容斥原理

引入¶

是 \(10+15+21=46\) 个吗？不是的，因为有些学生可能同时喜欢数学和语文，或者语文和编程，甚至还有可能三者都喜欢。

为了叙述方便，我们把喜欢语文、数学、编程的学生集合分别用 \(A,B,C\) 表示，则学生总数等于 \(|A\cup B\cup C|\)。刚才已经讲过，如果把这三个集合的元素个数 \(|A|,|B|,|C|\) 直接加起来，会有一些元素重复统计了，因此需要扣掉 \(|A\cap B|,|B\cap C|,|C\cap A|\)，但这样一来，又有一小部分多扣了，需要加回来，即 \(|A\cap B\cap C|\)。即

把上述问题推广到一般情况，就是我们熟知的容斥原理。

定义¶

设 U 中元素有 n 种不同的属性，而第 i 种属性称为 \(P_i\)，拥有属性 \(P_i\) 的元素构成集合 \(S_i\)，那么

即

证明¶

对于每个元素使用二项式定理计算其出现的次数。对于元素 x，假设它出现在 \(T_1,T_2,\cdots,T_m\) 的集合中，那么它的出现次数为

于是每个元素出现的次数为 1，那么合并起来就是并集。证毕。

补集¶

对于全集 U 下的 集合的并 可以使用容斥原理计算，而集合的交则用全集减去 补集的并集 求得：

右边使用容斥即可。

可能接触过容斥的读者都清楚上述内容，而更关心的是容斥的应用

那么接下来我们给出 3 个层次不同的例题来为大家展示容斥原理的应用。

不定方程非负整数解计数¶

没有限制时¶

如果没有 \(x_i<b_i\) 的限制，那么不定方程 \(\sum_{i=1}^nx_i=m\) 的非负整数解的数目为 \(\dbinom{m+n-1}{n-1}\).

略证：插板法。

相当于你有 \(m\) 个球要分给 \(n\) 个盒子，允许某个盒子是空的。这个问题不能直接用组合数解决。

于是我们再加入 \(n-1\) 个球，于是问题就变成了在一个长度为 \(m+n-1\) 的球序列中选择 \(n-1\) 个球，然后这个 \(n-1\) 个球把这个序列隔成了 \(n\) 份，恰好可以一一对应放到 \(n\) 个盒子中。那么在 \(m+n-1\) 个球中选择 \(n-1\) 个球的方案数就是 \(\dbinom{m+n-1}{n-1}\)。

容斥模型¶

接着我们尝试抽象出容斥原理的模型：

1. 全集 U：不定方程 \(\sum_{i=1}^nx_i=m\) 的非负整数解
2. 元素：变量 \(x_i\).
3. 属性：\(x_i\) 的属性即 \(x_i\) 满足的条件，即 \(x_i\leq b_i\) 的条件

目标：所有变量满足对应属性时集合的大小，即 \(|\bigcap_{i=1}^nS_i|\).

这个东西可以用 \(\left|\bigcap_{i=1}^{n}S_i\right|=|U|-\left|\bigcup_{i=1}^n\overline{S_i}\right|\) 求解。\(|U|\) 可以用组合数计算，后半部分自然使用容斥原理展开。

那么问题变成，对于一些 \(\overline{S_{a_i}}\) 的交集求大小。考虑 \(\overline{S_{a_i} }\) 的含义，表示 \(x_{a_i}\geq b_{a_i}+1\) 的解的数目。而交集表示同时满足这些条件。因此这个交集对应的不定方程中，有些变量有 下界限制，而有些则没有限制。

能否消除这些下界限制呢？既然要求的是非负整数解，而有些变量的下界又大于 \(0\)，那么我们直接 把这个下界减掉，就可以使得这些变量的下界变成 \(0\)，即没有下界啦。因此对于

的不定方程形式为

于是这个也可以组合数计算啦。这个长度为 \(k\) 的 \(a\) 数组相当于在枚举子集。

HAOI2008 硬币购物¶

如果用背包做的话复杂度是 \(O(4nS)\)，无法承受。这道题最明显的特点就是硬币一共只有四种。抽象模型，其实就是让我们求方程 \(\sum_{i=1}^4C_ix_i=S,x_i\leq D_i\) 的非负整数解的个数。

