引力为何与距离的平方成反比？平方反比有何特殊意义？

Posted 2023-04-06

　　引力与距离呈平方反比定律，或许正说明我们的宇宙空间是三维的。

　　物理学中有四种基本力，其中强力和弱力只在微观尺度有效，电磁力和万有引力的作用范围是无限的，而且电磁力和万有引力都满足平方反比定律，实现生活中还有很多物理现象满足这一规律，比如灯泡的光照强度也是和距离平方成反比。

　　

　　平方反比定律指的是物体或者粒子的强度，与距离的平方呈线性衰减，为了证明库伦力和万有引力严格遵循平方反比定律，实验科学家花了不少心血；万有引力非常微弱，使得万有引力的测量非常困难，但是库伦力很容易测量，目前科学家对库仑力指数的测量精度，已经达到了2±10^-10。

　　

　　假如电磁相互作用不严格遵循平方反比定律，那么光子的静止质量将不严格为零，真空中的光速也将不固定，电荷也将不守恒，这会使得现有的整个物理学大厦坍塌，所以平方反比定律对于物理学来说非常重要。

　　电磁力和万有引力在形式上的这种相似性，是否存在更本质的原因，目前还有待人们去探寻，我们不妨从空间维度出发，来简单探讨下平方反比定律。

　　首先，电磁力和万有引力都可以用“场”来描述，分别叫做电磁场和引力场，场是物质的一种，它真实存在，而且有能量有动量，这是物理学中一个非常重要的概念，一旦离开了场，我们会发现很多物理问题变得棘手。

　　

　　比如做加速运动的电荷会辐射电磁波，从而使自身受到一个阻尼力，这个力就没有反作用力；还有假如太阳发生超新星爆炸，地球要8分钟后才受影响，那么在这8分钟之内，地球受到的引力也没有反作用力，而且动量守恒定律也将被破坏。如果其中引入电磁场施加了反作用力，以及引力场带走了动量，那么这两个问题就能轻松得到解决。

　　有了场的概念，我们再来看平方反比定律就容易很多，一个点质量激发的引力场是向四周扩散的，无论扩散多远，场的矢量加起来都应该和初始时一致，因为场是物质，在电磁场中就对应高斯定律（磁场∮BdA=0，电场∮EdA=q/ε）。

　　

　　我们把场想象成一个点光源，并且向三维空间中发射光子，距离发散点的半径为r时，发散面的面积为A=4πr^2，于是光子的扩散密度和距离平方呈反比，这或许就是平方反比的物理意义。

　　这一切都得益于我们宇宙空间是三维的，或者说电磁相互作用和万有引力在三维空间中传播，这个定律其实也可以利用数学推广到任意维度N，在N维度扩展的场强强度，与r^（N-1）呈反比。

　　

　　所以大自然偏好平方反比定律是有着深刻原因的，至于强力和弱力，由于只在微观尺度有效，而且形式更为复杂，在超弦理论中描述还有七个维度蜷缩在微观世界，这之间是否存在联系谁也说不清楚。

参考技术A 与距离的平方成反比与速度的平方同属于一种熵，单位焦耳，地球引力方向是36O℃的方向，因此是万有引力与距离的平方成反比！即oA=oA（oB）=oBxoB，也就是万有引力与距离平方成反比同质能方程、动能方程、加速度同属于一种原理！ 参考技术B 因为距离的大小时时刻刻都会限制物体的吸引的，效果很强，所以成平方关系，特殊意义就是对于物理理论有促进作用 参考技术C 因为所有的力都是矢量，也就意味着力有大小还有方向，根据伯特兰定理，引力会随着距离的增加而减弱，所以引力与距离的平方成反比，平方反比和真实的引力强度并没有直接的关联性，也并没有任何的特殊意义。 参考技术D 平方反比定律指的是物体或者粒子的强度,与距离的平方成线性衰减,为了证明库伦力和万有引力严格遵循平方反比定律,实验科学家花了不少心血;万有引力非常微弱,使得万有引力的测量非常困难,但是库伦力很容易测量,目前科学家对库仑力指数的测量精度,已经达到了2±10^-10。

图像增强基于matlab GSA灰度图像增强含Matlab源码 1172期

一、简介

基于matlab GSA灰度图像增强：引力搜索算法（GSA）是一种基于引力和质量相互作用定律的优化算法。该算法基于牛顿引力：“宇宙中的每个粒子都以与力乘积成正比的力吸引每个其他粒子。它们的质量与它们之间的距离的平方成反比”。

二、源代码

% Using the Regional Similarity Transformation Function and Dragonfly Algorithm. 

