Mobius 反演与杜教筛
积性函数
积性函数 指对于所有互质的整数 aaa 和 bbb 有性质 f(ab)=f(a)f(b)f(ab)=f(a)f(b)f(ab)=f(a)f(b) 的数论函数。
特别地,若所有的整数 aaa 和 bbb 有性质 f(ab)=f(a)f(b)f(ab)=f(a)f(b)f(ab)=f(a)f(b),则称这个函数 f(x)f(x)f(x) 是 完全积性函数。
常见积性函数及其性质
Mobius 函数。∀n∈N∗\forall n\in\N^*∀n∈N∗ 有 μ(n)={1,n=1(−1)k,n=∏i=1kpk,0,otherwise.\mu(n)=\begin{cases}1,n=1\\
(-1)^k,n=\prod_{i=1}^{k}{p_k},\\
0,\text{otherwise.}\end{cases}μ(n)=⎩⎪⎨⎪⎧1,n=1(−1)k,n=∏i=1kpk,0,otherwise.
其中 ppp 是互不相同的素数;Euler 函数。φ(n)\varphi(n)φ(n) 表示不大于 nnn 的、与 nnn 互素的数的个数;
约数个数函数。d(n)d(n)d(n) 表示 nnn 的约数个数;
约数和函数。σ(n)\sigma(n)σ(n) 表示 nnn 的约数之和。
完全积性函数
元函数。ϵ(x)=[x=1]\epsilon(x)=[x=1]ϵ(x)=[x=1]。
恒等函数。I(x)=1I(x)=1I(x)=1。所谓恒等就是函数值恒等于 111。
单位函数。id(n)=nid(n)=nid(n)=n。
Dirichlet (狄利克雷)卷积
两个数论函数 f(x),g(x)f(x),g(x)f(x),g(x) 的 Dirichlet 卷积h(x)=(f∗g)(x)=∑d∣xf(d)g(xd)h(x)=(f*g)(x)=\sum_{d|x}f(d)g(\frac xd)h(x)=(f∗g)(x)=d∣x∑f(d)g(dx)
显然,Dirichlet 卷积满足交换律、结合律、分配律。而且有f∗ϵ=ff*\epsilon=ff∗ϵ=f
Mobius 函数的性质
∀n∈N∗\forall n\in\N^*∀n∈N∗ 有 ∑d∣nμ(d)=ϵ(n)\sum_{d|n}\mu(d)=\epsilon(n)d∣n∑μ(d)=ϵ(n)即μ∗I=ϵ\mu*I=\epsilonμ∗I=ϵ
Euler 函数的性质
∀n∈N∗\forall n\in\N^*∀n∈N∗ 有 ∑d∣nφ(d)=n\sum_{d|n}\varphi(d)=nd∣n∑φ(d)=n即φ∗I=id\varphi*I=idφ∗I=id
Mobius 反演
Mobius 反演(莫比乌斯反演) 是数论数学中很重要的内容,可以用于解决很多组合数学的问题。
结论 设 f,gf,gf,g 为数论函数,且 f=∑d∣ng(d)f=\sum_{d|n}g(d)f=d∣n∑g(d)则g=∑d∣nμ(d)f(nd)g=\sum_{d|n}\mu(d)f(\frac nd)g=d∣n∑μ(d)f(dn)
证明: 易知f=g∗If=g*If=g∗I
左右两边同时卷上 μ\muμ,得f∗μ=g∗I∗μf*\mu=g*I*\muf∗μ=g∗I∗μ
因为 μ∗I=ϵ\mu*I=\epsilonμ∗I=ϵ,则有f∗μ=gf*\mu=gf∗μ=g即g=∑d∣nμ(d)f(nd)g=\sum_{d|n}\mu(d)f(\frac nd)g=d∣n∑μ(d)f(dn)原命题得证。
事实上,我们做题的时候主要用以下形式。
若F(x)=∑x∣df(d)F(x)=\sum_{x|d}f(d)F(x)=x∣d∑f(d)则有f(x)=∑x∣dμ(dx)F(d)f(x)=\sum_{x|d}\mu(\frac dx)F(d)f(x)=x∣d∑μ(xd)F(d)证明与上类似,此略。
杜教筛
杜教筛 是在低于线性的时间复杂度,求一个积性函数前缀和的算法。
(找不到定义,只好自己编一个)
