Golden Ratio与Fibonacci

生活有点无聊…记点好玩的

---

引子

初中时代知道了Golden Ration，从数学老师那里第一次知道时，感觉很有趣的样子，于是在纸上推啊推，好奇为啥值是0.618呢？后来用换元法最终搞出，那个开心啊<(￣︶￣)>，感觉数学神奇啊

高中时代无聊，有次捣腾Fibonacci数列，都说这是神奇的数列。于是自己看看有没有好玩的性质，于是让前面的数字除以后面的数字，1/1;1/2;/2/3;3/5;/5/8…等等，数值怎么不对，8/13;13/21，我去，好像是0.618！再继续，21/34;34/55，我擦，竟然真的是0.618这货，而且越往后越是Golden Ration！！什么情况，难道两者之间有不可描述的关系？(ﾟДﾟ) ，在震惊的同时开始各种推，咳咳，但是以当时的阅历，当然并不知道这里面的水有多深，数学原理是啥…于是不了了之

于是荒废到了工作时代…Times fly and people start to die…

终于有一天，出来混的都还上了…不废话，正题了

Golden Ration

$$\frac{2}{1+\sqrt{5}}\approx 0.618\iff \frac{1+\sqrt{5}}{2}\approx 1.618$$
这两货相比大部分人都知道，传说中的黄金分割嘛，为啥起这名儿，也许是因为漂亮的妹子颜值的黄金比吧╮(￣▽￣)╭。也不知道为什么造物主喜欢这样设计，反正只知道整容的都喜欢按这比例动刀…呵呵，说真格的，反正从有机生物到无机结构，很多存在都内含该比例。
得，来两张图吧！
还记得曾经的图么

再来张人体图吧(･ิω･ิ)

至于值的证明，用换元法把定义的等式处理下，可以得到二次方程
$$\phi =1+\frac{1}{\phi }$$
其中一根就是1.618，开心吧，另一根后面会有伏笔
好了，正题刚刚开始…

Fibonacci

先镇个楼，伟大的前辈还是要纪念下的

数列长这样的，大家都懂
$$1,1,2,3,5,8,13,21,34,55,89,144,233,377$$
等等，不觉得这货增长很快么，那么有多快呢？如果高中的猜测是对的话，后面相邻两数的比值越来越接近黄金比，那么这可是$O(c^n)$指数级增长啊，1000的话地球都要爆炸了…

为啥这么快呢?
好了，严肃的要开始了，我也要开始还数学债了，非战斗人员可以跳过推导看思想就行

---

Fibonacci数列定义是这样的：
F k + 2 = F k + 1 + F k { F 0 = 1 } { F 1 = 1 } \textit{F}_{k + 2}=\textit{F}_{k + 1} + \textit{F}_{k}\\\left\{\textit{F}_{0}=1\right\}\quad\left\{\textit{F}_{1}=1\right\} Fk+2​=Fk+1​+Fk​{F0​=1}{F1​=1}
递推式，怎么搞呢，不是通项式，有办法转化为通项表示吗？这样不就知道后项与前项的关系了吗？

注：
1. 后面推导的仅是证明思路中的一种
2. 最好有点线性代数基础

既然是两项两项一起出现的，那么就一起来运算吧
先来个Naive but useful trick打头：
$$\begin{gathered} Set{\upsilon }_k=\left(\begin{array}{c}{\text{F}}_{k+1}\\ {\text{F}}_k\end{array}\right)(k\in N)so{\upsilon }_0=\left(\begin{array}{c}{\text{F}}_1\\ {\text{F}}_0\end{array}\right) \\ then{\upsilon }_{k+1}=\left[\begin{array}{cc}1& 1\\ 1& 0\end{array}\right]{\upsilon }_k \end{gathered}$$

重点出现了，矩阵，要开始玩矩阵了！这时什么“线性无关”、“空间基向量”、“行列式”、“特征向量与特征矩阵”等这些概念需要载入大脑内存了哈，忘了的赶紧谷哥度娘起来(￣.￣)

再清晰一点
$$\begin{gathered} SupposeA=\left[\begin{array}{cc}1& 1\\ 1& 0\end{array}\right]thenweget \\ \Rightarrow {\upsilon }_{k+1}=A{\upsilon }_k \end{gathered}$$

这里A有对应的含义么，如果Fibonacci相邻两项${\text{F}}_{k+1}$和${\text{F}}_k$看成空间中的向量，那么${\upsilon }_{k+1}$就是${\upsilon }_k$在A变换下产生的向量，直观的看，这里是不是有点像简单的递推式了？

关键就是这里，看清楚喔，变换矩阵A可是n维实对称阵啊，还记得线代上被虐过的定理吧：n阶实对称阵必存在n个实特征值和n个线性无关的特征向量，而且能被对角化 。
(啊，这啥意思啊？有用么，能当钱花，当饭吃么？额，同学你先坐下冷静下，好像现在AI时代是可以的哈) (;￢＿￢)

回来再说，一般某矩阵如果能分解为特征值与特征向量来表示的话，那么恭喜你，你就能看到这个矩阵的本质了，毕竟起名都叫“特征”了(ﾟ▽ﾟ)/如果你再将某矩阵n个线性无关的特征向量组合起来形成空间的话（姑且称为特征矩阵吧），你就知道：
矩阵A在物理上就变成了一种投影关系，表示将某个向量投影到A的特征矩阵代表的空间。
如果理解了这一点，上面的式子就像是从${\upsilon }_0$开始，不断地被A向量进行着变换，但是不要慌，我们的推导不用这么抽象。

A的特征向量和特征值先求起来吧，忘了的直接用python或matlab工具包愉快的求出来吧。这样你会愉悦地发现：
特征值刚好就是两个黄金比例二次方程的两个根！

惊喜不惊喜，意外不意外!

