更改

在这里，我们考虑的是线性的马尔科夫过程的投影，所以<math>\Phi</math>是一个<math>n \times n</math>的投影矩阵。因此，我们可以定义宏观状态<math>A^{(t)} = s^{(t)} \Phi</math>为微观状态<math>s^{(t)}</math>在宏观空间上的投影。

在这里，我们考虑的是线性的马尔科夫过程的投影，所以<math>\Phi</math>是一个<math>n \times n</math>的投影矩阵。因此，我们可以定义宏观状态<math>A^{(t)} = s^{(t)} \Phi</math>为微观状态<math>s^{(t)}</math>在宏观空间上的投影。

[[文件:Lumpable矩阵粗粒化示例.png|缩略图|500x500像素|图2：矩阵粗粒化示例]]对于任意状态划分 <math>A</math>，我们能够定义一个lumped process，即把微观的动力学轨迹<math>s^{(t)}</math>通过投影矩阵<math>\Phi</math>投影到<math>A</math>的空间上。

[[文件:Lumpable矩阵粗粒化示例.png|缩略图|500x500像素|图2：矩阵粗粒化示例]]对于任意状态划分 <math>A</math>，我们能够定义一个'''简化过程（lumped process）'''，即把微观的动力学轨迹<math>s^{(t)}</math>通过投影矩阵<math>\Phi</math>投影到<math>A</math>的空间上。

比如，我们有某条微观状态序列<math>\{ s^{(1)}, ..., s^{(6)} \}</math> 是 <math>\{ s_1, s_3, s_4, s_2, s_2, s_3  \}</math>，对于投影矩阵<math>\Phi  = \left ( \begin{array}{cc} 1 & 0 \\ 1 & 0 \\ 0 & 1 \\ 0 & 1 \end{array} \right )</math>，我们得到的投影后的宏观状态序列为<math>\{ A_1, A_2, A_2, A_1, A_1, A_2  \}</math>

比如，我们有某条微观状态序列<math>\{ s^{(1)}, ..., s^{(6)} \}</math> 是 <math>\{ s_1, s_3, s_4, s_2, s_2, s_3  \}</math>，对于投影矩阵<math>\Phi  = \left ( \begin{array}{cc} 1 & 0 \\ 1 & 0 \\ 0 & 1 \\ 0 & 1 \end{array} \right )</math>，我们得到的投影后的宏观状态序列为<math>\{ A_1, A_2, A_2, A_1, A_1, A_2  \}</math>

'''''定义1'''''：'''Lumped process'''

'''''定义1'''''：'''简化过程 lumped process'''

'''Lumped process，是微观轨迹在宏观空间上的投影。这种投影可以写作下列公式：'''

'''简化过程（lumped process），是微观轨迹在宏观空间上的投影。这种投影可以写作下列公式：'''

{{NumBlk|:|

{{NumBlk|:|

# 式子3.3：已知历史微观状态<math>\{s^{(0)}, ... , s^{(t-1)} \}</math>对应的宏观状态，那么在时间<math>t</math>的微观状态<math>s^{(t)}</math>属于某个宏观状态<math>A_m</math>的概率；

# 式子3.3：已知历史微观状态<math>\{s^{(0)}, ... , s^{(t-1)} \}</math>对应的宏观状态，那么在时间<math>t</math>的微观状态<math>s^{(t)}</math>属于某个宏观状态<math>A_m</math>的概率；

回想一下图（1）中 微观状态->微观动力学->粗粒化->宏观状态 的这一条路径。我们现在有了微观动力学<math>\{s^{(0)}, ... , s^{(t-1)} \}</math>，也有了微观到宏观的粗粒化过程<math>A</math>。所以式子（3）描述的lumped process正是先走微观动力学再聚合的这条路径的<math>A^{(t)}</math>。它描述了我们从任意一个初始状态<math>s^{(0)}</math>（或状态分布<math>\pi</math>），一直走微观动力学，然后在<math>t</math>时刻做粗粒化得到<math>A^{(t)}</math>的过程。

回想一下图（1）中 微观状态->微观动力学->粗粒化->宏观状态 的这一条路径。我们现在有了微观动力学<math>\{s^{(0)}, ... , s^{(t-1)} \}</math>，也有了微观到宏观的粗粒化过程<math>A</math>。所以式子（3）描述的简化过程正是先走微观动力学再聚合的这条路径的<math>A^{(t)}</math>。它描述了我们从任意一个初始状态<math>s^{(0)}</math>（或状态分布<math>\pi</math>），一直走微观动力学，然后在<math>t</math>时刻做粗粒化得到<math>A^{(t)}</math>的过程。