和式的推导
今需计算积性函数 f(x)f(x)f(x) 的前缀和S(n)=∑i=1nf(i)S(n)=\sum_{i=1}^{n}{f(i)}S(n)=i=1∑nf(i)
为了解决这个问题,构造积性函数 g(x),h(x)g(x),h(x)g(x),h(x) 使f∗g=hf*g=hf∗g=h
则∑i=1nh(x)=∑i=1nf(x)∗g(x)=∑i=1n∑d∣nf(d)g(nd)=∑d=1ng(d)⋅∑i=1⌊nd⌋f(i)=∑d=1ng(d)⋅S(⌊nd⌋)=g(1)⋅S(n)+∑d=2ng(d)⋅S(⌊nd⌋)\begin{aligned}\sum_{i=1}^{n}h(x)&=\sum_{i=1}^{n}f(x)*g(x)\\
&=\sum_{i=1}^{n}\sum_{d|n}f(d)g(\frac nd)\\
&=\sum_{d=1}^{n}g(d)·\sum_{i=1}^{\lfloor\frac nd\rfloor}{f(i)}\\
&=\sum_{d=1}^n{g(d)}·S(\lfloor\frac nd\rfloor)\\
&=g(1)·S(n)+\sum_{d=2}^{n}g(d)·S(\lfloor\frac nd\rfloor)\end{aligned}i=1∑nh(x)=i=1∑nf(x)∗g(x)=i=1∑nd∣n∑f(d)g(dn)=d=1∑ng(d)⋅i=1∑⌊dn⌋f(i)=d=1∑ng(d)⋅S(⌊dn⌋)=g(1)⋅S(n)+d=2∑ng(d)⋅S(⌊dn⌋)
所以g(1)⋅S(n)=∑i=1nh(i)−∑d=2ng(d)⋅S(⌊nd⌋)g(1)·S(n)=\sum_{i=1}^{n}{h(i)}-\sum_{d=2}^{n}{g(d)·S(\lfloor\frac nd\rfloor)}g(1)⋅S(n)=i=1∑nh(i)−d=2∑ng(d)⋅S(⌊dn⌋)
那么问题来了,g,hg,hg,h 到底取什么呢?
例 1
求S(n)=∑i=1nμ(i)S(n)=\sum_{i=1}^{n}{\mu(i)}S(n)=i=1∑nμ(i)
由上面的套路,得g(1)⋅S(n)=∑i=1nh(x)−∑d=2ng(d)⋅S(⌊nd⌋)g(1)·S(n)=\sum_{i=1}^{n}{h(x)}-\sum_{d=2}^{n}{g(d)·S(\lfloor\frac nd\rfloor)}g(1)⋅S(n)=i=1∑nh(x)−d=2∑ng(d)⋅S(⌊dn⌋)
因为 μ∗I=ϵ\mu*I=\epsilonμ∗I=ϵ,所以不妨令 g=I,h=ϵg=I,h=\epsilong=I,h=ϵ 得
I(1)⋅S(n)=∑i=1nϵ(x)−∑d=2nI(d)⋅S(⌊nd⌋)S(n)=1−∑d=2nS(⌊nd⌋)\begin{aligned}I(1)·S(n)&=\sum_{i=1}^{n}{\epsilon(x)}-\sum_{d=2}^{n}{I(d)·S(\lfloor\frac nd\rfloor)}\\
S(n)&=1-\sum_{d=2}^{n}{S(\lfloor\frac nd\rfloor)}\end{aligned}I(1)⋅S(n)S(n)=i=1∑nϵ(x)−d=2∑nI(d)⋅S(⌊dn⌋)=1−d=2∑nS(⌊dn⌋)
例 2
求S(n)=∑i=1nφ(i)S(n)=\sum_{i=1}^{n}{\varphi(i)}S(n)=i=1∑nφ(i)
容易想到φ∗I=id\varphi*I=idφ∗I=id
由上面的套路得S(n)=∑i=1ni−∑d=2nS(⌊nd⌋)S(n)=\sum_{i=1}^{n}{i}-\sum_{d=2}^{n}{S(\lfloor \frac nd\rfloor)}S(n)=i=1∑ni−d=2∑nS(⌊dn⌋)
luogu 杜教筛模板
#include<cstdio>
#include<cstdlib>
#include<cstring>
