{
  "id": "generating-function",
  "title": "生成函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "生成函数将数列编码为级数的系数，借助代数和分析方法解决计数、递推及概率计算问题。",
  "category": "mathematics",
  "subcategory": "discrete-logic",
  "type": "concept",
  "aliases": [
    "母函数"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/generating-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/generating-function/",
      "json": "https://aiwiki.page/en/generating-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "生成函数是将数列的各项作为级数的系数，从而表示该数列的数学表达式。最常见的形式是将数列 \\(a_0,a_1,a_2,\\ldots\\) 与幂级数 \\(A(z)=\\sum_{n\\ge0}a_nz^n\\) 对应起来。对这一个表达式进行运算，就相当于对数列进行相应的运算，因此生成函数是组合数学、概率和算法分析中的重要工具。根据具体用途，可以将这类级数视为纯粹的形式代数对象，也可以将其视为收敛的函数。(aofa.cs.princeton.edu)"
    },
    {
      "heading": "定义与解释",
      "text": "数列的普通生成函数（OGF）定义为\n\n\\[A(z)=\\sum_{n=0}^{\\infty}a_nz^n.\\]\n\n记号 \\([z^n]A(z)\\) 表示“\\(A(z)\\) 中 \\(z^n\\) 的系数”，因此 \\([z^n]A(z)=a_n\\)。对于计数数列，指数记录对象的大小，系数记录具有该大小的对象数量。有限数列对应一个多项式，其后的系数均视为零。(aofa.cs.princeton.edu)\n\n例如，数列 \\(1,1,1,\\ldots\\) 的生成函数为\n\n\\[1+z+z^2+\\cdots=\\frac{1}{1-z},\\]\n\n这里使用了等比级数恒等式。类似地，\n\n\\[\\sum_{n\\ge0}nz^n=\\frac{z}{(1-z)^2}.\\]\n\n这些简洁的表达式保留了原数列的每一个系数。(aofa.cs.princeton.edu)\n\n形式观点与解析观点\n\n形式幂级数由其系数确定，不要求数值上的收敛。两个形式幂级数相等，意味着对应的系数逐项相等。在域（数学）上，形式级数存在乘法逆元，当且仅当其常数项系数非零。因此，无论是否给 \\(z\\) 赋予数值，\\(1/(1-z)\\) 在形式意义下都是有意义的。(math.cmu.edu)\n\n对于增长很快的数列，这一区别尤为重要。级数\n\n\\[\\sum_{n\\ge0}n!z^n\\]\n\n的收敛半径为零，但它仍是有效的形式生成函数。如果级数在零点附近收敛，就可以使用复分析方法，包括通过围道积分提取系数，以及根据奇点进行估计。(math.cmu.edu)"
    },
    {
      "heading": "代数运算",
      "text": "设 \\(A(z)=\\sum a_nz^n\\)，\\(B(z)=\\sum b_nz^n\\)。对它们进行的运算，可以直接从系数的角度解释：\n\n运算 | 对系数的作用\n\\(A(z)+B(z)\\) | 逐项相加：\\(a_n+b_n\\)\n\\(z^rA(z)\\)，\\(r\\ge0\\) | 向后移 \\(r\\) 位，并在开头补零\n\\(A(z)B(z)\\) | \\(\\displaystyle c_n=\\sum_{k=0}^{n}a_kb_{n-k}\\)\n\\(zA'(z)\\) | 将第 \\(n\\) 项乘以权重 \\(n\\)\n\\(\\displaystyle A(z)/(1-z)\\) | 求部分和：\\(\\displaystyle s_n=\\sum_{k=0}^{n}a_k\\)\n\n因此，乘法实现了离散卷积，而求导数则实现了与下标有关的加权。这些规则解释了为什么涉及求和与移位的关系，往往能转化为更简单的生成函数方程。(math.cmu.edu)"
    },
    {
      "heading": "主要类型",
