转一个。
今天突然想起小时候学算法看到的一个段子,说有一个老太拿了一个渔网,跟程序员出了道题,说这个渔网纵横交错,看成一个地图,从左下到右上最短路径是什么呢,程序员说用dijkstra,老太微微一笑,说两手捏住起点终点拉伸,拉直的这条线就是了。
小注:Dijkstra就是求带权图中任意两节点之间最短路径的算法。带权图即每条边可以有不同的长度。
有哪些令人拍案叫绝的算法? - 冒泡的回答 - 知乎经作者同意。
凸多边形重心往各边作垂线,必有一个垂足落在某条边里(而不是延长线上)
证明:把它竖着搁在桌子上,如果重心垂足在底边外面,那么它就会一直滚下去…成为一个永动机,这是不可能的
来自matrix67
更精细的讨论可以看评论区233
补充:这里的“永动机”指的并不是这个多边形一直滚下去这件事(无损耗条件下这并不违反物理定律),而是它会越滚越快,至于为什么越滚越快,讨论见评论区233
强答一个吧,基尔霍夫定律证明欧拉示性数:
考虑一个E面体,它有E个面,L条棱,S个顶点,有欧拉公式:E+S-2=L,这个公式可以用基尔霍夫定律重新阐述:
将多面体考虑成一个电路网络,其中电流只在棱上分布,根据基尔霍夫电流定律,可以列出S个节点电流方程,由于电流在网络中必然有一个入口一个出口,因此必然有一个方程和其它方程是线性相关的,因此第一定律给出S-1个线性独立方程。现在考虑第二定律,因为有E个面,因此能列出E个回路电压方程,这里如果我们将多面体的一个面放大,把其它棱压到这个面里,可以看出,这个大的平面的回路电压方程和其它平面的方程是线性相关的,因此第二定律给出E-1个回路电压方程,而两个定律列出的方程组应该能解出所有的电流,因此有:S-1+E-1=L,得证。
(高中的时候忘了在哪里看到的了,侵删orz)
蟹蟹大家的赞和关注,不是我不想回评论,只是大神们讨论的好多我真的不懂诶,答主现在还是个萌萌哒本科生,但是我会努力的,希望以后能回答更多更专业的问题,能为知乎做一点微小的贡献,谢谢大家。
1,证明:三角形ABC中,费马点P(即使得PA+PB+PC的值最小的一点)满足∠APB=∠BPC=∠CPA=120º
物理方法:
假设在一个光滑的水平桌面上,有三个洞A,B,C,将三个质量相等的重物分别拴在三条绳子上,并且将绳子的另一端系在一起,为点P,让三个重物牵引着绳子穿过洞。(如下图,灰色平面就是桌面,ABC是三个洞,EFG是三个重物,P是绳子节点)
设绳子原长为l,则(设桌面为重力势能零点)
重力势能
即
显然,PA+PB+PC最小时重力势能最小,达到平衡
而由于重物质量相等,对P点受力分析,只有当三个力方向完全对称的时候才能平衡,此时三个力的夹角都为120°
得证。
补充:通过改变重物质量比,可以求得在不同系数情形下的夹角。
若要求的最小值,只需要调整重物质量,
满足,然后再受力分析,即可求出三条线的夹角。
2,证明:三角形ABC中,取一点G使得的值最小,则这个G必定是三角形重心。
物理证法:同样假设有一个光滑的水平桌面,在桌面上钉三个钉子ABC,分别连接三个劲度系数皆为l、原长皆为0的弹簧,三个弹簧的末端连接在一起,如下图。
其中ABC是三个钉子,红色的线(AG、BG、CG)是弹簧,G是连接点
则弹性势能
当取最小值时,弹性势能最小,系统平衡
此时,取G点受力分析,有GA+GB+GC=0(加黑的为矢量,不知道怎么打矢量公式)
然后三角形重心的性质就是这个...所以,重心为平衡点,得证
3,(椭圆和双曲线的光学性质,其他答案都已经证明了,这里来一个冷门的)
如下图,椭圆离心率为e,BC//x轴,过B作法线l,设l与夹角为α,与BC夹角为β,求证:
物理证明:假设一个由透明材料制作的椭球体,折射率为
一束平行光平行于x轴从x正方向射来,由费马定理,C到的光程l为:
由椭圆的几何性质,则
即从无限远处射来的平行光到左焦点的光程为常数,所以由费马定理,任意一条平行光经过折射之后必定汇聚于左焦点
