离散数学学习心得（二）基础结构

最新推荐文章于 2023-02-16 21:10:00 发布

知性肥宅在线写bug

最新推荐文章于 2023-02-16 21:10:00 发布

阅读量5.4k

点赞数 3

分类专栏：离散数学

本文链接：https://blog.csdn.net/ACM5100/article/details/87353395

版权

离散数学专栏收录该内容

2 篇文章 0 订阅

订阅专栏

离散数学中的基础结构有，集合，函数，序列，求和，矩阵。之所以叫做基础结构，是因为其后的很多结构都是基于这些结构的。之后会慢慢介绍。可以说，离散数学中的基础结构衍生了数据结构，数据结构衍生了不少算法。

1、集合

德国数学家，乔治.康托尔提出了朴素集合论。他定义集合就是对象的聚集，同样这也是我们平时所理解的集合。不过集合论作为基础数学的研究，它想要提出集合就是最为基本的定义。但是既然集合是由对象组成的，那么最基本的定义就是对象而不是集合。那么我们在定义集合之前就必须定义对象，对象怎么定义？宇宙间的万事万物都可以是对象，最终数学家选择了另一种解决方案，就是公理集合论。那就是设立一个公理，然后所有的理论都建立在这个公理上，这里就不多提了。在应用中朴素集合论也是大有用处的。

朴素集合论还有一个问题那就是悖论，在说明悖论之前首先需要理解一个概念。

1.1幂集

幂集就是集合所有子集（A的每个元素都是B的元素，那么A就是B的子集）的集合。

例如，假设有一个集合A={a,b,c}（集合全部用大括号作为集合符号）。那么A的幂集就是:

P(A)={{a},{b},{c},{a,b},{a,c},{b,c},{abc},∅} ∅就是指的空集，空集中没有元素。A的幂集用P(A)表示。注意，幂集中的元素数量一定比原集合的元素数量多。

那么有一个问题，是否存在一个最大的集合包含宇宙万物和所有可能性呢？平时我们有一个集合叫全集一般用U或者E来表示，这全集是否可以是最大的集合呢？

要解答这个问题，我们就做出一个假设。假设有最大的集合E，它包含了世界所有的可能性。既然E也是集合，那么我们也可以对它取幂集，假设A=P(E)，那么A中的元素数量一定比E的中的元素数量多，那么E就不是最大的集合。与假设相矛盾，所以不存在最大的集合。

这个时候就可以搬出你八成听说过的一些通俗的悖论了。

上帝悖论：假设上帝是万能的。那么上帝可不可以创造出一颗自己举不起来的石头呢？如果能，那么上帝的力量不是无敌的，如果不能，那么上帝的创造力不是万能的。这个悖论与“是否存在最大的集合”这个问题有几分相似呢。

理发师悖论：理发师说，我只为那些不为自己理发的人理发。那么谁为理发师理发呢？

这些都是经典的悖论，也是朴素集合论的问题，在这里我也不继续深入研究了，不过这些问题绝对不是没有意义的。准确的说这些问题可能比很多应用问题更加有意义。基础研究终究是推动科学发展的第一动力。

1.2集合运算与恒等式

在高中时，我们就学习过集合的并集，交集，补集。不过，这三种简单的运算可以延伸出很多推论，例如容斥原理（在以后的文章中再详细介绍）。下面给出运算的定义：

交集：集合A与集合B的交集就是某个集合中，元素x即属于A又属于B。

并集：集合A与集合B的交集就是某个集合中，元素x属于A或者属于B。

补集：集合A的补集就是指某个集合中，元素x属于全集合U但不熟与集合A。（全集必须要定义，前面证明过，没有绝对的全集）

恒等式就是指某些集合恒定相等的式子，这些公式可以利用逻辑证明的知识来推导。想要证明某个恒等式成立，那就要证明等号两边的两个集合相等，证明集合相等的通用办法就是证明两个集合互为子集。另外一种简单粗暴地方式就是成员表。

德摩根定律： $\overline{A\bigcap B}=\overline{A}\bigcup \overline{B}$ （这里“——”意思是补集，倒U是交集，U是并集）

逻辑推论如下：

1. $\overline{A\bigcap B}$ 也就是一个集合，集合中的元素x不属于A和B的交集。

2.也就是说x不属于A或者x不属于B（交集的定义）。

3.进一步推理，x属于A的补集或者x属于B的补集（补集的定义）。

4.那么x属于A的补集和B的补集的并集（并集的定义）。

成员表的方法如下：

图片取自百度百科，这就是利用真值来判断。当两个集合的真值表中每一个可能性真值都一样，那么就说明两个集合相等。

注意：这里的真值指的是任意元素x是否属于这一列的集合，举个例子：第一行的意思是，元素x不属于A（A列的真值为0）也不属于B，这种情况下x是否属于其他列的集合。

1.3计算机中的集合

计算机中的集合往往可以用于存储信息，也可以用于集合运算。在集合运算时会利用布尔代数，也就是计算机中的或、且、非、异或运算。

另外，在存储时同样按照朴素集合论的要求，集合中某个对象只能存在一个。所以C++中的set就可以利用红黑树来作为数据结构。这样的集合在搜索时只需要耗费常数时间。当然也可以设定集合中的同一个元素不止出现一次。也就是多重集，那么每个元素都会有一个出现次数，我们叫做重数，这种集合就可以使用到C++中的map。map中有一个值key，key也是唯一的，但是每个key值对应一个value，value是数字可以当成重数。同样map的结构和set没有什么区别，只是map以key来排序后续接上一个value。

