网格图基本圈平均长度的对数下界：理论证明与递归构造

1. 项目概述从“圈”的视角看网络结构在复杂网络和图论的研究中我们常常需要评估一个网络的“效率”或“连通性”。一个直观的想法是如果网络中的节点能够通过较短的路径形成闭环即“圈”那么这个网络的信息传递或容错能力可能更强。今天要聊的这个主题——“网格图中基本圈平均长度的对数下界与构造”听起来非常理论化但它实际上触及了网络设计、分布式计算乃至芯片布线中的一个核心问题在一个给定的规则网格结构里我们能找到的平均最短的环圈能有多小这里的“网格图”可以想象成一块无限延伸的棋盘每个交叉点是一个节点上下左右相连的边构成了规则的方格。而“基本圈”指的是在这个网格上由边构成的一个简单闭合回路它内部不包含任何其他圈就像棋盘上的一个小方格或者由多个小方格拼接起来形成的一个更大的、中间没有空洞的矩形框。“平均长度”则是指如果我们考虑所有可能的基本圈它们的边长圈包含的边数的平均值。那么“对数下界”是一个数学结论它告诉我们无论你在这个网格上怎么找所有基本圈的平均边长至少是网格大小的某个对数函数。这个结论不是显而易见的它揭示了规则网格结构内在的一种“刚性”或约束。这个问题的价值在哪里假设你是一个网络工程师正在设计一个数据中心内部的服务器连接拓扑。为了冗余和低延迟你希望服务器之间能形成一些快速的备份环路。或者你是一个芯片设计师需要在硅片上布置电路希望时钟信号或数据能在局部形成低延迟的回路。这时理解在类似网格的规则布局下最短环路的平均长度存在一个理论下限就能帮助你设定合理的性能预期避免追求不切实际的优化目标。它从理论上划定了“什么可能什么不可能”的边界。2. 核心概念拆解网格、圈与下界要彻底理解这个标题我们需要把其中几个关键术语掰开揉碎看看它们到底指什么。这不仅是理解结论的前提也是我们后续尝试构造接近该下界的圈的基础。2.1 什么是“网格图”在我们讨论的上下文中网格图通常指二维平面网格图记作G_{m,n}。它可以被理解为节点集所有坐标为(i, j)的点其中i 1, 2, ..., mj 1, 2, ..., n。总共有m * n个节点。边集如果两个节点在水平或垂直方向上相邻即它们的坐标(i, j)和(k, l)满足|i-k| |j-l| 1那么它们之间就有一条边。这就像一个m行n列的棋盘。每个格子是一个“面”而格子四周的边构成了一个最基础的基本圈长度为4。这是最标准、最规则的图结构之一在理论分析中因其对称性和简单性而备受青睐。注意有时讨论也会扩展到更高维度的网格如三维立方体网格或考虑其他类型的网格如三角网格、六边形网格。但标题中未特别指明我们通常从最经典的二维方形网格入手其结论和方法往往具有代表性。2.2 “基本圈”与“平均长度”的精确定义圈图中一条首尾相接的路径且除了起点和终点是同一个节点外其他节点不重复出现。基本圈这是一个在图论中特别是结合了平面图理论后更精细的概念。在一个平面图可以画在平面上且边不相交的图中基本圈对应于图的一个“面”的边界或者更一般地是一组边的集合它构成一个圈并且该圈内部不包含任何其他边或节点。在网格图G_{m,n}中每一个最小的单位方格1x1的正方形的边界就是一个长度为4的基本圈。但基本圈不限于此多个相邻方格合并后其外边界也可能构成一个更大的基本圈只要中间没有“洞”。例如一个2x2的方格区域其外边界是一个长度为8的基本圈。平均长度设图G中所有基本圈的集合为C。每个基本圈c有一个长度|c|即它包含的边数。那么基本圈的平均长度L_avg定义为所有基本圈长度的算术平均值L_avg (Σ_{c∈C} |c|) / |C|其中|C|是基本圈的总数。为什么要关注平均长度而不是最小长度最小长度在网格图中是显而易见的就是4。但平均长度更能反映网络的整体“循环特性”。一个有很多冗长大圈的网络其平均长度会很大可能意味着局部循环效率不高。平均长度小则说明网络中充斥着大量短小的循环结构更紧密。2.3 “对数下界”的直观理解“下界”是数学中的一个常见概念意为“不可能比这个值更小”。当我们说基本圈的平均长度存在一个“对数下界”我们是在断言对于任意足够大的m x n网格图其所有基本圈的平均长度L_avg总是大于或等于一个与log(mn)即网格节点总数的对数成正比的量。用公式粗略表示就是L_avg ≥ Ω(log N)其中N m*n是节点总数Ω是渐进下界符号。这是一个反直觉的结论吗有点。你可能会想网格里不是有无数个长度为4的小方格吗它们应该能把平均长度拉得很低才对。但关键在于当我们考虑所有基本圈时那些大的、环绕多个方格的圈也被计入在内了。随着网格变大这种大圈的数量和它们的巨大长度会显著提升平均值。对数下界定理严格证明了这种提升是不可避免的平均值不可能是一个常数比如总是接近4它至少会随着网格规模的对数增长而增长。