采用同样的容斥方式，\(x_i\) 的属性为 \(x_i\leq D_i\). 套用容斥原理的公式，最后我们要求解

也就是无限背包问题。这个问题可以预处理，算上询问，总复杂度 \(O(4S+2^4n)\)。

#include <bits/stdc++.h>
using namespace std;
const long long S = 1e5 + 5;
long long c[5], d[5], n, s;
long long f[S];

int main() {
  scanf("%lld%lld%lld%lld%lld", &c[1], &c[2], &c[3], &c[4], &n);
  f[0] = 1;
  for (long long j = 1; j <= 4; j++)
    for (long long i = 1; i < S; i++)
      if (i >= c[j]) f[i] += f[i - c[j]];  // f[i]：价格为i时的硬币组成方法数
  for (long long k = 1; k <= n; k++) {
    scanf("%lld%lld%lld%lld%lld", &d[1], &d[2], &d[3], &d[4], &s);
    long long ans = 0;
    for (long long i = 1; i < 16;
         i++) {  // 容斥，因为物品一共有4种，所以从1到2^4-1=15循环
      long long m = s, bit = 0;
      for (long long j = 1; j <= 4; j++) {
        if ((i >> (j - 1)) % 2 == 1) {
          m -= (d[j] + 1) * c[j];
          bit++;
        }
      }
      if (m >= 0) ans += (bit % 2 * 2 - 1) * f[m];
    }
    printf("%lld\n", f[s] - ans);
  }
  return 0;
}

完全图子图染色问题¶

前面的三道题都是容斥原理的正向运用，这道题则需要用到容斥原理逆向分析。

数学形式¶

一看这道题的算法趋向并不明显，因此对于棘手的题目首先抽象出数学形式。得分差即为奇偶对称差，可以用 -1 的幂次来作为系数。我们求的是

容斥模型¶

相邻结点染同一种颜色，我们把它当作属性。在这里我们先不遵守染色的规则，假定我们用 m 种颜色直接对图染色。对于图 \(G'=(V,S)\)，我们把它当作 元素。属性 \(x_i=x_j\) 的含义是结点 i,j 染同色（注意，并未要求 i,j 之间有连边）。

而属性 \(x_i=x_j\) 对应的 集合 定义为 \(Q_{i,j}\)，其含义是所有满足该属性的图 \(G'\) 的染色方案，集合的大小就是满足该属性的染色方案数，集合内的元素相当于所有满足该属性的图 \(G'\) 的染色图。

回到题目，「相邻的结点必须染同一种颜色」，可以理解为若干个 \(Q\) 集合的交集。因此可以写出

上述式子右边的含义就是说对于 S 内的每一条边 \((i,j)\) 都满足 \(x_i=x_j\) 的染色方案数，也就是 \(F(S)\).

是不是很有容斥的味道了？由于容斥原理本身没有二元组的形式，因此我们把 所有 的边 \((i,j)\) 映射到 \(T=\frac{n(n+1)}{2}\) 个整数上，假设将 \((i,j)\) 映射为 \(k,1\leq k\leq T\)，同时 \(Q_{i,j}\) 映射为 \(Q_k\). 那么属性 \(x_i=x_j\) 则定义为 \(P_k\).

同时 S 可以表示为若干个 k 组成的集合，即 \(S\iff K=\{k_1,k_2,\cdots,k_m\}\).（也就是说我们在边集与数集间建立了等价关系）。

而 E 对应集合 \(M=\left\{1,2,\cdots,\frac{n(n+1)}{2}\right\}\). 于是乎

逆向分析¶

那么要求的式子展开

于是就出现了容斥原理的展开形式，因此对这个式子逆向推导

再考虑等式右边的含义，只要满足 \(1\sim T\) 任一条件即可，也就是存在两个点同色（不一定相邻）的染色方案数！而我们知道染色方案的全集是 \(U\)，显然 \(|U|=m^n\). 而转化为补集，就是求两两异色的染色方案数，即 \(A_m^n=\frac{m!}{n!}\). 因此

解决这道题，我们首先抽象出题目数学形式，然后从题目中信息量最大的条件，\(F(S)\) 函数的定义入手，将其转化为集合的交并补。然后将式子转化为容斥原理的形式，并 逆向推导 出最终的结果。这道题体现的正是容斥原理的逆用。

数论中的容斥¶

使用容斥原理能够巧妙地求解一些数论问题。

容斥原理求最大公约数为 k 的数对个数¶

考虑下面的问题：

这道题固然可以用欧拉函数或莫比乌斯反演的方法来做，但是都不如用容斥原理来的简单。

由容斥原理可以得知，先找到所有以 \(k\) 为 公约数 的数对，再从中剔除所有以 \(k\) 的倍数为 公约数 的数对，余下的数对就是以 \(k\) 为 最大公约数 的数对。即 \(f(k)=\) 以 \(k\) 为 公约数 的数对个数 \(-\) 以 \(k\) 的倍数为 公约数 的数对个数。

