector<ll>t = poly_mult(b, b);
		vector<ll>ta(a.begin(), a.begin() + min(L, (int)a.size()));//取min是保证复杂度的关键！
		t = poly_mult(t, ta);
		b.resize(L);
		for(int i = 0; i < L; i++)
			b[i] = (2 * b[i] - t[i] + mod) % mod;
	}
	b.resize(n); return b;
}
vector<ll> poly_sqrt(int n, vector<ll>&a){
	vector<ll>b(1); b[0] = 1;
	for(int m = 1; m < n; m <<= 1){
		int L = m << 1;
		vector<ll>t = poly_mult(b, b);
		t.resize(L);
		for(int i = 0; i < L; i++)
			t[i] = (t[i] + a[i]) % mod;
		vector<ll>inv(L);
		for(int i = 0; i < L; i++)
			inv[i] = b[i] * 2 % mod;
		inv = poly_inv(L, inv);
		b = poly_mult(t, inv);
	}
	b.resize(n); return b;
}
vector<ll> poly_differential(int n, vector<ll>&a){
	vector<ll>b(n);
	for(int i = 1; i < min(n, (int)a.size()); i++)
		b[i - 1] = a[i] * i % mod;
	if((int)a.size() > n)b[n - 1] = a[n] * n % mod;
	return b;
}
vector<ll> poly_integral(int n, vector<ll>&a){
	vector<ll>b(n);
	for(int i = 1; i < min(n, (int)a.size() + 1); i++)
		b[i] = a[i - 1] * qpow(i, mod - 2) % mod;
	return b;
}
vector<ll> poly_ln(int n, vector<ll>&a){//a[0]必须为1
	vector<ll>b = poly_differential(n, a), inv = poly_inv(n, a);
	b = poly_mult(b, inv);
	b = poly_integral(n, b);
	return b;
}
vector<ll> poly_exp(int n, vector<ll>&a){
	vector<ll>b(1); b[0] = 1;
	for(int m = 1; m < n; m <<= 1){
		int L = m << 1;
		vector<ll>ta(a.begin(), a.begin() + min((int)a.size(), L));
		vector<ll>t = poly_ln(L, b); ta[0]++;
		for(int i = 0; i < L; i++)
			t[i] = (ta[i] - t[i] + mod) % mod;
		b = poly_mult(b, t);
		b.resize(L);
	}
	b.resize(n); return b;
}
vector<ll> poly_pow(int n, vector<ll>&a, vector<ll>&k){//要求a[0] = 1 
	ll K = 0, bit = 1;
	for(int i = k.size() - 1; i >= 0; i--)
		K = (k[i] * bit + K) % mod, bit = bit * 10 % mod;
	vector<ll>b = poly_ln(n, a);
	for(auto &t : b)t = (t * K) % mod;
	b = poly_exp(n, b);
	return b;
}