Python：n个点的费马问题

问题描述

在平面内有n（n>=3）个点（N1(x₁,y₁),N2(x₂,y₂),...,Nn(x_n,y_n)），现求一点P(x,y)，使得P到各点直线距离之和最小。

算法分析

当n=3时，这是著名的三角形费马点问题，网上有详细介绍和证明。

然而，那些平面几何证明看似巧妙，但真正涉及到了n个点的时候，就只能呵呵了，还是得用解析法来想办法。

目标函数为：

 

我们需要求它的最小值。

分别对x和y求偏导数：

f_x(x,y) =  =0

f_y(x,y) ==0

当两偏导数同为0的时候，是此二元函数的驻点。

这里，若再求一次偏导数（二阶偏导数）：

发现其恒大于0，即原函数是个凸函数，一阶偏导数为0的点就是它的最小值点。

那么上面这俩方程（一阶偏导数为0）怎么解呢？

这里就要隆重推出：迭代法。

说句题外话，我们用通俗的说法来辨析几个词：循环、迭代、递归、遍历。我们常常把它们混用，但它们其实是互不相同的！

循环Repeating：反复执行一段程序代码。例如：while循环、for循环...

迭代Iteration：每一次的运算结果会成为下一次运算的初始值，经常用此方法以不断逼近目标结果。例如：牛顿迭代法、二分法、斐波那契数列...

递归Recursion：（函数等）自己调用自己。例如：汉诺塔问题、斐波那契数列...

遍历Traversal：访问一个树的所有结点，每个只访问一次。例如：广度优先搜索、深度优先搜索...

可以看出，有些问题可能会同时涉及到这四个中的多个（其实也不难理解），这大概就是我们常常混淆这四个词的一大原因吧。比如，实现后三者的程序，写代码时基本都跑不掉循环结构，很多人从此就开始混淆它们了...而其实，很多时候它们的思想也是相通的，因此造成了一个问题既可以用迭代也可以用递归的现象，这很正常。

回到本文的问题。我们尝试解一个方程f(x)=0，如果能找到一个g(x)=f(x)+x，从而将原方程转化为x=g(x).通过不断迭代：g(g(g(g(g(x)))))，逼近解x。

这其实就是高中数学（一般在竞赛中出现，或是十多年前的很难的高考数学的数列题里出现）里的“不动点”问题。

一个经典的例子就是利用cos(cos(cos(0)))解方程cos(x)=x。利用作图能清晰的看出：

当然了，此种方法对g(x)的图形和x的初始值是有要求的，不然有可能不但不逼近，反而跑的越来越远了。

例如，对于方程3^x-7=x，我们直观的感觉它有两个解，运行如下代码，轻松得到了一个解-6.9995。

import math
m=0
for i in range(10):
    m=3**m-7
    print(m)

可另外一个解呢？此种方法就很难求了，因为一旦迭代就离它越来越远了。我们尝试更改初始值如m=7来求那个正数的解：

 

根本执行不了。其实在草稿纸上画画图就能发现，想得到那个解，通过我们这种方法根本不能收敛。

不扯远了，再次回到本题，将x和y可以表示为：

初始值可设为那n个点的重心，其实，最终答案一般都不会离重心太远。

至于为什么本题就可以收敛？由二阶导数>0恒成立知，一阶导数单调，故上述方程仅有一个根。

我们可以作图看看右边这个奇怪的函数和函数f(x)=x的交点，运行以下代码：

import math
import random
import matplotlib.pyplot as plt

a1=[];a2=[]
for i in range(6):
    a1.append(random.random())
    a2.append(random.random())

for j in range(1000):
   x=j/1000;y=j/1000
   xfenzi=0;xfenmu=0;yfenzi=0;yfenmu=0
   for i in range(6):
              g=math.sqrt((x-a1[i])**2+(y-a2[i])**2)
              xfenzi=xfenzi+a1[i]/g
              xfenmu=xfenmu+1/g
              yfenzi=yfenzi+a2[i]/g
              yfenmu=yfenmu+1/g
              if i == 5:
                        xn=xfenzi/xfenmu
                        yn=yfenzi/yfenmu
                        plt.scatter(x,xn,color='b',s=1)
                        plt.scatter(x,x,color='g',s=1)
plt.show()

  

由上述，显然，不论怎么运行，仍是只有一个根。而且很明显这个图形是符合我们描述的那个迭代的，即：通过迭代能逐渐逼近那个交点。

 

因此，我们可以用迭代法实现找出平面上到n个点距离之和的最小值的费马点了。

以下是Python实现代码：

import math
import random
import matplotlib.pyplot as plt

n=int(input('请输入n：'))
a1=[];a2=[]
for i in range(n):
      a1.append(random.random())
      a2.append(random.random())
plt.scatter(a1,a2,color='r')

k=0;x=sum(a1)/n;y=sum(a2)/n
while True:
      xfenzi=0;xfenmu=0;yfenzi=0;yfenmu=0
      for i in range(n):
              g=math.sqrt((x-a1[i])**2+(y-a2[i])**2)
              xfenzi=xfenzi+a1[i]/g
              xfenmu=xfenmu+1/g
              yfenzi=yfenzi+a2[i]/g
              yfenmu=yfenmu+1/g
              if i == n-1:
                        xn=xfenzi/xfenmu
                        yn=yfenzi/yfenmu
                        if abs(xn-x)<0.01 and abs(yn-y)<0.01:
                              k=1
                        else:
                              x=xn
                              y=yn
      if k==1:
            break

plt.scatter(x,y,color='b')
plt.show()

 运行效果：

标签：个点,Python,random,yfenmu,a1,a2,xfenzi,xfenmu,费马
来源： https://www.cnblogs.com/maoerbao/p/11532649.html