#define reg register
typedef long long ll;
const int MAXN=5000010;
const int MOD=15e5+7;
int T,n;
bool vis[MAXN];
int p[MAXN];
int phi[MAXN];
int mu[MAXN];
ll S_phi[MAXN];
int S_mu[MAXN];
int Hmu[MOD+10];
ll Hphi[MOD+10];
int len=0;
void init(){
memset(vis,1,sizeof(vis));
vis[0]=vis[1]=0;phi[1]=mu[1]=1;
for(reg ll i=2;i<=MAXN;++i){
if(vis[i]){
p[++len]=i;
phi[i]=i-1;
mu[i]=-1;
}
for(reg int j=1;j<=len&&(i*p[j]<=MAXN);++j){
vis[i*p[j]]=0;
if(i%p[j]!=0){
phi[i*p[j]]=phi[i]*(p[j]-1);
mu[i*p[j]]=-mu[i];
}
else{
phi[i*p[j]]=phi[i]*p[j];
mu[i*p[j]]=0;
break;
}
}
}
S_phi[0]=S_mu[0]=0;
for(reg int i=1;i<=MAXN;++i){
S_phi[i]=S_phi[i-1]+phi[i];
S_mu[i]=S_mu[i-1]+mu[i];
}
}
ll Sphi(int x){
if(x<MAXN) return S_phi[x];
if(Hphi[x%MOD]) return Hphi[x%MOD];
ll sum=0;
for(int l=2,r;l<=x;l=r+1){
r=x/(x/l);
sum+=Sphi(x/l)*(r-l+1);
}
ll s=(1ll+x)*x/2;
return Hphi[x%MOD]=s-sum;
}
int Smu(int x){
if(x<MAXN) return S_mu[x];
if(Hmu[x%MOD]) return Hmu[x%MOD];
ll sum=0;
for(int l=2,r;l<=x;l=r+1){
r=x/(x/l);
sum+=Smu(x/l)*(r-l+1);
}
return Hmu[x%MOD]=1-sum;
}
int main(){
init();
scanf("%d",&T);
while(T--){
scanf("%d",&n);
printf("%lld %d\n",Sphi(n),Smu(n));
}
}
Mobius 反演与杜教筛的更多相关文章
- 我也不知道什么是"莫比乌斯反演"和"杜教筛"
我也不知道什么是"莫比乌斯反演"和"杜教筛" Part0 最近一直在搞这些东西 做了将近超过20道题目吧 也算是有感而发 写点东西记录一下自己的感受 如果您真的 ...
- 【BZOJ3930】选数(莫比乌斯反演,杜教筛)
[BZOJ3930]选数(莫比乌斯反演,杜教筛) 题面 给定\(n,K,L,R\) 问从\(L-R\)中选出\(n\)个数,使得他们\(gcd=K\)的方案数 题解 这样想,既然\(gcd=K\),首 ...
- 【BZOJ4652】【NOI2016】循环之美(莫比乌斯反演,杜教筛)
[BZOJ4652]循环之美(莫比乌斯反演,杜教筛) 题解 到底在求什么呢... 首先不管他\(K\)进制的问题啦,真是烦死啦 所以,相当于有一个分数\(\frac{i}{j}\) 因为值要不相等 所 ...
- 【Luogu3768】简单的数学题(莫比乌斯反演,杜教筛)
[Luogu3768]简单的数学题(莫比乌斯反演,杜教筛) 题面 洛谷 \[求\sum_{i=1}^n\sum_{j=1}^nijgcd(i,j)\] $ n<=10^9$ 题解 很明显的把\( ...