%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%THIS IS A DEMO FOR NOVEL IMAGE ENHANCEMENT USING GRAV脻TAT脻ONAL SEARCH ALGORITHM 
clc;
clear all;
close all;

%READ IMAGE
i=imread('test5.bmp');
i=imresize(i,1);  

%--------------------------------------------------------------------------
%GLOBAL MEAN
frekans=zeros(256,1);

% It records by counting how many times each pixel value is.

for k=1:size(i,1)
    for l=1:size(i,2)

        value=i(k,l);
       frekans(value+1)=frekans(value+1)+1; 

    end
end
deger=max(frekans);
for k=1:256
    if deger==frekans(k)
        D=k;
    end
end
D=double(D/255);
image = im2double(i);
global_mean = D;
%--------------------------------------------------------------------------
% LOCAL MEAN
Bmean = mean_n(image);
%--------------------------------------------------------------------------
%SIMILARITY
[S]=similarity(i);
B=double(S);
%--------------------------
C = std_n(image,Bmean);
im_size = size(image);
%-------------------------------------------------------------------------
%OPTIMIZATION PARAMETERS
N=15; % Agent number;
Max_iteration=15;
%-------------------------------------------------------------------------
%CALL FUNCTION 

[parameters Fbest BestChart MeanChart] = GSA_enhancement2(image,global_mean,B,C,im_size, N, Max_iteration);

enh = trans(i,image, B, C, global_mean, parameters(1),parameters(2),parameters(3),parameters(4) );

function [S]= similarity(x)


[xlen ylen] =size(x);

S=zeros(xlen, ylen);

for i=2:1:xlen-1
    for j=2:1:ylen-1
        
            %--------------------------------------------------------
        %Getting the values in the mask
        maskGray=zeros(1,9) ;
        resim=zeros(1,9) ; 
          for b=1:9;
          [m]=ikomsu(b,i);
          [n]=jkomsu(b,j);
          [res]=resimdemi(m,n,xlen,ylen);
          resim(b)=res;
                        if(resim(b)==1)
                            gray= x(m,n); 
                            maskGray (b) =gray;
                        else
                            maskGray (b) =0;
                        end
          end
  % Distance and similarity are calculated between 9 pixels in the mask and the result is determined.
       DN=150;
       sim=0;
       sum=0;
      for b=1:9
                   sim (b)=similarity1(maskGray(b),maskGray(9),DN);
                   sum=sim(b)+sum;    
      end
         %---------------------------------------------------------
     
         
          S(i,j)=sum/9;
          
              
    end
end 


end
%------------------------------------------------------------------------
%FUNCTIONS
%-----------------------------------------------------------------------
function [ res ] = resimdemi(x,y,w,h )

 if(x<1 || x>w-1 || y<1 || y>h-1)
    res=0;
 else
    res=1;


 end
end
 function [x] = ikomsu( komsuno, i)


 if(komsuno ==1)
     x=i-1;
 elseif(komsuno ==2)
    x= i;
 elseif(komsuno ==3)
    x= i+1;
 elseif(komsuno ==4)
    x= i-1;
 elseif(komsuno ==5)
    x= i+1;
 elseif(komsuno ==6)
   x= i-1;
 elseif(komsuno ==7)
   x= i;
 elseif(komsuno ==8)
   x= i+1;
 elseif(komsuno ==9)
    x=i;
 else
 x=0;
 end


 end

 function [y] = jkomsu( komsuno, j )

 if(komsuno ==1)
    y= j-1;
 elseif(komsuno ==2)
    y= j-1;
 elseif(komsuno ==3)
   y= j-1;
 elseif(komsuno ==4)
   y= j;
 elseif(komsuno ==5)
   y= j;
 elseif(komsuno ==6)
   y= j+1;
 elseif(komsuno ==7)
   y= j+1;
 elseif(komsuno ==8)
   y= j+1;
 elseif(komsuno ==9)
    y= j;
 else
   y=0;
 end


 end

 
function [sim] = similarity1( k, o, DN)

 
 a=0;b=0;c=0;
 a=abs(k-o);
%  b=(abs(l-p))^2;
%  c=(abs(m-r))^2;
%  //Distance calculation based on the Euclidean relation
 dist=a;

% %  //Calculation of similarity based on linear function
 arahes=dist/DN;
 sim=1 - arahes;
%  sim=exp(-dist/DN);


end

三、运行结果

四、备注

版本：2014a