5,443
个编辑
更改
跳到导航
跳到搜索
第328行：
第328行： − 基于状态空间的计算需要给定微观状态的概率转移矩阵，以及状态的+ 第368行：
第368行： − # ========================== − # 给定粗粒化方案 − # ========================== 第481行：
第478行： + − # ==========================+ − # 贪婪算法寻找最优粗粒化方案（来源：https://github.com/jkbren/einet）+ − # ==========================+
→代码实现
这里分别针对上述状态空间和变量空间的因果涌现实例，提供了计算微观、宏观层次有效信息的python代码，以供参考。
这里分别针对上述状态空间和变量空间的因果涌现实例，提供了计算微观、宏观层次有效信息的python代码，以供参考。
基于状态空间的计算需要:给定微观状态的概率转移矩阵，以及把粗粒化方案；基于变量空间的
python:<syntaxhighlight lang="python3">
python:<syntaxhighlight lang="python3">
return Win_entropy - Wout_average
return Win_entropy - Wout_average
# 状态空间的宏观TPM生成，以及有效信息计算
# 状态空间的宏观TPM生成，以及有效信息计算
micro_ei, macro_ei = calc_bn_ei(micro_mech, micro, edges, elem_group, mech_group)
micro_ei, macro_ei = calc_bn_ei(micro_mech, micro, edges, elem_group, mech_group)
CE = macro_ei - micro_ei
CE = macro_ei - micro_ei
</syntaxhighlight>
以上是给定粗粒化方案的有效信息和因果涌现计算。一些复杂网络的粗粒化方案通常不是很容易看出，可以基于算法来得到有效信息更大的粗粒化方案，例如贪婪算法，算法实现拆解可参考[[复杂网络中的因果涌现]]（代码来源：https://github.com/jkbren/einet）。
python:<syntaxhighlight lang="python3">
# 需要在Github下载ce_net.py
# 需要在Github下载ce_net.py
from ce_net import *
from ce_net import *