自然数方幂和公式及其快速算法

最后更新于:2022年6月25日 下午

自然数方幂和公式

关于自然数方幂和公式,网上的求解版本有很多种。这里介绍一种不为人知,十分简洁明了的求解方法,该公式并非原创,但是整个证明过程和方法完全原创。它的思想来源于我高中时在一本数学竞赛书中的数列例题(书名忘了...),正因为一本本这样的书,让我大学选择了数学系,现在依然在学习数学。

\(a_n = n(n-1)\) 求其前 \(n\) 项和 \(S_n\)

\[ a_n = n(n-1) = \frac{(n+1)n(n-1) -n(n-1)(n-2)}{3} \]

所以

\[ S_n =\frac{(n+1)n(n-1)}{3} \]

受到上面做法的启发,我们推广到一般形式:

\(a_n = A_n ^p\),则其前 \(n\) 项和 \(S_n = \frac{ A_{n+1} ^{p+1}}{p+1}\)

\[ a_n = A_n ^p = \frac{A_{n+1} ^{p+1} -A_n ^{p+1}}{p+1} \]

所以

\[ S_n = \frac{A_{n+1} ^{p+1}}{p+1} \]

由上面的结论,我们可以直奔主题了

\(1^2+2^2+ \dots + n^2\)

\[ n^2 = n(n-1) + n \]\[ 1^2+2^2+ \dots + n^2 = \frac{(n+1)n(n-1)}{3} + \frac{(n+1)n}{2} = \frac{n(n+1)(2n+1)}{6} \]

同理我们可以推广上面做法

\(1^p+2^p+ \dots + n^p\)

\[ n^p = a_p A_n ^p + a_{p-1} A_n ^{p-1} + a_{p-2} A_n ^{p-2} + \cdots + a_1 A_n ^1 \]

\[ 1^p+2^p+ \dots + n^p = \frac{a_p A_{n+1} ^{p+1}}{p+1} + \frac{a_{p-1} A_{n+1} ^{p}}{p} + \cdots + \frac{a_1 A_{n+1} ^2}{2} \] 因此问题的关键就转化成如何求解数组 \(a_k ,k=1,2,\cdots,p\) 我们发现当 \(n=k\) 时成立 \[ k^p = a_k A_k ^k + a_{k-1} A_k ^{k-1} + \cdots a_1 A_{k} ^1 \]\(b_k = k! \cdot a_k\)

\[ k^p = b_k + b_{k-1} C_k ^{k-1} + \cdots b_1 C_{k} ^1 \]

\[ k^p = \sum _{j=1} ^k b_j C _{k} ^j \] 应用二项式反演 [我的博文](../inverseFormulaAndItsMatrixForm)

\[ b_k = \sum _{j=1} ^k (-1)^{k-j} C _{k} ^j j^p \] 因此最终,我们有公式

\[ 1^p+2^p+ \dots + n^p = \sum _{k=1} ^p \; (\; \sum_{j=1} ^ {k} (-1)^{k-j} C_k^j j^p \;) \; C _{n+1} ^{k+1} \]

妙呀,帅的呀,猛的呀,不谈了呀,哈哈哈

这个东西本质叫 离散微积分,也叫下降幂。

生成函数,离散微积分,上升幂下降幂,Stirling 数,牛顿多项式,特别的有用

自然数方幂和快速算法

这次写的目的是因为上次是从数学上完美的解决了这个问题,这次我们要从计算上完美的解决这个问题,当然这归功于我看到的一份 sgtlaugh 的代码。经过解读体会到其中的奥秘,特此记录。一句话,简直不敢相信。 > 如果有人说他能在 \(O(k)\) 时空复杂度求解 \(\sum_{i=1}^n i^k\),你肯定会说这怎么可能别忽悠我了,那我只能说,因为你没看过这篇博文。

首先预处理,\(O(k)\) 复杂度 求 \(\sum_{i=1}^n i^k\) 其中 \(n \leq k\)

我之前一直以为要用 \(k \log k\) 的复杂度才能解决这个问题,其实我们只需对所有素数 \(p\) 计算 \(p^k\) 即可。对于一般的 \(i\) 我们先预处理 其最小素因子 \(sp[i]\)。计算 \(sp[i]^k \cdot (i/sp[i])^k\) 即可(具体可见最后代码)。由于素数的阶为 \(O(\frac{k}{\log k})\) 因此整个复杂度即为 \(O(k)\)

再由 Lagrange 插值多项式得出最终答案

因为我们知道 \(\sum_{i=1} ^n i^k\) 一定是一个关于 \(n\) 的次数为 \(k+1\) 的多项式。因此,我们只需计算其在 \(0,\cdots,k+1\) 上的取值,用 Lagrange 插值多项式即可知道答案。

对于一个次数不超过 \(n\) 的多项式 \(f(x)\),其在不同位置 \(x_0,\cdots,x_n\) 的取值唯一决定了这个多项式:

\[ f(x) = \sum_{i=0} ^n f(x_i) \prod_{j=0,j \neq i} ^n \frac{x-x_j}{x_i - x_j} \]