由折射定律得,得证
同样的,双曲线也有类似的定律,证明方式类似。
+
在复变函数理论中, 一个整函数都可以分解成复平面内仅有一个根的 entire 函数(类似单项式)的无穷乘积, 此为乘积表示。然而这种表示不是唯一, 但一些函数存在只有一个的正则乘积表示
这里 是确定的解析函数。 求解常见函数的或其初等变形下的无穷乘积表达是一个经典问题。 特别的, 有许多知名函数在乘积表达中 变成零或者常量,如
这两个结果可以由 谐振子的路径积分 配分函数分别求得,第一个对应 Bose 谐振子的例子,第二个是 Fermion 谐振子的例子。 方法是用两种途径同时求配分函数, 其中一种是直接按照配分函数在能量 basis 下等于谐振子能级求和的基本计算, 另一种用到 Zeta-regularization 求解 functional determinant ,两个不同形式的结果实质等同,对照一下便可得这两个函数的乘积表示。 这在物理中也是一个经典的技术。
+
控制狗前来强答一发,算不上证明,姑且算是物理学角度对数学定律的一种理解吧。
优化控制理论中著名的KKT判据:
在满足一定约束规范条件的前提下,考察一个非线性规划(Nonlinear Programming)问题
其中控制变量,不等式约束,等式约束均为向量形式,,,在可行域内连续可微。
对上述问题的任意局部最优解,存在两组实向量,使得
其中,后两个条件可以改写为
这称为互补松紧条件。
解这个判据就可以得到局部最优点的解析解,并同时得到拉格朗日乘子。当然多数情况下该判据并不容易解,通常采用数值解法迭代逼近局部最优点。不过KKT条件具有较重要的理论意义。
当为二维控制变量时,画出优化问题描述的示意图(答主渣PS):
实线为不等式约束,虚线为等式约束(控制变量为二维时,显然等式约束不能超过一个),等高线描述目标函数的分布。阴影部分为可行域。显然红点处为局部最优解。
标出判据中各梯度分量:
由于可行域内,各的方向垂直等势线指向域外;对于等式判据而言,只知垂直等势线,而具体指向未定。
判据的第一方程是说,目标函数的梯度向量和各个有效约束的梯度向量线性相关,这在上图中一目了然。
接下来划重点,我们通过建立经典力学模型来理解KKT判据。
1. 将待优化点视为光滑质点小球,目标函数视为凹凸不平的光滑曲面,曲面在任一点的高度即为相应的目标函数值。这样,小球在曲面上运动时,受到重力的水平分量和梯度向量共线反向;
2. 将不等式约束视为光滑墙壁,当小球挤压墙壁时提供垂直墙壁的弹力。显然它和梯度向量共线反向;
3. 将等式约束视为光滑的小球轨道(或穿过小球的光滑杆),轨道提供的约束力同样垂直于轨道,和梯度向量共线;
4. 显然,如果是无约束优化,小球在会在重力作用下运动并到达局部最优点;如果是有约束优化,小球也会在可行域内尽可能向下运动并到达可行的最优点;而在最优点处,小球应达到受力平衡。
这样一来,我们就将第一方程中各梯度分量和小球受到的各水平分力之间建立起一一对应的共线关系!再由安定点的受力平衡,显然相应的各梯度分量是线性相关的!
我们画出对应的受力分析图,在最优点附近放大,再放大!
哈哈,快看,每一个分力都看得清清楚楚!
由于力学模型中小球始终受重力,所以的系数始终不为零,可以归一化;由于上述第1,2条对应关系中,分力和梯度均取反向,所以可以保证组合系数;而第3条对应关系中,轨道分力和梯度的方向关系未知(而且无所谓),所以不对组合系数的符号做额外限制。
而对于互补松紧条件,可以作如下理解:
1. 意味着小球受到来自墙壁的弹力,也就意味着小球与墙壁接触,;
2. 意味着小球不与墙壁接触,也就不受来自墙壁的弹力,;
3. 当然,也可以同时为零,这意味着小球靠在墙壁上,但两者并未发生挤压,也就没有力的相互作用。
ーーーーーーーーーーー
其实就是李雅普诺夫第二方法,23333