🔢 mathematics

One one type of ud-preserving mapping

本文构造了一类在单位区间上保持均匀分布且其迭代序列为巴克均匀分布的映射，并证明了该类映射的若干性质。

原作者： Milan Pasteka

发布于 2026-03-20

📖 1 分钟阅读🧠 深度阅读

原作者： Milan Pasteka

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种非常有趣的数学构造，我们可以把它想象成是在**“打乱”和“重塑”数字世界**的一种特殊规则。

为了让你轻松理解，我们把这篇论文的核心内容拆解成几个生活化的场景：

1. 核心概念：什么是“均匀分布”？

想象你有一块长条形的蛋糕（代表从 0 到 1 的区间）。

普通分布：如果你切蛋糕，有的地方切得厚，有的地方切得薄，那就不均匀。
均匀分布（Uniform Distribution）：如果你切了很多很多小块，每一块的大小都差不多，而且无论你盯着蛋糕的哪一部分看，切下来的小块数量都和你预期的比例一致，这就是“均匀分布”。

在数学里，我们研究的是数字序列（比如 0.1, 0.5, 0.9, 0.2...）是不是像切蛋糕一样，均匀地散落在 0 到 1 之间。

2. 作者做了什么？（构建一个“魔法变换器”）

作者米兰·帕斯特卡（Milan Paštéka）发明了一种特殊的机器，我们叫它 $T_\pi$ 变换器。

输入：一个 0 到 1 之间的小数（比如 0.345...）。
内部原理（康托尔级数）：这个机器先把小数拆解成一串“密码”。想象把小数写成一种特殊的进制（就像把十进制变成二进制，但这里的进制是变化的，比如第一位是 2 进制，第二位是 3 进制，第三位是 5 进制...）。
操作（置换）：机器手里有一堆“洗牌器”（排列 $\pi$ ）。它把拆解出来的每一串“密码数字”按照特定的顺序重新洗牌。
输出：把洗好牌的密码重新拼回一个小数。

关键点：这个洗牌规则不是随机的，而是循环的（就像把 0, 1, 2 变成 1, 2, 0，再变回 0, 1, 2，周而复始）。

3. 这个机器有什么神奇之处？

作者证明了两个非常酷的结论：

结论一：它能让数字“完美均匀”

如果你拿任意一个数字，反复把这个数字扔进机器里（比如 $x_1$ 进去变成 $x_2$ ， $x_2$ 再进去变成 $x_3$ ...），生成的这一长串数字序列，会极其完美地均匀分布在整个 0 到 1 的区间上。

比喻：就像你往一个房间里扔飞镖，不管你怎么扔，飞镖最终会均匀地覆盖整个墙壁，没有一块地方是空的，也没有一块地方特别拥挤。
Buck 均匀分布：论文里提到的"Buck 均匀分布”是一种更严格的“均匀”标准。它要求这种均匀性不仅在长远的统计上成立，而且在特定的数学密度定义下也成立。简单说，就是**“无论你怎么切分时间或空间，分布都是完美的”**。

结论二：它是个“捣乱分子”（没有单调性）

通常我们熟悉的函数（比如 $y=x$ 或 $y=x^2$ ）是平滑的，要么一直上升，要么一直下降。
但这个 $T_\pi$ 机器非常“神经质”：

定理：在 0 到 1 的任何一小段区间里，这个函数既不是一直上升的，也不是一直下降的。
比喻：想象一条山路，普通的函数是像滑梯一样一直往下，或者像上坡路一样一直往上。但这个函数像是一个疯狂的过山车，哪怕你只盯着其中一厘米看，它也是上下起伏、忽左忽右的。它永远无法保持“平稳”的状态。

结论三：它没有“导数”（没有平滑的切线）

在数学里，“导数”代表曲线在某一点的平滑程度（能不能画出一条切线）。

作者证明，这个函数在任何一点都是“毛糙”的，甚至可以说它是处处不可导的。
比喻：如果你拿放大镜看这个函数的图像，它不像光滑的丝绸，而像破碎的镜子或者锯齿状的铁丝网。无论你把图像放大多少倍，它永远充满了尖锐的折角，找不到任何平滑的直线段。

4. 总结：这篇论文在说什么？

这篇论文就像是在说：

“我发明了一种特殊的数字洗牌规则。如果你按照这个规则反复操作，生成的数字序列会完美均匀地散落在 0 到 1 之间（这是它‘好’的一面）。但是，这个规则本身非常混乱和破碎，它在任何地方都没有平滑的过渡，像是一个永远在剧烈震荡的锯齿（这是它‘坏’的一面）。”

为什么这很重要？
在数学和计算机科学中，我们需要生成“看起来随机且均匀”的数字（比如用于加密、模拟实验）。这篇论文提供了一种确定性的方法（不是随机生成的，而是通过固定规则计算出来的），却能产生像随机数一样完美的均匀分布。同时，它展示了这种“完美分布”背后的结构可以是非常复杂和破碎的。

一句话概括：
作者造了一个**“数学搅拌机”，它能把任何数字搅得均匀分布**，但这个搅拌机本身的运作轨迹却像锯齿一样粗糙且无法预测。

论文技术摘要：关于一种保均匀分布的映射

论文标题：On one type of ud - preserving mapping（关于一种保均匀分布的映射）
作者：Milan Paštéka
领域：数论、动力系统、均匀分布理论

1. 研究背景与问题 (Problem)

本文旨在研究定义在单位区间 $[0, 1]$ 上的一类特殊映射，这类映射具有**保均匀分布（Uniform Distribution, UD）**的性质，即如果输入序列是均匀分布的，则经过该映射迭代后的序列依然保持某种形式的均匀分布。