- 【51NOD 1847】奇怪的数学题(莫比乌斯反演,杜教筛,min_25筛,第二类斯特林数)
[51NOD 1847]奇怪的数学题(莫比乌斯反演,杜教筛,min_25筛,第二类斯特林数) 题面 51NOD \[\sum_{i=1}^n\sum_{j=1}^nsgcd(i,j)^k\] 其中\( ...
- 【LOJ#572】Misaka Network 与求和(莫比乌斯反演,杜教筛,min_25筛)
[LOJ#572]Misaka Network 与求和(莫比乌斯反演,杜教筛,min_25筛) 题面 LOJ \[ans=\sum_{i=1}^n\sum_{j=1}^n f(gcd(i,j))^k\ ...
- LOJ572. 「LibreOJ Round #11」Misaka Network 与求和 [莫比乌斯反演,杜教筛,min_25筛]
传送门 思路 (以下令\(F(n)=f(n)^k\)) 首先肯定要莫比乌斯反演,那么可以推出: \[ ans=\sum_{T=1}^n \lfloor\frac n T\rfloor^2\sum_{d ...
- [CQOI2015]选数(莫比乌斯反演,杜教筛)
[CQOI2015]选数(luogu) Description 题目描述 我们知道,从区间 [L,H](L 和 H 为整数)中选取 N 个整数,总共有 (H-L+1)^N 种方案. 小 z 很好奇这样 ...
- 【bzoj 4176】 Lucas的数论 莫比乌斯反演(杜教筛)
Description 去年的Lucas非常喜欢数论题,但是一年以后的Lucas却不那么喜欢了. 在整理以前的试题时,发现了这样一道题目“求Sigma(f(i)),其中1<=i<=N”,其 ...
随机推荐
- JSP实现系统登录
计算机通过统一资源定位符实现资源访问,URL:Uriform Resource Locator Tomcat服务器的目录结构 /bin:存放各种平台下用于启动和停止Tomcat的脚本文件 /conf: ...
- SQL手工注入基础篇
0.前言 本篇博文是对SQL手工注入进行基础知识的讲解,更多进阶知识请参考进阶篇(咕咕),文中有误之处,还请各位师傅指出来.学习本篇之前,请先确保以及掌握了以下知识: 基本的SQL语句 HTTP的GE ...
- Chrome 谷歌浏览器安装使用 Postman 和 Sense 插件
博客地址:http://www.moonxy.com 一.前言 Google Chrome 的特点是简洁.快速等.Chrome 支持多标签浏览,每个标签页面都在独立的"沙箱"内运行 ...
- MyBatis 3.5.2 新特性介绍
1.MyBatis 最新版本 3.5.2 发布 MyBatis最新版本是:3.5.2,发布时间是:2019年7月15日 2.MyBatis 3.5.2 新特征介绍 我们知道,MyBatis 是支持定制 ...
- 提交任务到spark(以wordcount为例)
1.首先需要搭建好hadoop+spark环境,并保证服务正常.本文以wordcount为例. 2.创建源文件,即输入源.hello.txt文件,内容如下: tom jerry henry jim s ...
- css超出多行隐藏
单行隐藏: overflow: hidden;/*超出部分隐藏*/ text-overflow:ellipsis;/* 超出部分显示省略号 */ white-space: nowrap;/*规定段 ...
- python unittest+parameterized,单元测试框架+参数化
总要写新的自动化测试模块,在这里把demo记录下来,后面方便自己直接复制粘贴 from nose_parameterized import parameterized import unittest ...
- 10 大 python 库
TensorFlow Scikit-Learn Numpy Keras PyTorch LightGBM Eli5 SciPy Theano Pandas 简介 python 是最流行和使用最广泛的编 ...
- Airtest之web自动化(一)
Airtest之web自动化(一) [此文档有许多涉及到gif动图的地方,请全屏观看] 了解Airtest: 简介: Airtest是由网易团队开发的一款自动化框架,前期运用与游戏测试(通过截图识 ...
- eclipse配置workspace背景颜色