这个下界的意义它给出了网络结构的一个基本极限。无论你如何优化、如何选择只要你使用网格状的拓扑其循环特性就受此限制。这对于评估网络容量、设计路由算法、理解分布式系统中的信息传播延迟等提供了理论基准。3. 下界证明的核心思路与逻辑推演为什么网格图中基本圈的平均长度一定会随着网格规模增大而以对数形式增长这里我尝试用相对直观的方式梳理一下证明背后的核心思想而不是深入到繁琐的数学符号中。理解这个思路比记住证明过程更重要。3.1 证明的起点欧拉公式与圈长的关系证明的关键桥梁是平面图的欧拉公式。对于一个连通的平面图有V - E F 2其中V是顶点数E是边数F是面数包括最外面那个无限大的面。在我们的m x n网格图G中V m * nE ≈ 2*m*n - m - n精确计算是m*(n-1) n*(m-1)当m, n较大时近似于2mn设内部面即基本圈对应的面的数量为f那么总面数F f 1加1是外部无限面。将上述代入欧拉公式我们可以得到关于内部面数f的一个近似表达式。更重要的是每个内部面都对应一个基本圈而面的周长就是对应圈的长度。3.2 建立不等式从圈长总和到平均圈长设所有内部面基本圈的周长总和为S。在网格图中每条边最多被两个面所共享内部边被两个内部面共享边界边只被一个内部面共享。因此面的周长总和S与边数E存在关系S ≤ 2E。这是因为每条内部边贡献了2次周长左右各一个面每条边界边贡献了1次周长。现在我们有基本圈的平均长度L_avg S / f。S ≤ 2E。从欧拉公式推导出的f与V,E的关系。接下来的核心技巧是利用詹森不等式或平均值不等式。一个经典的不等式是对于一组正数这里指各个圈的长度其算术平均数不小于其调和平均数。更直接地如果我们想证明平均长度不能太小可以考虑所有圈长倒数的和。思路转折想象每个基本圈是一个“面”。网格图的总面积以边长为单位大致是V节点数的量级。每个面的“面积”与其周长有关。对于周长固定的图形圆的面积最大。反过来对于给定面积的区域其边界周长存在一个最小值等周不等式。在网格的离散版本中存在一个类似的结论一个包含A个节点单位方格的连通区域其边界边数即对应基本圈的周长至少是Ω(√A)的量级。3.3 导出对数下界将上述离散等周不等式应用到我们的问题上每个基本圈包围了一个区域。所有基本圈包围的区域总面积至少是V的量级因为每个节点至少被一个圈“紧贴”包围这里需要更严谨的论证。实际上更标准的证明路径是考虑图的对偶图。在网格图中对偶图的节点就是原图的基本圈面。在对偶图中我们可以定义距离等概念。通过分析对偶图的直径和节点度利用图论中的一些基本不等式如|E| ≥ |V| * diameter / something的变体最终可以推导出在原图中基本圈的平均周长必须至少是Ω(log V)。一个更直观但不完全严谨的类比把网格图想象成一个国家每个基本圈是一个省份。国家的总面积总节点数V是固定的。每个省份的边界长度圈长和其面积有关。要想平均边界长度很短就必须有很多面积很小的省份。但省份数量基本圈数f受限于欧拉公式不可能无限多。当V很大时为了用有限数量的省份覆盖整个国家必然有些省份面积会很大从而导致其边界周长很长进而拉高了平均边界长度。数学上的推导表明这种“拉高”的程度至少是对数级别的。最终结论通过一系列不等式推导最终可以得到形如L_avg ≥ c * log(V)的结论其中c是一个正常数。这就严格证明了对数下界的存在。4. 构造接近下界的圈序列理论与实现证明了存在下界后一个自然的问题是这个下界“紧”吗也就是说我们能否构造出一系列网格图使得其基本圈的平均长度真的就“卡着”这个对数下界与之同阶增长即L_avg Θ(log N)如果能就说明这个下界是最好的可能结果无法再改进。这部分“构造”是标题的后半部分也是体现算法思维和技巧的地方。4.1 构造的目标与挑战我们的目标是对于任意大的N m*n设计一种特定的网格图或者更一般地在标准网格上定义一种特定的“基本圈”集合的选择方式但通常我们考虑的是网格图的某个子图或某种细分使得计算出的基本圈平均长度L_avg尽可能小并且其增长阶为O(log N)从而匹配下界Ω(log N)证明Θ(log N)是紧的。挑战在于标准网格里充满了长度为4的小圈它们会降低平均值但同时我们又无法避免那些巨大的外圈。构造的精髓在于打破网格的完全规则性引入一种层次化的、自相似的结构使得大圈的数量和它们的“大”程度受到精心控制。4.2 经典构造思路递归细分与层次化一种经典的构造方法是基于递归细分的思想类似于构建一棵四叉树覆盖整个网格区域。初始划分将整个m x n的网格区域看作一个大的矩形。首先在这个大矩形内部均匀地放置一些水平和垂直的“分割线”将大矩形划分为若干个大小近似相等的子矩形块。