在多维数学中证明P=NP问题

多维数学假说证明过程

传统立体直角坐标系

1:n'= 0
2:t = 0
3:1 = 1 && 0 = 0 && x=x && y=y && z=z

对常数时间t求导得到0。

传统立体直角坐标系是t=0的特殊状态。

这种前提下，P=NP问题不可解。

基于时间作为第一维度的多维宇宙

1:t≠0
2:1=n ⇔ n=1
3:P=P ⇔ P=NP

时间不为0时，表示千变万化的多维宇宙。

在多维宇宙中 P=NP 问题可以简化为 P=P的问题，将所有的非线性规划，转换为基于n维线段的线性规划，因此问题可解。

贪婪搜索是P=NP问题的近似最优解

us

源代码

贪婪搜索的源代码

```go

package v2

import (

"math"

"github.com/zeusro/system/function/local"

v1 "github.com/zeusro/system/problems/np/model/v1"

)

type Salesman struct {

TodoCity map[string]v1.City // 计划旅行的所有城市列表

Plan []v1.City // 实际执行的旅行计划,是一个环形队列，这里简单用数组表示

KURO float64 // KURO是日本动画《K》里面的一个角色，这里用来表示旅行的总距离，是一种浪漫主义表达手法

Truth bool //问题是否可解

}

func NewSalesman(cities []v1.City) *Salesman {

if len(cities) < 2 {

panic("至少需要两个城市才能进行旅行")

}

s := &Salesman{

TodoCity: make(map[string]v1.City),

}

// 拿到"地图"，获取USA所有城市背景之后，直接map化

// 初始化旅行城市列表

for _, c := range cities {

s.TodoCity[c.Name] = c

}

s.Plan = make([]v1.City, len(cities)+1) // 预分配空间，+1是为了回到起点城市

return s

}

// Travel 踏上寻找n的旅程

func (s *Salesman) TravelN(cityName string, n int) {

// 上一次的目的地是这一次的起点城市。0比较特殊，代表出发城市。

// 起点城市不在旅行计划中

current := s.TodoCity[cityName]

if n >= 1 {

s.Plan[n] = current

}

delete(s.TodoCity, cityName) //由于计划是单线程，不用考虑线程安全

//边界的判断条件是剩余旅行城市=0

if n == 0 {

s.Plan[0] = s.Plan[len(s.Plan)-1] // 确保最后一个城市是起点城市

return

}

var nextCity v1.City

minDistance := math.MaxFloat64

for _, city := range s.TodoCity {

distance := local.Haversine(city.Latitude, city.Longitude, current.Latitude, current.Longitude)

if distance < minDistance {

minDistance = distance

nextCity = city

}

}

s.Plan[n].Distance = minDistance

s.KURO += minDistance // 累加距离

s.TravelN(nextCity.Name, len(s.TodoCity)) // 递归调用

}

func (s *Salesman) GetK() float64 {

if s.IsSolvable(s.Plan) {

return s.KURO

}

return 0

}

func (s *Salesman) IsSolvable(city []v1.City) bool {

if len(s.TodoCity) == 0 && len(s.Plan) == (len(city)+1) {

s.Truth = true

}

return s.Truth

}

```

n < n+1 → P≠NP

按照多维数学假说的基本论述，P=NP在当前的数学符号系统里面是不可解的。

所以，贪婪搜索只能成为近似最优解，之所以近似，第一点在于解法不完全（用球面公式模拟），距离的计算没有完全贴合原意（时间）。

第二点是博弈论的一种理念：“局部最优解不是全局最优解”。

贪婪搜索算法的基本策略是：

“从当前节点出发，每次选择边权最小（或收益最大）的那个相邻节点，作为下一步。”

反驳的论述是

局部最优 ≠ 全局最优。用图论解释，贪婪算法每一步只看当前局部的边权大小，但这种局部最优选择，可能在后面导致走到代价更高的路径，错过了更优的全局路径。

对于“局部最优解不是最优解”的论述，我要进行反驳。

不存在全局最优解

证明过程：

完整数学论述见 拓展博弈论

局部最优解：对某个参与者来说，在当前其他人的策略不变的前提下，他无法通过改变自己的策略而获得更好结果。即：纳什均衡的定义。

全局最优解：从所有参与者整体角度来看，能够达到总效用最大、或集体最优的策略组合，通常是帕累托最优解、社会最优或合作博弈的解。

对于这种概念。我觉得是“缺斤少两”的。从历史的角度上看，不存在放之四海而皆准的永恒真理。任何论述都需要在满足某种前提之下才能成立。也就是说不存在所谓的“全局最优解”。

根据n维数学假说（https://gitee.com/Zeusro/math ),3维世界在5维世界里面。从txyz（传统四维）上看，三维世界只是一个点。

在立体直角坐标系中，物体水平移动的通常定性为X轴。但在我看来X轴是时间t才对。n之上，还有n+1维。因此无法避n+1维的干涉。

举个例子，1和T在下象棋。旁边一只猫冲过来，把T的元帅叼走了。

这样，无论1和T采取什么策略都没有意义了。因为要先把猫找回来。

在我看来，局部最优解和全局最优解是相对存在的。

对于任何局中人（player）而言，由于能力有限，考虑的维度永远只能无限逼近“现实”。自以为的“全局最优解”只能是“局部最优解”。这也有点像大卫·休谟（David Hume）的观念，理性推理只是一种感觉。

结论

踏上旅程，寻找真我 / Travel and find real me

通过历练，明心见性 / Pass the test and then see the truth

このふざけたルールにだって

那些未能置我於死地的苦難，只會讓我變得強大