编程需要的数学思维

编程所需要的数学思维，足够抽象，但又需要落实到向量和矩阵的具体数据结构层次来实现各种程序。其中初级的模仿是仿照微积分的构建，通过对极限层次的无穷小量来遍历叠加来构建高维的结构。然后我们可以构建逻辑的微积分，这是基于图灵机的序列运算，本质上是对信息的确定，是对不确定性的消减。序列的运算可以考虑数学归纳法的迭代和递归。而序列的不同表达模式的组合，序列的运算是自指结构。

周期的形成，如mod的求余数。

机器码式的基本运算低维的构建，人造神经元能够进行比较模糊的运算，是对底层的序列根据一定的规则进行比较确定的状态变换，并将其投影到外界（输出），然后我们能够根据其序列的变化来构建一定的逻辑等等层次的联系，从而能够在不同对象之中提取高维的不变量，进行运算。其中我们需要使用分而治之和减而治之的思路来将复杂的问题分解为不同的模块，如递归。

我们能够在抽象层次进行的思考可以降维表达为各种现实问题，因此各种对称性、规律、结构、循环、相似性等等都是模式化的具体形式。

 

然后是我们需要的具体数学。即我们需要利用前人坚实的研究成果来做到具体的实现，即对公式的选择性组合来形成解决问题的有用技巧，从而能够对我们理想中医学的各种层次的数据进行有意义的处理，并且得出的结果能够对实际的治疗起到良好的指导作用。

我们是不是需要新的数据结构来表示具体的各种生化指标，还是说原理的向量和数组就足够表示？然后如何在这个基础上进行有效的运算，我们应该以矩阵的乘积还是图论的各种拓扑性质乃至网络的各种性质来表示，从而与宏观的病理生理构建一定的映射关系？在机体这个可以投影为无限维的空间/网络中，我们的计算是通过对各种统计量的分析处理，还是可以参考其他的数学分支如数论？我们一向很欣赏的概率方法能够对序列的基本状态的改变构建一定的关系？

毕竟我们构建了这样一个无所不包的模型，然后就是考虑具体的实现，这需要用到大规模的前人的工作。

以医学为导向的数学模型的构建必须极为依靠大规模数据的收集和统计分析，不仅仅是中心极限定理和大数定律所揭示的高维不动点，还有我们各种计算的模糊性质是网络模型的必要，这是对自然选择的一个模拟和致敬。这种大规模的运算是求高维量，分布。而可以等价于一个个循环求解的递归问题。

我们需要具体化我们的模型，以简单的规则和序列状态变化来指代大规模的运算，我们一般计算是基于特殊序列的特定路径的构建，即一般的临床经验，如同BLAST算法的动态规划。理论上我们能够以顺序、分支、循环语句来构建问题的求解思路，我们需要有选择地形成一定的递归循环结构，利用数学归纳法的传递性来做简单的运算逼近高维的运算结果，如同微积分对不同层次的函数的运算。

二项式定理是一种组合的关系连接，可以构建一定的等价关系。

母函数，对序列的处理，表示无限序列。

我们希望的网络大规模运算固然是需要精确的结果，但为了计算的空间和时间复杂度有所降低，我们可以考虑使用近似求解，即以一定误差的理想曲线来逼近真实情况。

本质上，我们的编程在数学的意义是构造一个函数，只要其能够实现一定的输入和输出的对应关系，即我们所认为的功能。而不同维度的函数可能就具有不同的解释能力：第谷一开始收集的行星运动数据是大规模的，而开普勒总结出这些数据的模式即开普勒三大定律，而牛顿则更进一步地抽象出二体运动的微分方程，一百多年后的哈密顿又总结出哈密顿体系--这个过程是特定函数解释更广阔世界的规律的过程。当然，具体的构造就是各种基本工具的组合了。