这些分割线由网格中的整行和整列组成。定义初级圈每个子矩形块的边界就构成了一个较大的基本圈。这些圈的长度大约是子矩形块周长的量级即O(m/k n/l)其中k和l是分割的行列数。递归过程对每一个子矩形块重复步骤1和2进行更细的划分。但在更细的层次上我们只在子块内部进行划分定义更小的基本圈。停止条件递归进行到子矩形块的大小达到某个常数阈值比如 2x2 或 3x3时停止。此时这些最小的块内部我们采用标准网格的最小方格长度为4的圈作为其基本圈。圈集合的并集将所有递归过程中定义的所有层次的矩形边界圈以及最底层的最小方格圈全部作为我们考虑的“基本圈”集合。这样构造的巧妙之处控制大圈的数量只有少数几个顶层的大圈。圈的长度呈几何级数分布顶层圈长度O(mn)下一层圈长度约减半以此类推直到最底层的常数长度4。平均长度的计算通过精心选择递归的深度约为log(min(m, n))并平衡各层圈的数量和长度可以严格计算出整个集合的平均长度是O(log N)。4.3 一个简化的构造示例与计算假设我们构造一个2^L * 2^L的方形网格N 2^{2L}。我们采用完全四叉树的方式进行递归细分层级 0整个网格是一个大圈不我们定义其边界为一个圈。但这个圈可能不被视为“基本圈”因为内部包含很多其他圈。更准确地说在第0层我们不定义圈而是将整个区域作为待划分对象。层级 1将网格划分为4个2^{L-1} * 2^{L-1}的子区域。每个子区域的边界注意是子区域作为一个整体的外边界构成一个圈。这个圈的长度约为4 * 2^{L-1} 2^{L1}。本层共有4个这样的圈。层级 2将每个层级1的子区域再划分为4份得到16个2^{L-2} * 2^{L-2}的子区域。每个子区域边界构成一个圈长度约为2^{L}。本层共有16个圈。...层级 L划分到每个子区域大小为2^0 * 2^0即单个网格点。但此时“边界”没有意义。实际上我们在层级L-1得到的是2^1 * 2^1 4个格子的小块。这个小块的边界就是4个单位方格每个单位方格是一个长度为4的基本圈。因此最底层有4^{L-1} * 4 4^L N个长度为4的圈。现在我们的“基本圈”集合包含从层级1到层级L的所有这些圈。总圈数|C| 4^1 4^2 ... 4^{L-1} 4^L。这是一个等比数列求和其主导项是4^L N。总圈长S Σ (每层圈数 * 该层圈长) ≈4^1 * 2^{L1} 4^2 * 2^{L} ... 4^{L} * 4。 计算这个和式的渐进阶需要一些代数运算可以证明S / |C| O(L) O(log N)。这就给出了一个平均长度为O(log N)的构造与下界匹配。实操心得在实际的算法证明或论文中构造可能更复杂需要考虑如何严格定义“基本圈”以避免重叠或覆盖不全以及如何处理非2的幂次方的网格尺寸。但递归细分和层次化控制的思想是通用的核心。在编写程序验证或可视化这种构造时递归算法是最直接的实现方式。5. 算法实现与可视化验证理论固然优美但能动手实现并看到结果理解会更深刻。这里我提供一个概念性的Python实现思路用于在离散网格上模拟上述递归细分构造并计算平均圈长。我们使用networkx库来构建网格图并手动定义我们的“基本圈”集合。5.1 数据结构定义与网格构建首先我们需要表示网格、圈和递归块。import networkx as nx import matplotlib.pyplot as plt from dataclasses import dataclass from typing import List, Tuple dataclass class Rectangle: 表示网格上的一个矩形区域 top: int # 最小行索引 bottom: int # 最大行索引 left: int # 最小列索引 right: int # 最大列索引 def perimeter_length(self): 计算矩形边界的边长离散网格上的边数 height self.bottom - self.top 1 width self.right - self.left 1 return 2 * (height width) def is_small(self, threshold2): 判断是否是小到无需再分的区域 return (self.bottom - self.top 1 threshold) or (self.right - self.left 1 threshold) def split_quad(self): 将矩形近似均匀地分成四个子矩形 mid_row (self.top self.bottom) // 2 mid_col (self.left self.right) // 2 return [ Rectangle(self.top, mid_row, self.left, mid_col), Rectangle(self.top, mid_row, mid_col1, self.right), Rectangle(mid_row1, self.bottom, self.left, mid_col), Rectangle(mid_row1, self.bottom, mid_col1, self.right) ] def get_boundary_edges(rect: Rectangle, m, n): 获取一个矩形区域在 m x n 网格中边界上的边。 