模糊集：模糊集合中的元素也有类似于重数的概念，但是每个元素可以有多个重数，而且这些数可以不是整数。在社会网络，聚类算法中都应用甚广。

2、函数

从初中开始我们对函数就耳濡目染，学习了编程之后我对函数的理解就是输入一个值进入函数，函数就返回一个值。

不过现在对函数的理解变为了映射，函数是从某一个集合映射到另一个集合的关系。先来看看书上的一些定义。

函数：令A和B为非空集合，f是从A到B元素的一种指派，即a是A中的元素，b是B中的元素，有唯一的b，f(a)=b。

定义域：集合A就是函数f的定义域。

陪域：集合B是函数f的陪域。

在应用时，函数需要理解的概念不多。但是我们对函数必须有一些思考，不能廉价的认为函数就是某个公式然后代入数字计算。我们将函数想象成映射或者是转换。

例如函数中有定义一对一函数和映上函数：

一对一函数：符合a!=b 则 f(a)!=f(b) ,那么f是一对一函数。

映上函数：对于陪域B中每一个元素b，都有f(a)=b。那么f是映上函数。

这些定义看上去没有太多意义，其实这可以表达很多实用的现象和问题。例如函数有一个是否可逆的问题。

如何去判断一个函数是否可逆呢？如果你能想象一个函数就是一种转换，那么就很轻松的想到函数是否可逆取决于转换过程中信息是否丢失。这一点十分的好理解，假设存在a!=b 但是y=f(a)=f(b)。那么这时已知y和f也不能知道原来的参数究竟是a还是b。这样的情况下函数就不可逆。所以当陪域中对象的数量大于定义域对象的数量时，函数一定不可逆。自然一对一函数就是可逆的，因为每个a都对应了单独的b。

陪域也是老是被人误解成值域。值域指的是集合A被函数f映射之后的所有元素的集合。例如A={1,2,3} ，f(x)=x+2。那么计算每一个a，得到3,4,5三个数。那么{3,4,5}就是f的值域。而f的陪域可以是任何集合，当陪域等于值域时，就叫f是映上函数。

3、序列与求和

序列是元素的有序列表，在计算机中我们常常要解决序列和问题。例如等比数列（几何级数): a,a*r,a*r^2.........a*r^n。

等差数列(算数级数):a,a+d,a+2d,a+3d........a+nd。这些都是大部分人有所接触的数列了，当然序列不会只是这两种就能概括的。例如斐波那契数列 f(n)=f(n-1)+f(n-2) f(1)=1 f(2)=1。

1、递推关系

一个递推关系和初始条件就可以确定一个序列。就像斐波那契数列，初始条件就是f(1)=1,f(2)=1。递推关系就是f(n)=f(n-1)+f(n-2)。所以说，寻找一个序列的递推关系是非常重要的。我们需要给序列的每一项都找到一个显示公式，也叫闭公式。这样才能找到递推关系的解。下面将引用书上的例子：

例如：an=a(n-1)+3 a0=3。

已知an的递推关系以及初始条件a0=3。利用迭代法来在反复利用递推关系。

正向替换：a0=3 a2=2+3 a3=2+3*2 a4=2+3*3 .............. an=2+3(n-1)

反向替换：an=a(n-1)+3=a(n-2)+3*2..............=a0+3(n-1)

正向替换就是从第0项开始一直迭代到第n项时的通项，反向替换则是从第n项与第n-1项的关系一直迭代到第一项。

再举一个稍微复杂一些的例子:

汉诺塔：相信汉诺塔是大家都很熟悉的问题，这里不多赘述问题本身，n个盘子的汉诺塔有递推关系：a(n)=2a(n-1)+1 T(n)表示n个盘子移动需要多少步，那么我们用迭代法来寻找其显示公式。

正向替换：a0=1 a2=2*1+1 a3=2*(2*1+1)+1=2^4+2+1 a4=2*(2*(2*1+1)+1)+1=2^3+2^2+2+1 an=2^(n-1)+2^(n-2)+....1

an=2^n -1

反向替换：an=2a(n-1)+1

=4a(n-2)+2+1

=8a(n-3)+4+2+1

=...........=2^(n-1)a0+2^(n-2)+.....1 = 2^n -1

这便是迭代法的大致思路，不过迭代法具有很大的限制，而且迭代法使用时往往考验我们的经验。

2、求和

关于求和 $\sum$ 符号的性质我认为不需要多做赘述和证明，因为求和符号就是指多项序列相加。拆开求和符号思考就和加法的性质差不多。值得写的是多种数列的求和公式。

