一些笔记自己备忘,魔方最少步数的起点:Thistlethwaite‘s algorithm算法的引理。

本文主要是介绍一些笔记自己备忘,魔方最少步数的起点:Thistlethwaite‘s algorithm算法的引理。,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前置:

1. w : 是一个映射,(但是不满足同态性质),类型是:H→ C2^(12), w(g)第i个分量wi表示:

在第i位置的原坐标下,按逆时针计算的方向数为Fi,这个棱块x,经过某{F,B,L,R,U,D}某复合一个操作后,到达了第j位置

在新的第j位置的坐标下,按逆时针计算的方向数Fj,则这两个数之间的关系是:(Fi + wi) 再mod 3 , 就等于 Fj。也就是Fi+wi=Fj (mod 2环境下)

换句话说wi是一个过程量,原位置下计数为Fi,新位置下计数为(Fi+wi) (mod2)。

换句话说,我在未变换前的方向数知道了Fi,然后查表找到这个变换前位置的分量wi,就知道了变换后原方块在新位置的方向数是多少了。

2. v : 是一个映射,(但是不满足同态性质),类型是:H→ C3^(8) , v(g)第i个分量vi表示:

在第i位置的原坐标下,按逆时针计算的方向数为Fi,这个棱块x,经过某{F,B,L,R,U,D}某复合一个操作后,到达了第j位置

在新的第j位置的坐标下,按逆时针计算的方向数Fj,则这两个数之间的关系是:(Fi + vi) 再mod 3 , 就等于 Fj。也就是Fi+vi=Fj (mod 3环境下)

换句话说vi是一个过程量,原位置下计数为Fi,新位置下计数为(Fi+vi) (mod3)。

换句话说,我在未变换前的方向数知道了Fi,然后查表找到这个变换前位置的分量vi,就知道了变换后原方块在新位置的方向数是多少了。

3.v : 不是同态,代表方向 H→ C3^(8)

4.ρ : 是一个同态映射,代表位置 类型是:H→ SV

5.w : 不是同态,代表方向 H→ C2^(12)

6.σ : 是一个同态映射,代表位置 类型是:H→ SE

7. H:是全体魔方状态的集合,不同于魔方群G,群H包括不可还原和可还原的状态。(换句话说,可以拆开魔方,但是不能撕贴纸!)

8.SE :是一个群,里面的元素是12排列代表的向量,代表棱块的位置变换的全体, 由于E代表棱块一共12个,所以SE等价于S12。

9.SV :是一个群,里面的元素是8排列代表的向量,代表角块的位置变换的全体, 由于V代表棱块一共8个,所以SV等价于S8。

命题:

w(gh) := w(g) + σ(g)^(-1)·w(h)

v(gh) := v(g) + ρ(g)^(-1)·v(h)

 

证明:(思路是一般化某个任意分量来做变化,是否成立。再推广到所有分量。)

已知g:{

方向过程量:w(g)= (p1,p2,p3,p4,p5,p6,p7,p8,p9,p10,p11,p12)

位置过程量:σ(g)

}

已知h:{

方向过程量:w(h)= (q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12)

位置过程量:σ(h)

}

1.先证明第一条公式:

对于某个状态Sta1:

方向绝对量:Sta1 = (j1,j2,j3,j4,j5,j6,j7,j8,j9,j10,j11,j12)

位置绝对量:(k1,k2,k3,k4,k5,k6,k7,k8,k9,k10,k11,k12)

1.经过g作用后:{

方向绝对量错误:(j1+p1,j2+p2,j3+p3,j4+p4,j5+p5,j6+p6,j7+p7,j8+p8,j9+p9,j10+p10,j11+p11,j12+p12)

方向过程量:Sta1 → (Sta1作用g以后) = w(g)

位置:σ(g)·(k1,k2,k3,k4,k5,k6,k7,k8,k9,k10,k11,k12)= ?

方向绝对量 : σ(g)·(j1+p1,j2+p2,j3+p3,j4+p4,j5+p5,j6+p6,j7+p7,j8+p8,j9+p9,j10+p10,j11+p11,j12+p12)

}

2.再经过h作用后:{

方向绝对量:σ(h)( σ(g)·(j1+p1,j2+p2,j3+p3,j4+p4,j5+p5,j6+p6,j7+p7,j8+p8,j9+p9,j10+p10,j11+p11,j12+p12) + (q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12) )

方向过程量:(Sta1作用g以后)→ (Sta1作用g以后,再作用h以后) = ?

位置:σ(h)·σ(g)·(k1,k2,k3,k4,k5,k6,k7,k8,k9,k10,k11,k12)= ?