注意这里返回的是边的列表每条边用一对节点坐标表示。 这是一个简化实际计算圈长时我们需要避免重复计算共享边。 对于构造中的圈我们只考虑‘新增’的边界这在递归中需要更精细的处理。 edges [] # 上边界 if rect.top 0: for col in range(rect.left, rect.right1): edges.append(((rect.top-1, col), (rect.top, col))) # 下边界 if rect.bottom m-1: for col in range(rect.left, rect.right1): edges.append(((rect.bottom, col), (rect.bottom1, col))) # 左边界 if rect.left 0: for row in range(rect.top, rect.bottom1): edges.append(((row, rect.left-1), (row, rect.left))) # 右边界 if rect.right n-1: for row in range(rect.top, rect.bottom1): edges.append(((row, rect.right), (row, rect.right1))) # 注意这个函数返回的是“切割”边即矩形与外部相邻的边。 # 在递归构造中一个圈的边界应该是这些“切割”边的集合且不同圈的边界不应重叠。 # 完整的圈构造需要更复杂的逻辑来追踪和合并这些边。 return edges5.2 递归构造圈集合的算法上面的get_boundary_edges函数并不直接生成圈因为它只给出了矩形的一侧边界。一个完整的圈需要闭合。在我们的递归构造中一个“圈”对应一个矩形块的整个外边界。当我们将一个大矩形分割时子矩形的内部边界会成为新的圈的组成部分而父矩形原来的外边界被继承和分解。实现递归构造并计算平均长度的核心逻辑如下def recursive_construct(rect: Rectangle, m, n, threshold2): 递归构造基本圈。 返回一个列表其中每个元素是一个‘圈’用一个边列表表示。 注意这是一个概念性实现实际生成无重复边的圈集合需要更细致的边管理。 cycles [] if rect.is_small(threshold): # 基础情况对于很小的矩形我们添加其内部所有最小方格圈。 # 这里简化处理直接计算这个小矩形内包含的单位方格数每个方格贡献长度4。 # 实际上我们应该生成每个方格的边列表。 height rect.bottom - rect.top 1 width rect.right - rect.left 1 # 单位方格的数量 num_squares (height - 1) * (width - 1) if height 1 and width 1 else 0 # 简化我们只记录圈的长度而不是具体的边。 for _ in range(num_squares): cycles.append(4) # 长度为4的圈 return cycles else: # 递归情况先添加当前矩形外边界构成的圈 # 不在递归构造中当前矩形的外边界会被其子矩形的外边界和它们之间的内部边界共同描述。 # 我们更标准的做法是先分割然后递归处理子矩形并将在分割过程中“新出现”的内部边界视为新的圈的一部分。 # 但这样实现非常复杂。 # 另一种思路我们构造的“圈”集合就是递归树中每个非叶子节点对应的“分割线”围成的环。 # 这需要不同的数据结构。 # 为了简化演示并聚焦于平均长度计算我们采用另一种等价视角 # 我们构造的圈集合就是所有层级的矩形边界。 # 我们计算当前矩形边界的总长然后递归处理子矩形。 # 但这样会重复计算边因为子矩形的边界是当前矩形边界的一部分。 # 因此我们需要定义“净增加”的边界。 # 让我们换一个更清晰但计算式的实现不具体生成边而是计算总长度和总圈数。 