具体到本问题,我们取 \(x=n, m=k+1, x_i=i\) 那么

\[ f(n) = \sum_{i=0} ^m (-1)^{m-i} f(x_i) {n \choose i} {n-i-1 \choose m-i } \]

例题:Codeforces 622F

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
#include <bits/stdc++.h>
typedef long long LL;
using namespace std;
const int N = 1e6+6;
const LL mod = 1e9+7;
int sp[N],p[N];
int spf(){ // samllest prime factor
int cnt=0;p[cnt++]=2;
for(int i=2;i<N;i+=2) sp[i]=2;
for(int i=1;i<N;i+=2) sp[i]=i;
for(int i=3;i<N;i+=2){
if(sp[i]==i) p[cnt++] = i;
for(int j = 1;j < cnt && p[j]<=sp[i] && i * p[j] < N; ++j) {
sp[i * p[j]] = p[j];
}
}
return cnt;
}
LL pow_mod(LL x,LL n,LL p){
LL r=1;
while(n){
if(n&1) r=r*x%p;
n>>=1; x=x*x%p;
}
return r;
}
LL inv[N],AP[N],AS[N],f[N];
LL getpowsum(LL n,int k){ // mod > k
if(k==0) return n%mod;
if(p[0]!=2) spf();
int nk=k+1;
f[0]=0;f[1]=1;
for(int i=2;i<=nk;++i){
if(sp[i]==i) f[i]=pow_mod(i,k,mod);
else f[i]=f[sp[i]]*f[i/sp[i]]%mod;
}
for(int i=1;i<=nk;++i){
f[i]+=f[i-1];
if(f[i]>=mod) f[i]-=mod;
}
if(n<=nk) return f[n];
LL tmp = 1;
for(int i=2;i<=nk;++i) tmp=tmp*i%mod;
inv[nk] = pow_mod(tmp,mod-2,mod);
for(int i=nk-1;i>=0;--i) inv[i]=inv[i+1]*(i+1)%mod;
AP[0]=AS[nk]=1;
for(int i=1;i<=nk;++i) AP[i]=AP[i-1]*(n+1-i)%mod;
for(int i=nk-1;i>=0;--i) AS[i]=AS[i+1]*(n-i-1)%mod;
LL res = 0;
for(int i=1;i<=nk;++i){ // because f(i)=0
LL x = f[i]*AP[i]%mod*AS[i]%mod*inv[i]%mod*inv[nk-i]%mod;
if((nk-i)&1) res-=x; // be careful
else res+=x;
}
return (res%mod+mod)%mod;
}
int main(){
LL n;
int k;
while(cin>>n>>k){
cout<<getpowsum(n,k)<<endl;
}
return 0;
}

实际上我们可以不求 \(\mod p\) 后的答案,利用大数类得到标准答案,但是这时因为数字实在太大,每次乘法的用时过大,因此仅适合 \(k<n\) 的情况

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
cpp_int f[N];
cpp_int getpowsum(LL n,int k){
if(k==0) return cpp_int(n);
if(p[0]!=2) spf();
int nk=2*k+1;
f[0]=0;f[1]=1;
for(int i=2;i<=nk+1;++i){
if(sp[i]==i) f[i]=pow(cpp_int(i),k);
else f[i]=f[sp[i]]*f[i/sp[i]];
}
for(int i=1;i<=nk;++i) f[i]+=f[i-1];
if(n<=nk) return f[n];
cpp_int res = 0,tl=1,tr=1;
for(int i=nk-1;i>=0;--i) tr=tr*(n-i-1)/(nk-i);
for(int i=0;i<=nk;++i){
if((nk-i)&1) res -= f[i]*tl*tr;
else res += f[i]*tl*tr;
tl = tl*(n-i)/(i+1);
tr = tr*(nk-i)/(n-i-1);
}
return res;
}

其实如果我们知道最终的上界,求出多个 \(\mod p\) 后的答案,再用中国剩余定理貌似很不错。

该方法可以推广成求 \(\sum_{i=1}^n f(i)^k\),其中 \(f(x)\) 是多项式。具体分析即可

这种情况一般很难再做到 \(O(k)\) 时间复杂度,而变成了 \(O(k \log k) \deg f\) 复杂度。

如果求所有 \(f(k) = \sum_{i = 1}^n i^k, k = 0, \cdots, m\),可以在 \(O(m \log m)\) 复杂度求出

\(\frac{f(k)}{k!}\)\(\sum_{i = 1}^n e^{ix} = e^x \frac{e^{nx} - 1}{e^x - 1}\)\(x^k\) 的系数。注意到 \(e^x - 1\) 的常数项系数为 0,所以不可逆,要分子分母同时除以 \(x\),所以求它们的时候要多预算一位。

这里用幂生成函数而非常规生成函数是因为 \(\sum_{i = 1}^n \frac{1}{1 - i x}\) 不好计算,维护分子分母分治可以在 \(O(n \log^2 n)\) 计算出结果。