}

小引理:绝对方向量A1 经过x→, 绝对方向量为A2, 和w(x)有什么关系,如何表达w(x):

σ(x)·(A1 + w(x)) = A2

所以,w(x) = (σ(x))^(-1)·A2 - A1

分析初始方向绝对量和最后2次作用后的方向绝对量,后者是按定义算出来的值。

(j1,j2,j3,j4,j5,j6,j7,j8,j9,j10,j11,j12) = "A1"

σ(h)( σ(g)·(j1+p1,j2+p2,j3+p3,j4+p4,j5+p5,j6+p6,j7+p7,j8+p8,j9+p9,j10+p10,j11+p11,j12+p12) + (q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12) )

= σ(h)·σ(g)·(j1+p1,j2+p2,j3+p3,j4+p4,j5+p5,j6+p6,j7+p7,j8+p8,j9+p9,j10+p10,j11+p11,j12+p12) + σ(h)·(q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12)

= "A2"

所以复合的方向过程量:

w(gh) := (σ(gh))^(-1)·A2 - A1 = (σ(g))^(-1)·σ(h)^(-1) · A2 - A1

= (j1+p1,j2+p2,j3+p3,j4+p4,j5+p5,j6+p6,j7+p7,j8+p8,j9+p9,j10+p10,j11+p11,j12+p12) +

(σ(g))^(-1)·(q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12) - (j1,j2,j3,j4,j5,j6,j7,j8,j9,j10,j11,j12)

= (p1,p2,p3,p4,p5,p6,p7,p8,p9,p10,p11,p12) + (σ(g))^(-1)·(q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12)

 

试着列举一下:

w(g) = (p1,p2,p3,p4,p5,p6,p7,p8,p9,p10,p11,p12)

σ(g)·w(h) =  σ(g)·(q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12)

w(g) + σ(g)·w(h) = (p1,p2,p3,p4,p5,p6,p7,p8,p9,p10,p11,p12) + (σ(g))^(-1)·(q1,q2,q3,q4,q5,q6,q7,q8,q9,q10,q11,q12)

 

举例说明:

g=F,h=R,

经过gh后,

已知:

因为g换位效果是:

{1,2,3,4,5,6,7,8}

{8,2,1,4,3,6,7,5}

因为h换位效果是:

{1,2,3,4,5,6,7,8}

{2,4,1,3,5,6,7,8}

gh复合换位:

{1,2,3,4,5,6,7,8}

{2,4,8,1,3,6,7,5}

v(g) = {2,0,1,0,2,0,0,1}

v(h) = {1,2,2,1,0,0,0,0}

-- 首先根据等式左边算一下,也就是根据定义算一下:

gh变换后绝对位置 =(0先经过g操作:加v(g),然后被ρ(g)作用) = {2,0,1,0,2,0,0,1} = {1,0,2,0,1,0,0,2}

=(经过h操作:加v(h),然后被ρ(h)作用) = {2,2,1,1,1,0,0,2} = {2,1,2,1,1,0,0,2}

v(gh) = (σ(gh))^(-1)·A2 - A1 = ?

这里A1 = 0, A2 = {2,1,2,1,1,0,0,2} ,

σ(gh) = {2,4,8,1,3,6,7,5} ,

σ(gh)^(-1) = {4,1,5,2,8,6,7,3}

v(gh) = {4,1,5,2,8,6,7,3} · {2,1,2,1,1,0,0,2} - 0

= {1,2,1,1,2,0,0,2}!!!对啦!!

-- 下面通过等式右边算一下:

σ(g)(v)(h)= σ(g)·v(h) = 就是按照g的换位来更改这些v(h)中的分量,

= {0,2,1,1,2,0,0,0}

v(g) + σ(g)(v)(h)= σ(g)·v(h) = {2,0,1,0,2,0,0,1} +

{0,2,1,1,2,0,0,0}

=  {2,2,2,1,1,0,0,1}

(σ(g))^(-1)·v(h) = {2,2,0,1,0,0,0,1}

v(g) + (σ(g))^(-1)·v(h) = {2,0,1,0,2,0,0,1} +

{2,2,0,1,0,0,0,1}

= {1,2,1,1,2,0,0,2}!!!对啦!!

 

这篇关于一些笔记自己备忘,魔方最少步数的起点:Thistlethwaite‘s algorithm算法的引理。的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/665253

相关文章

利用Python快速搭建Markdown笔记发布系统

《利用Python快速搭建Markdown笔记发布系统》这篇文章主要为大家详细介绍了使用Python生态的成熟工具,在30分钟内搭建一个支持Markdown渲染、分类标签、全文搜索的私有化知识发布系统... 目录引言:为什么要自建知识博客一、技术选型:极简主义开发栈二、系统架构设计三、核心代码实现(分步解析

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt(KMP)算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串(称为

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》:本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例:使用随机森林预测鸢尾花品种4.1

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第