呵呵，其实没啥意外的，大道归一而且这篇软文就是讲这两者之间不可描述的关系的嘛，有见识，很聪明的同学已经开始在心里翻白眼了…没关系，继续来

A的两个特征值是：${\lambda }_1=\frac{1+\sqrt{5}}{2}\approx 1.618{\lambda }_2=\frac{1-\sqrt{5}}{2}\approx -0.618$

有点要记住啊，这里我们suppose绝对值大的那个特征值是${\lambda }_1$，会看到后面有用的。

A的两个特征值${\lambda }_1$，${\lambda }_2$分别对应特征向量为${\chi }_1=\left(\begin{array}{c}{\lambda }_1\\ 1\end{array}\right)$，${\chi }_2=\left(\begin{array}{c}{\lambda }_2\\ 1\end{array}\right)$

关键的Suppose来了：
由于A的两个特征向量是线性无关的，我们就把这两货作为新2维空间的基，将${\upsilon }_0$在这个空间中表示出来
$${\upsilon }_0=\left(\begin{array}{c}{\text{F}}_1\\ {\text{F}}_0\end{array}\right)=c_1{\chi }_1+c_2{\chi }_2=\left[\begin{array}{c}{c}_1\lambda 1+c_2\lambda 2\\ c_1+c_2\end{array}\right]$$
如果再矩阵化的话是这样的
$$\begin{gathered} SupposeS=\left[\begin{array}{cc}{\lambda }_1& {\lambda }_2\\ 1& 1\end{array}\right]andC=\left[\begin{array}{c}{c}_1\\ c_2\end{array}\right] \\ then{\upsilon }_0=SC \end{gathered}$$

这里S可以称为特征矩阵吧

好戏来了!
根据之前Fibonacci的递推式${\upsilon }_{k+1}=A{\upsilon }_k$，我们可知:${\upsilon }_k=A^k{\upsilon }_0$，而根据提过的对角化的优美性质(￣▽￣)~*，我们知道矩阵A是可以分解为(可以验证的):
$$A=S\Lambda S^{-1}here\Lambda =\left[\begin{array}{cc}{\lambda }_1& 0\\ 0& {\lambda }_2\end{array}\right]$$，其中S就是上面的特征矩阵；又计算得知$A^k=S{\Lambda }^k{S}^{-1}$

所以…铺垫这么多，终于可以推导了(这里详细一点)
$$\begin{gathered} {\upsilon }_k=A^k{\upsilon }_0=A^{k}SC=S{\Lambda }^k{S}^{-1}SC=S{\Lambda }^{k}C \\ =\left[\begin{array}{cc}{\lambda }_1& {\lambda }_2\\ 1& 1\end{array}\right]\left[\begin{array}{cc}{\lambda }_1^k& 0\\ 0& {\lambda }_2^k\end{array}\right]\left[\begin{array}{c}{c}_1\\ c_2\end{array}\right]=\left[\begin{array}{c}{c}_1{\lambda }_1^{k+1}+c_2{\lambda }_2^{k+1}\\ c_1{\lambda }_1^k+c_2{\lambda }_2^k\end{array}\right]=\left[\begin{array}{c}{\text{F}}_{k+1}\\ {\text{F}}_k\end{array}\right] \end{gathered}$$

这…这，我们想要的通项公式出来了啊啊啊!
先求出$c_1$，$c_2$吧
$${\upsilon }_0=\left(\begin{array}{c}{\text{F}}_1\\ {\text{F}}_0\end{array}\right)=\left[\begin{array}{c}{c}_1\lambda 1+c_2\lambda 2\\ c_1+c_2\end{array}\right]=\left(\begin{array}{c}1\\ 1\end{array}\right)\Rightarrow c_1=\frac{1-{\lambda }_2}{{\lambda }_1-{\lambda }_2},c_2=\frac{{\lambda }_1-1}{{\lambda }_1-{\lambda }_2}$$

最终通项式就是：$${\text{F}}_k=\frac{1-{\lambda }_2}{{\lambda }_1-{\lambda }_2}{\lambda }_1^k+\frac{{\lambda }_1-1}{{\lambda }_1-{\lambda }_2}{\lambda }_2^k$$

知道通项式后终于可以知道Fibonacci数列为什么是按黄金率增长了…
$$\begin{gathered} \frac{{\text{F}}_{k+1}}{{\text{F}}_k}=\frac{c_1{\lambda }_1^{k+1}+c_2{\lambda }_2^{k+1}}{c_1{\lambda }_1^k+c_2{\lambda }_2^k}\approx {\lambda }_1 \\ Consider\left|{\lambda }_1\right|>1and\left|{\lambda }_2\right|<1whenk\to \infty \end{gathered}$$

这里负值根也是有用的喔，用于收敛趋于0…

有耐心看到这的童鞋有福了，LZ累死了，码这么多公式