具体研究问题包括：

构造性：如何基于 Cantor 级数展开和置换群构造一个具体的映射 $T_\pi$ ？
分布性质：该映射的迭代序列 $\{T^n(\alpha)\}$ 是否满足 Buck 均匀分布（Buck uniformly distributed）？Buck 均匀分布是基于 Buck 测度密度（measure density）定义的，比经典的渐近密度（asymptotic density）更广泛。
分析性质：该映射在单调性和可微性方面表现出怎样的特性？

2. 方法论 (Methodology)

作者采用构造性证明与数论工具相结合的方法：

Cantor 级数展开：
利用互素自然数序列 $\{m_i\}$ 定义基数序列 $B_j = \prod_{i=1}^j m_i$ 。任何 $\alpha \in [0, 1)$ 可唯一表示为 Cantor 级数：
$\alpha = \sum_{j=0}^{\infty} \frac{b_j(\alpha)}{B_{j+1}}, \quad b_j(\alpha) \in \mathbb{Z}_{m_j}$
其中系数 $b_j(\alpha)$ 满足特定条件（无限多项小于 $m_j-1$ ）。
映射构造：
给定一系列置换 $\pi_n: \mathbb{Z}_{m_n} \to \mathbb{Z}_{m_n}$ ，定义映射 $T_\pi: [0, 1] \to [0, 1]$ 为：
$T_\pi(\alpha) = \sum_{j=0}^{\infty} \frac{\pi_j(b_j(\alpha))}{B_{j+1}}$
即对 Cantor 级数的每一位系数应用对应的置换。
Buck 测度与密度：
引入 Buck 测度密度 $\mu^*$ 和 Buck 可测集的概念。序列 $\{v(n)\}$ 被称为 Buck 均匀分布，如果对于任意子区间 $I \subset [0, 1]$ ，其原像 $v^{-1}(I)$ 是 Buck 可测的且测度等于区间长度 $|I|$ 。
中国剩余定理 (CRT)：
利用中国剩余定理分析置换迭代 $\pi^n$ 的周期性，将置换作用转化为模 $B_j$ 的同余类问题，从而确定迭代序列落入特定区间的自然数集合的密度。

3. 主要贡献与结果 (Key Contributions & Results)

3.1 核心定理：Buck 均匀分布性

定理 1：如果置换 $\pi_i$ 是长度为 $m_i$ 的循环置换（cyclic permutations），那么对于任意 $\alpha \in [0, 1)$ ，迭代序列 $v(n) = T_\pi^n(\alpha)$ 是 Buck 均匀分布的。

证明逻辑：
1. 将区间 $[0, 1]$ 划分为长度为 $1/B_k$ 的子区间 $I_j^{(k)}$ 。
2. 利用置换的循环性质和中国剩余定理，证明使得 $v(n)$ 落入特定子区间 $I_j^{(k)}$ 的 $n$ 的集合，是一个算术级数（同余类） $r_k + (B_k)$ 。
3. 该集合的 Buck 测度恰好为 $1/B_k$ ，等于区间长度。
4. 根据 Buck 均匀分布的判定准则（引理 2），得出序列是 Buck 均匀分布的。

3.2 保均匀分布性质

引理 8：映射 $T_\pi$ 是保均匀分布的。即如果输入序列 $\{v(n)\}$ 是模 1 均匀分布的，那么输出序列 $\{T_\pi(v(n))\}$ 也是模 1 均匀分布的。这推广了文献 [10] 中的相关结论。

3.3 分析性质：非单调性与不可微性

定理 2：函数 $T_\pi$ 在任何正长度的子区间上都不是单调的。

证明：由于置换 $\pi_{s+1}$ 不是恒等映射，必然存在局部顺序的“翻转”（即 $x_1 < x_2$ 但 $T(x_1) > T(x_2)$ ，反之亦然），导致在任何细分区间内函数既非非减也非非增。

定理 3：在 $[0, 1]$ 的每个子区间内，都存在 $T_\pi$ 不可导的点。

证明：
1. 计算差商极限，发现如果导数存在，其值必须是整数（由置换差值决定）。
2. 如果导数在区间内处处存在，根据 Darboux 定理（导数介值定理），导数必须为常数。
3. 若导数为常数，则函数单调，这与定理 2 矛盾。
4. 进一步推论：如果置换序列满足特定条件（如恒为 $(0, 1, \dots, m_s-1)$ ），则 $T_\pi$ 在 $[0, 1]$ 上处处不可导。

4. 意义与影响 (Significance)

丰富均匀分布理论：本文构造了一类具体的映射，证明了其迭代序列在 Buck 测度意义下的均匀分布性。这扩展了经典 Weyl 均匀分布理论（基于渐近密度）的适用范围，展示了在更广义的测度密度下，动力系统依然可以表现出良好的统计规律性。
连接数论与动力系统：通过 Cantor 级数和置换群，巧妙地将数论中的同余性质（中国剩余定理）与动力系统的迭代行为联系起来，为研究复杂系统的遍历性提供了新的构造工具。
构造奇异函数：该映射 $T_\pi$ 具有“处处非单调”且“几乎处处不可导”（或在特定条件下处处不可导）的特性，类似于 Cantor 函数或 Weierstrass 函数，但具有保分布的优良性质。这类函数在分形几何和奇异测度研究中具有潜在价值。
应用前景：此类映射在伪随机数生成、数值积分（Quasi-Monte Carlo 方法）以及密码学中的序列构造中可能具有应用潜力，因为它们能生成具有良好统计分布特性的序列。

总结：Milan Paštéka 的这篇论文通过精妙的构造，定义了一类基于 Cantor 级数置换的映射，严格证明了其在 Buck 测度下的均匀分布性，并揭示了其独特的非单调和不可微分析性质，为数论中的均匀分布理论和动力系统研究提供了重要的新范例。