进一步可发现，以 \(k\) 的倍数为 公约数 的数对个数等于所有以 \(k\) 的倍数为 最大公约数 的数对个数之和。于是，可以写出如下表达式：

由于当 \(k>N/2\) 时，我们可以直接算出 \(f(k)= \lfloor (N/k) \rfloor ^2\)，因此我们可以倒过来，从 \(f(N)\) 算到 \(f(1)\) 就可以了。于是，我们使用容斥原理完成了本题。

for (long long k = N; k >= 1; k--) {
  f[k] = (N / k) * (N / k);
  for (long long i = k + k; i <= N; i += k) f[k] -= f[i];
}

上述方法的时间复杂度为 \(O( \sum_{i=1}^{N} N/i)=O(N \sum_{i=1}^{N} 1/i)=O(N \log N)\)。

附赠三倍经验供大家练手。

• Luogu P2398 GCD SUM
• Luogu P2158[SDOI2008] 仪仗队
• Luogu P1447[NOI2010] 能量采集

容斥原理推导欧拉函数¶

考虑下面的问题：

直接计算是 \(O(n\log n)\) 的，用线性筛是 \(O(n)\) 的，杜教筛是 \(O(n^{\frac{2}{3}})\) 的（话说一道数论入门题用容斥做为什么还要扯到杜教筛上），接下来考虑用容斥推出欧拉函数的公式

判断两个数是否互质，首先分解质因数

那么就要求对于任意 \(p_i\)，\(x\) 都不是 \(p_i\) 的倍数，即 \(p_i\nmid x\). 把它当作属性，对应的集合为 \(S_i\)，因此有

全集大小 \(|U|=n\)，而 \(\overline{S_i}\) 表示的是 \(p_i\mid x\) 构成的集合，显然 \(|\overline{S_i}|=\frac{n}{p_i}\)，并由此推出

因此可得

这就是欧拉函数的数学表示啦

容斥原理一般化¶

容斥原理常用于集合的计数问题，而对于两个集合的函数 \(f(S),g(S)\)，若

那么就有

证明¶

接下来我们简单证明一下。我们从等式的右边开始推：

我们发现后半部分的求和与 \(Q\) 无关，因此把后半部分的 \(Q\) 剔除：

记关于集合 \(P\) 的函数 \(F(P)=\sum_{T\subseteq P}(-1)^{|P|-|T|}\)，并化简这个函数：

因此原来的式子的值是

分析发现，仅当 \(|S\setminus Q|=0\) 时有 \(0^0=1\)，这时 \(Q=S\)，对答案的贡献就是 \(g(S)\)，其他时侯 \(0^{|S\setminus Q|}=0\)，则对答案无贡献。于是得到

综上所述，得证。

推论¶

该形式还有这样一个推论。在全集 \(U\) 下，对于函数 \(f(S),g(S)\)，如果

那么

这个推论其实就是补集形式，证法类似。

DAG 计数¶

直接 DP¶

考虑 DP，定义 \(f[i,j]\) 表示 \(i\) 个点的 DAG，有 \(j\) 点个入度为 \(0\) 的图的个数。假设去掉这 \(j\) 个点后，有 \(k\) 个点入度为 \(0\)，那么在去掉前这 \(k\) 个点至少与这 \(j\) 个点中的某几个有连边，即 \(2^j-1\) 种情况；而这 \(j\) 个点除了与 \(k\) 个点连边，还可以与剩下的点任意连边，有 \(2^{i-j-k}\) 种情况。因此方程如下：

计算上式的复杂度是 \(O(n^3)\) 的。

放宽限制¶

上述 DP 的定义是恰好 \(j\) 个点入度为 \(0\), 太过于严格，可以放宽为至少 \(j\) 个点入度为 \(0\)。直接定义 \(f[i]\) 表示 \(i\) 个点的 DAG 个数。可以直接容斥。考虑选出的 \(j\) 个点，这 \(j\) 个点可以和剩下的 \(i-j\) 个点有任意的连边，即 \(\left(2^{i-j}\right)^j=2^{(i-j)j}\) 种情况：

计算上式的复杂度是 \(O(n^2)\) 的。

Min-max 容斥¶

对于满足全序关系并且其中元素满足可加减性的序列 \(\{x_i\}\)，设其长度为 \(n\)，并设 \(S=\{1,2,3,\cdots,n\}\)，则有：

证明： 考虑做一个到一般容斥原理的映射。对于 \(x\in S\)，假设 \(x\) 是第 \(k\) 大的元素。那么我们定义一个映射 \(f:x\mapsto \{1,2,\cdots,k\}\)。显然这是一个双射。