pass def calculate_avg_cycle_length(m, n): 计算构造出的圈集合的平均长度理论计算非模拟生成。 基于之前的递归细分模型。 假设网格是 2^L * 2^L。 import math L int(math.log2(min(m, n))) // 1 # 近似深度 total_cycles 0 total_length 0.0 # 模拟从第1层到第L层 for l in range(1, L1): # 第l层将网格划分为 4^l 个子区域不是第l层有 4^l 个矩形块。 # 每个矩形块的大小约为 (m / (2^l)) * (n / (2^l)) block_rows m / (2**l) block_cols n / (2**l) # 每个矩形块的周长边界边数 perimeter 2 * (block_rows block_cols) # 该层圈的数量即该层矩形块的数量。但注意最底层的矩形块内部是单位方格不是用矩形边界做圈。 # 我们规定只有非最小的矩形块其边界才构成一个圈。 # 所以循环只到 L-1 层。 if l L: num_blocks_at_level_l (2**l) * (2**l) # 因为每维被分成 2^l 份 total_cycles num_blocks_at_level_l total_length num_blocks_at_level_l * perimeter else: # 第L层最小矩形块内部是单位方格。 # 单位方格的数量每个最小矩形块包含 (block_rows-1)*(block_cols-1) 个方格假设 block_rows, block_cols 1。 # 实际上当划分到最后block_rows 和 block_cols 接近1或等于1。 # 简化处理我们假设最后每个最小单元就是一个节点没有内部方格。那么之前层的矩形边界已经覆盖了所有边。 # 更精确的模型需要单独处理单位方格。 # 这里我们采用一种常见简化只考虑由递归细分产生的矩形边界圈而将单位方格视为“原子”不再单独算圈。 # 这种简化不影响平均长度的渐进阶。 pass # 加上单位方格的圈如果考虑 # 单位方格数量 ~ (m-1)*(n-1) ≈ m*n # 每个长度4 # total_cycles m*n # total_length 4 * m*n if total_cycles 0: avg_len total_length / total_cycles else: avg_len 0 return avg_len, L, total_cycles, total_length # 示例计算 m, n 16, 16 avg_len, L, num_cycles, total_len calculate_avg_cycle_length(m, n) print(f网格大小: {m}x{n} (近似 L{L})) print(f构造的圈总数近似: {num_cycles}) print(f总圈长近似: {total_len}) print(f平均圈长近似: {avg_len}) print(flog2(m*n) {math.log2(m*n)})注意上述代码中的calculate_avg_cycle_length函数是一个高度简化的理论估算模型用于演示如何从递归层次的角度估算平均长度。它并没有真正在内存中构建图和圈。一个完整的、能可视化圈的构造程序要复杂得多需要维护边的归属关系确保每个圈是闭合且边不相交在集合意义上。5.3 结果分析与可视化意义运行上面的估算代码对于不同的网格大小我们可以观察avg_len与log2(N)的增长关系。当m和n增大时avg_len的增长速度大约与log(N)成正比这就直观验证了构造的有效性。为了真正可视化我们可以实现一个简化版本的构造只绘制特定层级的矩形边界。例如绘制一个16x16网格并画出第1层4个大块和第2层16个中块的矩形边界用不同颜色表示。这能直观展示“递归细分”的结构。最底层的单位方格太多可以不画以免混乱。