      "text": "指数生成函数\n\n数列的指数生成函数（EGF）定义为\n\n\\[E(z)=\\sum_{n\\ge0}a_n\\frac{z^n}{n!}, \\qquad a_n=n![z^n]E(z),\\]\n\n其中 \\(n!\\) 为阶乘。对于常数数列 \\(a_n=1\\)，其指数生成函数是指数函数 \\(e^z\\)，而不是 \\(1/(1-z)\\)。(aofa.cs.princeton.edu)\n\n指数生成函数特别适合用于计数带有互异标号的结构。两个指数生成函数相乘，所编码的系数为\n\n\\[c_n=\\sum_{k=0}^{n}\\binom{n}{k}a_kb_{n-k}.\\]\n\n二项式系数表示从全部标号中选出归属于第一个组成部分的 \\(k\\) 个标号的方式数。这使带标号结构的乘积有别于普通乘积，后者不包含这一分配因子。(aofa.cs.princeton.edu)\n\n多元生成函数\n\n一个生成函数可以同时记录多个参数：\n\n\\[A(z,u)=\\sum_{n,k\\ge0}a_{n,k}z^nu^k.\\]\n\n这里，\\(z\\) 可以标记对象的大小，\\(u\\) 则标记另一个统计量，例如树的叶节点数。只要代入有明确定义，\\(A(z,1)\\) 就只按大小对对象进行计数。对 \\(u\\) 求导，会按对象的这一附加统计量进行加权，从而可以求出平均值和高阶矩。(ac.cs.princeton.edu)\n\n其他生成级数\n\n不同的系数编码方式适用于不同的运算。狄利克雷生成级数\n\n\\[D(s)=\\sum_{n\\ge1}\\frac{a_n}{n^s},\\]\n\n在数论中很有用，因为其乘法通过约数而非加法来组合下标：\n\n\\[c_n=\\sum_{d\\mid n}a_db_{n/d}.\\]\n\n因此，选择生成级数，在一定程度上也是在选择要把哪些数列运算转化为乘法、求导或其他简单变换。(math.cmu.edu)"
    },
    {
      "heading": "求解递推关系",
      "text": "生成函数可以将许多递推关系转化为代数方程或微分方程。通常的步骤是：将递推式乘以 \\(z^n\\)，对其适用的下标求和，处理初始项，再求解所得方程。(aofa.cs.princeton.edu)\n\n以斐波那契数列为例，设\n\n\\[F_0=0,\\qquad F_1=1,\\qquad F_n=F_{n-1}+F_{n-2}\\quad(n\\ge2).\\]\n\n记 \\(F(z)=\\sum_{n\\ge0}F_nz^n\\)，可得\n\n\\[F(z)-z=zF(z)+z^2F(z),\\]\n\n因此\n\n\\[F(z)=\\frac{z}{1-z-z^2}.\\]\n\n将分母因式分解，再作部分分式分解并展开，就能得到 \\(F_n\\) 的显式表达式。初始条件不可或缺：仅凭递推关系无法确定分子。(math.mit.edu)"
    },
    {
      "heading": "组合结构的计数",
      "text": "生成函数可以表达对象的构造方式。互不相交的备选情况对应加法；由两个组成部分构成的有序对，在大小相加的情况下对应乘法。如果 \\(A(z)\\) 对组成部分进行计数，且 \\(A(0)=0\\)，那么由任意有限个组成部分构成的序列，其生成函数为\n\n\\[1+A(z)+A(z)^2+\\cdots=\\frac{1}{1-A(z)}.\\]\n\n上述条件排除了大小为零的组成部分，否则固定大小的序列可能有无穷多个。(aofa.cs.princeton.edu)\n\n一个经典例子是卡塔兰数，它按内部节点数对有序满二叉树进行计数。一棵这样的树要么只有一个叶节点，要么由一个内部根节点及其两棵子树构成，因此\n\n\\[C(z)=1+zC(z)^2.\\]\n\n选取常数项系数为 \\(1\\) 的解，得到\n\n\\[C(z)=\\frac{1-\\sqrt{1-4z}}{2z}, \\qquad C_n=\\frac{1}{n+1}\\binom{2n}{n}.\\]\n\n最初几个系数为 \\(1,1,2,5,14,\\ldots\\)。这一例子展示了如何将递归的结构描述转化为方程，进而得到计数公式。(aofa.cs.princeton.edu)"
    },
    {
      "heading": "概率生成函数",
      "text": "对于取非负整数值的随机变量 \\(X\\)，其概率生成函数为\n\n\\[G_X(z)=\\mathbb E[z^X] =\\sum_{n\\ge0}\\Pr(X=n)z^n.\\]\n\n它的系数构成概率质量函数。对于参数为 \\(m\\) 和 \\(p\\) 的二项分布，\n\n\\[G_X(z)=(1-p+pz)^m.\\]\n\n其中 \\(z^k\\) 的系数就是恰好成功 \\(k\\) 次的概率。(math.mit.edu)\n\n求导可以得到阶乘矩：\n\n\\[G_X^{(r)}(1^-) =\\mathbb E[X(X-1)\\cdots(X-r+1)].\\]\n\n当相应的矩有限时，期望值和方差可由下式求得：\n\n\\[\\mathbb E[X]=G_X'(1^-),\\]\n\n\\[\\operatorname{Var}(X) =G_X''(1^-)+G_X'(1^-)-\\bigl(G_X'(1^-)\\bigr)^2.\\]\n\n生成函数表示也可用于某些离散概率模型的精确推断。(math.cmu.edu)"
    },
    {
      "heading": "解析方法与局限",