几何级数： $\sum_{k=0}^{n}ar^k (r!=0)=\frac{ar^{n+1}-a}{r-1} (r!=1)$

至于如何证明，我目前只是看懂了证明的过程，没有搞清楚其中的思维不过依旧写下来以备后用。

$Sn=\sum_{j=0}^{n}ar^j$

$rSn=r\sum_{j=0}^{n}ar^j$

$=\sum_{j=0}^{n}ar^{j+1}$

$=\sum_{k=1}^{n+1}ar^k$

$=\sum_{k=0}^{n}ar^k+(ar^{k+1}-a)$ (这个过程中从求和式中提取一个k=n+1项，增加了一个k=0项)

$rSn=Sn+(ar^{k+1}-a)$

$Sn=\frac{ar^{n+1}-a}{r-1} (r!=1)$

这是几何级数求和公式的全部证明过程。

3、其他重要的求和公式

$\sum_{k=1}^{n}k=\frac{n(n+1)}{2}$

$\sum_{k=1}^{n}k^2=\frac{n(n+1)(2n+1)}{6}$

$\sum_{k=1}^{n}k^3=\frac{n^2(n+1)^2}{4}$

还有几个涉及无穷的级数：

$\sum_{k=0}^{\infty }x^k=\frac{1}{1-x} (|x|<1)$

$\sum_{k=1}^{\infty }kx^{k-1}=\frac{1}{(1-x)^2} (|x|<1)$ （此处是kx^(k-1)）

这些无穷级数只需要一些简单的微积分知识就能解决。

例如第一个无穷级数：我们令初始项a=1 r=x 那么 $\sum_{k=0}^{n}x^k=\frac{x^{k+1}-1}{x-1} (|x|<1)$ 。因为|x|<1 当k趋于无穷大时，x^(k+1)趋于0。那么用0替换x^(k+1)就得到了闭合式。

序列和求和是计算机中很重要的一部分，我所写到的只是很少的很浅显的一部分，后续有机会还会继续研究。

4、矩阵

线性代数中所讨论的矩阵不在这里讨论，当然无论是矩阵乘法的原理还是思考方式，都很重要。最近我也在看MIT线代的公开课，也许之后会有相关博客。

这里讨论的是0-1矩阵：矩阵中的元素非0即1。0-1矩阵是可以进行布尔运算的，在图论中有应用（虽然现在我也不清楚）。

1、0-1矩阵的交和并：

矩阵A= $\begin{bmatrix} 1 & 0 &1 \\ 0 & 1& 0 \end{bmatrix}$ B= $\begin{bmatrix} 0 & 1 & 0 \\ 1& 1 &0 \end{bmatrix}$

A V B= $\begin{bmatrix} 1 \vee0 & 0 \vee1 &1 \vee0 \\ 0 \vee1&1 \vee1 &0 \vee0 \end{bmatrix}$ = $\begin{bmatrix} 1 &1 &1 \\ 1& 1& 0 \end{bmatrix}$

A $\wedge$ B= $\begin{bmatrix} 1\wedge0 & 0\wedge1 &1\wedge0 \\ 0\wedge1&1\wedge1 &0\wedge0 \end{bmatrix}$ = $\begin{bmatrix} 0 & 0 &0 \\ 0 & 1& 0 \end{bmatrix}$

2、0-1矩阵的布尔积和布尔幂：

0-1矩阵的布尔积和普通矩阵的乘积相似，不过用 $\vee$ 代替了加法，用 $\wedge$ 代替了乘法。

也就是说矩阵乘法和布尔积遵循同样的规则，布尔积用 $\odot$ 符号表示。A $\odot$ B时，矩阵A为n*k,则矩阵B必须是k*m。矩阵A的列必须等于矩阵B的行。

例如：A= $\begin{bmatrix} 1 &0 \\ 0& 1\\ 1 & 0 \end{bmatrix}$ B= $\begin{bmatrix} 1 &1 &0 \\ 0& 1& 1 \end{bmatrix}$ A $\odot$ B= $\begin{bmatrix} (1\wedge 1)\vee (0\wedge 0) & (1\wedge 1)\vee (0\wedge 1) & (1\wedge 0)\vee (0\wedge 1)\\ .. & .. &.. \\ .. & .. & .. \end{bmatrix}$ = $\begin{bmatrix} 1 &1 &0 \\ 0&1 &1 \\ 1& 1 & 0 \end{bmatrix}$

布尔幂：布尔幂类似于矩阵求幂，矩阵A的r次幂: $A^r$ = $A\odot A\odot A.....$ $\odot A$ (此处r个A求布尔积)

布尔幂在计算机网络和图论中都有所应用，但是我还没有用到过，这些都是书上写的。

结语

离散数学中的结构应用在计算机时直接决定了算法的“形状”。也就是说结构决定使用什么样的算法，算法是建立在数据结构之上的，数据结构就是建立在这些基础结构上的。其实这些基础结构都有许多的基础结论和研究，在应用时我们往往不需要过于纠结其中的部分基础理论，而是让这些结论给与我们思考，让我们真正理解其中的含义。