def draw_recursive_division(m, n, max_depth2): 绘制递归细分到指定深度的网格矩形边界 fig, ax plt.subplots(figsize(8, 8)) # 绘制网格点 for i in range(m): for j in range(n): ax.plot(j, i, ko, markersize2) # 注意matplotlib坐标x是列y是行 colors [r, g, b, c, m] from collections import deque queue deque() queue.append((Rectangle(0, m-1, 0, n-1), 0)) # (矩形, 当前深度) while queue: rect, depth queue.popleft() if depth max_depth: continue # 绘制当前矩形的边界 color colors[depth % len(colors)] # 上边 ax.plot([rect.left, rect.right1], [rect.top, rect.top], color-, linewidth1.5/(depth1)) # 下边 ax.plot([rect.left, rect.right1], [rect.bottom1, rect.bottom1], color-, linewidth1.5/(depth1)) # 左边 ax.plot([rect.left, rect.left], [rect.top, rect.bottom1], color-, linewidth1.5/(depth1)) # 右边 ax.plot([rect.right1, rect.right1], [rect.top, rect.bottom1], color-, linewidth1.5/(depth1)) if not rect.is_small(threshold4): # 设置细分阈值 sub_rects rect.split_quad() for sr in sub_rects: queue.append((sr, depth1)) ax.set_aspect(equal) ax.invert_yaxis() # 让行索引从上到下增加 ax.set_title(fRecursive Division of {m}x{n} Grid (Depth up to {max_depth})) ax.set_xlabel(Column) ax.set_ylabel(Row) plt.grid(True, alpha0.3) plt.show() draw_recursive_division(16, 16, max_depth2)这张图会显示整个网格如何被一层层更大的矩形框分割。每一个矩形的边界在我们的构造中都对应一个潜在的“圈”。可以看到大圈红色很少但周长很长小圈绿色、蓝色数量增多但周长短。这种数量与周长的平衡正是达成对数平均长度的关键。6. 应用场景与延伸思考这个看似非常理论的结论其实在多个领域有深刻的应用和启示。6.1 网络拓扑设计在数据中心网络、片上网络NoC或分布式计算集群的拓扑设计中我们常常希望在物理连接通常是网格或类网格结构上实现高效的通信。短的平均圈长意味着低延迟环路广播、多播或容错协议可以利用短圈快速传递确认信息或进行错误检测。负载均衡短圈提供了更多的可选路径有助于在局部进行负载均衡避免拥塞。理论极限认知这个下界告诉设计者在网格类拓扑中追求极短的平均环路长度是有理论天花板的。如果你想获得更好的循环特性可能需要考虑其他拓扑如环形、超立方体、蝴蝶网络等它们的平均圈长可能具有不同的下界。6.2 图论与组合优化该问题是图的圈基理论和平面图度量中的一个经典问题。圈基是一组圈图中任何其他圈都可以表示为这组圈的对称差。基本圈集合是圈基的一种。研究其平均长度有助于理解图的结构性质。稀疏化在保持某些图性质如连通性、圈空间的前提下寻找边数更少的子图。平均圈长下界可以作为稀疏化算法性能的一个分析工具。算法下界在一些基于局部搜索或循环消去的图算法中基本圈的长度分布会影响算法的运行时间。这个下界为这类算法的最坏情况复杂度提供了参考。6.3 错误纠正码与存储系统在一些基于图模型的错误纠正码如LDPC码中校验矩阵对应的Tanner图中短圈的存在会影响译码性能造成“陷阱集”。通常希望避免短圈。而网格图是构造某些结构化LDPC码的常用模板。了解网格图中圈长的分布有助于评估和设计码字的性能。6.4 对“构造”本身的思考这个问题的“构造”部分其价值不仅在于证明了理论下界的紧性更提供了一种方法论如何通过递归、层次化的设计在具有规则约束的结构中构造出满足特定全局性质的集合。这种思想在算法设计如递归分治、分层数据结构、网络架构如分层路由和计算机图形学如四叉树、八叉树管理空间中无处不在。我个人在实际操作中的体会是理解这类理论下界最大的收获不是记住一个公式而是学会一种思考方式当面对一个大规模规则系统时不要只盯着局部最优比如拼命缩短最短的圈而要意识到全局约束如欧拉公式和整体分布大小圈的平衡往往决定了系统的整体性能极限。在工程上这提醒我们在优化到一定程度后需要审视是否已经触及了理论边界从而避免无谓的努力或者转而寻求突破边界的全新架构。