      "text": "解析组合学将结构性的计数方程与其生成函数的解析性质联系起来。奇点既可以决定系数的指数增长，也可以决定其中的多项式修正因子。例如，卡塔兰数生成函数中的平方根型奇点给出\n\n\\[C_n\\sim\\frac{4^n}{\\sqrt{\\pi}\\,n^{3/2}}.\\]\n\n这里，\\(\\sim\\) 表示两个表达式的比值趋于 \\(1\\)。一般的奇点转移定理需要适当的解析性条件；仅仅知道收敛半径，并不足以确定完整的渐近公式。(aofa.cs.princeton.edu)\n\n将数列编码为生成函数，并不保证能得到便于使用的闭式表达式。生成函数所满足的方程，可能比原来的递推式更难求解，系数提取也仍可能很困难。形式运算本身并不能保证数值代入或解析论证的合理性：收敛性必须另行证明。这种方法是否有用，取决于所选级数类型及其运算是否与问题的结构相匹配。(math.cmu.edu)\n\n现代生成函数理论融合了形式级数代数、组合构造规则和复分析估计。赫伯特·S. 威尔夫的《生成函数论》（generatingfunctionology）于1990年首次出版，通过数列和计数问题介绍了这些技术；菲利普·弗拉若莱和罗伯特·塞奇威克的《解析组合学》（Analytic Combinatorics）则系统阐述了组合结构描述与渐近分析之间的联系。(www2.math.upenn.edu)"
    }
  ],
  "links": [
    "power-series",
    "combinatorics",
    "probability",
    "algorithm",
    "mathematical-function",
    "polynomial",
    "geometric-series",
    "field-mathematics",
    "complex-analysis",
    "convolution",
    "derivative",
    "factorial",
    "exponential-function",
    "binomial-coefficient",
    "number-theory",
    "recurrence-relation",
    "differential-equation",
    "fibonacci-sequence",
    "catalan-number",
    "random-variable",
    "probability-generating-function",
    "probability-mass-function",
    "binomial-distribution",
    "expected-value",
    "variance"
  ],
  "sources": [
    {
      "title": "Generating Functions",
      "url": "https://aofa.cs.princeton.edu/30gf/"
    },
    {
      "title": "Generating Function Notes",
      "url": "https://math.mit.edu/~djk/18.310/Lecture-Notes/generating_function_notes.pdf"
    },
    {
      "title": "generatingfunctionology",
      "url": "https://www.math.cmu.edu/~af1p/Teaching/Combinatorics/Slides/Notes/gfology.pdf"
    },
    {
      "title": "Generating Functions lecture slides",
      "url": "https://aofa.cs.princeton.edu/online/slides/AA03-GFs.pdf"
    },
    {
      "title": "Analytic Combinatorics",
      "url": "https://aofa.cs.princeton.edu/50ac/"
    },
    {
      "title": "Analytic Combinatorics — Philippe Flajolet and Robert Sedgewick",
      "url": "https://ac.cs.princeton.edu/home/"
    },
    {
      "title": "Exact Bayesian Inference on Discrete Models via Probability Generating Functions: A Probabilistic Programming Approach",
      "url": "https://arxiv.org/abs/2305.17058"
    },
    {
      "title": "Download generatingfunctionology",
      "url": "https://www2.math.upenn.edu/~wilf/DownldGF.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}