那么容易发现，对于 \(x,y\in S\)，\(f(\min(x,y))=f(x)\cap f(y)\)，\(f(\max(x,y))=f(x)\cup f(y)\)。因此我们得到：

然后再把 \(\left|f\left(\max_{i\in S}{x_i}\right)\right|\) 映射回 \(\max_{i\in S}{x_i}\)，而 \(\min\) 是类似的。

证毕

但是你可能觉得这个式子非常蠢，最大值明明可以直接求。之所以 min-max 容斥这么重要，是因为它在期望上也是成立的，即：

证明： 我们考虑计算期望的一种方法：

其中 \(y\) 是一个长度为 \(n\) 的序列。

我们对后面的 \(\max\) 使用之前的式子：

调换求和顺序：

\(\min\) 是类似的。

证毕

还有更强的：

规定若 \(n< m\)，则 \(\dbinom nm=0\)。

证明： 不妨设 \(\forall 1\le i<n,x_i\le x_{i+1}\)。则有：

又因为有组合恒等式：\(\dbinom ab\dbinom bc=\dbinom ac\dbinom {a-c}{b-c}\)，所以有：

当 \(i=n-k+1\) 时：

否则：

所以：

剩下三个是类似的。

证毕

根据 min-max 容斥，我们还可以得到下面的式子：

因为 \(\operatorname{lcm},\gcd,a^{1},a^{-1}\) 分别相当于 \(\max,\min,+,-\)，就是说相当于对于指数做了一个 min-max 容斥，自然就是对的了

PKUWC2018 随机游走¶

期望游走的步数也就是游走的时间。那么设随机变量 \(x_i\) 表示第一次走到结点 \(i\) 的时间。那么我们要求的就是

使用 min-max 容斥可以得到

对于一个集合 \(T\in[n]\)，考虑求出 \(F(T)=E(\min_{i\in T}x_i)\)。

考虑 \(E(\min_{i\in T}x_i)\) 的含义，是第一次走到 \(T\) 中某一个点的期望时间。不妨设 \(f(i)\) 表示从结点 \(i\) 出发，第一次走到 \(T\) 中某个结点的期望时间。

• 对于 \(i\in T\)，有 \(f(i)=0\)。
• 对于 \(i\notin T\)，有 \(f(i)=1+\frac{1}{\text{deg}(i)}\sum_{(i,j)\in E}f(j)\)。

如果直接高斯消元，复杂度 \(O(n^3)\)。那么我们对每个 \(T\) 都计算 \(F(T)\) 的总复杂度就是 \(O(2^nn^3)\)，不能接受。我们使用树上消元的技巧。

不妨设根结点是 \(1\)，结点 \(u\) 的父亲是 \(p_u\)。对于叶子结点 \(i\)，\(f(i)\) 只会和 \(i\) 的父亲有关（也可能 \(f(i)=0\)，那样更好）。因此我们可以把 \(f(i)\) 表示成 \(f(i)=A_i+B_if(p_i)\) 的形式，其中 \(A_i,B_i\) 可以快速计算。

对于非叶结点 \(i\)，考虑它的儿子序列 \(j_1,\cdots,j_k\)。由于 \(f(j_e)=A_{j_e}+B_{j_e}f(i)\)。因此可以得到

那么变换一下可以得到

于是我们把 \(f(i)\) 也写成了 \(A_i+B_if(p_i)\) 的形式。这样可以一直倒推到根结点。而根结点没有父亲。也就是说

解一下这个方程我们就得到了 \(f(1)\)，再从上往下推一次就得到了每个点的 \(f(i)\)。那么 \(F(T)=f(x)\)。时间复杂度 \(O(n)\)。

这样，我们可以对于每一个 \(T\) 计算出 \(F(T)\)，时间复杂度 \(O(2^nn)\)。

回到容斥的部分，我们知道 \(E(\max_{i\in S}x_i)=\sum_{T\subseteq S}(-1)^{|T|-1}F(T)\)。

不妨设 \(F'(T)=(-1)^{|T|-1}F(T)\)，那么进一步得到 \(E(\max_{i\in S}x_i)=\sum_{T\subseteq S}F'(T)\)。因此可以使用 FMT（也叫子集前缀和，或者 FWT 或变换）在 \(O(2^nn)\) 的时间内对每个 \(S\) 计算出 \(E(\max_{i\in S}x_i)\)，这样就可以 \(O(1)\) 回答询问了。

参考文献¶

王迪《容斥原理》，2013 年信息学奥林匹克中国国家队候选队员论文集

Cyhlnj《有标号的 DAG 计数系列问题》

Wikipedia - 全序关系