Min-Max 容斥学习笔记

Min-Max 容斥学习笔记

前置知识

全序

设集合 \(X\) 上有一个全序关系，记作 \(\le\)，则下列叙述对于 \(\forall a, b, c \in X\) 都成立：

  1. 反对称性：若 \(a \le b\) 且 \(b \le a\)，则 \(a = b\)。
  2. 传递性：若 \(a \le b\) 且 \(b \le c\)，则 \(a \le c\)。
  3. 完全性：\(a \le b\) 或 \(b \le a\)。

关系的完全性可以理解为：对于集合中的任意一对元素，在该关系下都是相互可比较的。同时，完全性条件蕴含了自反性，即 \(a \le a\)。因此，全序也是偏序（自反、反对称、传递的二元关系），而全序可定义为满足“完全性”条件的偏序。

容斥原理

容斥原理用于计数问题，避免重复计数或遗漏计数，常见于集合交并计数、概率问题等。

Min-Max 容斥原理

定理及公式

Min-Max容斥，又称最值反演，是一种针对特定集合，在已知集合的最小值或最大值情况下，求另一者的算法。

对于集合 \(S\)，有如下等式：

\[\max(S) = \sum_{T \subseteq S} (-1)^{|T| - 1} \min(T) \]

\[\min(S) = \sum_{T \subseteq S} (-1)^{|T| - 1} \max(T) \]

证明思路

设 \(U = \{u_1, u_2, \ldots, u_n\}\)，且 \(u_i \neq u_j\) (\(i \neq j\))。令 \(A_k\) 为 \(U\) 中元素降序排列后第 \(k\) 大的元素。

考虑 \(\min(S) = A_k\) 的情况：

  1. 若 \(k = 1\)，即 \(\min(S) = A_1\)，那么显然 \(S = \{A_1\}\)，此时答案为 \((-1)^2 A_1 = A_1\)，成立。
  2. 若 \(k > 1\)，集合的良序性要求 \(S\) 中不应存在比 \(A_k\) 更小的元素，剩下的 \(k-1\) 个位置有 \(2^{k-1}\) 种选取方式。
    • 其中一半即 \(2^{k-2}\) 种方案使 \(|S|\) 为奇数，另一半为偶数。
    • 两部分分别相加后互相抵消，因此最终结果为 \(0\)。

另一种情况同理，详细证明可参考Min-max Inclusion and Exclusion。

扩展公式

第 \(k\) 大/小

记 \(\max_k(S)\) 表示 \(S\) 中第 \(k\) 大的元素，\(\min_k(S)\) 同理，则：

\[\max_k(S) = \sum_{T \subseteq S} (-1)^{|T| - k} \binom{|T| - 1}{k - 1} \min(T) \]

\[\min_k(S) = \sum_{T \subseteq S} (-1)^{|T| - k} \binom{|T| - 1}{k - 1} \max(T) \]

期望推广

若 \(E(\max(S))\) 表示最大值的期望，有：

\[E(\max(S)) = \sum_{T \subseteq S} (-1)^{|T| - 1} E(\min(T)) \]

\[E(\min(S)) = \sum_{T \subseteq S} (-1)^{|T| - 1} E(\max(T)) \]

应用场景与例题

应用场景

Min-Max容斥与其推广常用于解决“所有元素都出现的期望时间”问题。

记 \(t_i\) 表示第 \(i\) 个元素的出现时间：

  • \(\max(S)\) 表示 \(S\) 中 \(t\) 的最大值，即所有元素都出现的时间。
  • \(\min(S)\) 表示 \(S\) 中 \(t\) 的最小值，即至少有一个元素出现的时间。

根据 Min-Max 容斥，有：

\[\max(S) = \sum_{T \subseteq S} (-1)^{|T| - 1} \min(T) \]

对公式两边取期望，由于期望的线性性质，可以直接放到求和符号内，即：

\[E(\max(S)) = \sum_{T \subseteq S} (-1)^{|T| - 1} E(\min(T)) \]

实际应用时，\(E(\min(T))\) 的计算较为简单：若单位时间出现 \(T\) 中至少一个元素的概率为 \(p\)，则其期望时间为 \(\frac{1}{p}\)。

实现方式

由于此方法与集合状态有关，通常使用状态压缩进行实现。以下为伪代码示例：

for i = 0 to 2^n - 1:
    for j = 0 to 2^n - 1:
        if (j & i):
            dp[j] = dp[i] - dp[j]

例题

该题为经典的“卡片收集期望时间”问题，可以直接使用 Min-Max 容斥求解。

参考文献

posted @ 2026-09-09 07:47  LYZHaHa  阅读(24)  评论(0)    收藏  举报