需要注意的是，虽然任意一个状态划分 <math>A</math>都能走这样的路径，并形成lumped process，但不是所有的这些lumped process都是有意义且满足交换律的。他们不一定能够得出一个宏观动力学来描述式子（3）中微观状态的宏观投影，也不一定会拥有马尔科夫性。

需要注意的是，虽然任意一个状态划分 <math>A</math>都能走这样的路径，并形成简化过程，但不是所有的这些简化过程都是有意义且满足交换律的。他们不一定能够得出一个宏观动力学来描述式子（3）中微观状态的宏观投影，也不一定会拥有马尔科夫性。

我们暂且先不考虑‘失败’的情况，先关注‘成功’的部分。书中接下来就定义了什么叫做成块的划分：

我们暂且先不考虑‘失败’的情况，先关注‘成功’的部分。书中接下来就定义了什么叫做成块的划分：

'''对于一个给定的状态 <math>A</math>，当下列两个条件都满足时，<math>A</math>是一个成块划分（lumpable partition）。'''

'''对于一个给定的状态 <math>A</math>，当下列两个条件都满足时，<math>A</math>是一个成块划分（lumpable partition）。'''

# '''定义1中式子(3)描述的lumped process具有马尔科夫性，即式子(3.3)可写成<math>Pr_{\pi} \left [s^{(t)} \in A_m | s^{(t-1)} \in A_k, ... ,  s^{(1)} \in A_j,  s^{(0)} \in A_i \right ] = Pr_{\pi} \left [s^{(t)} \in A_m | s^{(t-1)} \in A_k \right ]</math>'''

# '''定义1中式子(3)描述的简化过程具有马尔科夫性，即式子(3.3)可写成<math>Pr_{\pi} \left [s^{(t)} \in A_m | s^{(t-1)} \in A_k, ... ,  s^{(1)} \in A_j,  s^{(0)} \in A_i \right ] = Pr_{\pi} \left [s^{(t)} \in A_m | s^{(t-1)} \in A_k \right ]</math>'''

# '''转移概率(transition probability)，即式子(3.3)，对任何微观初始状态(starting vector) <math> \pi </math> 都保持一致'''

# '''转移概率(transition probability)，即式子(3.3)，对任何微观初始状态(starting vector) <math> \pi </math> 都保持一致'''

[[文件:Lumpable和non-lumpable的例子.png|缩略图|图3：对成块的和不成块的矩阵做粗粒化|替代=|600x600像素]]不满足上述两个条件的，都不被定义为成块的划分。也就是说，不是所有的lumped process都是成块的，即使他们的命名方式相似。

[[文件:Lumpable和non-lumpable的例子.png|缩略图|图3：对成块的和不成块的矩阵做粗粒化|替代=|600x600像素]]不满足上述两个条件的，都不被定义为成块的划分。也就是说，不是所有的简化过程都是成块的，即使他们的命名方式（lumpable process v.s. lumped process）相似。

从图3的成块划分的例子中，我们看到对于分组矩阵<math>\Phi = \left ( \begin{array}{cc} 1 & 0 \\ 1 & 0 \\ 0 & 1 \\ 0 & 1 \end{array} \right )</math>，成块的动力学TPM可以找到一个lumped process，而这个lumped process是满足马尔可夫性，且对所有初始状态都保持一致的。也就是说，无论<math>s^{(t)}</math>是什么，<math>\{ s^{(t)}, s^{(t+1)} \}</math>投影到宏观空间上的<math>\{ A^{(t)}, A^{(t+1)} \}</math>的<math> P( A^{(t+1)} | A^{(t)} )</math>都保持一致。

从图3的成块划分的例子中，我们看到对于分组矩阵<math>\Phi = \left ( \begin{array}{cc} 1 & 0 \\ 1 & 0 \\ 0 & 1 \\ 0 & 1 \end{array} \right )</math>，成块的动力学TPM可以找到一个简化过程，而这个简化过程是满足马尔可夫性，且对所有初始状态都保持一致的。也就是说，无论<math>s^{(t)}</math>是什么，<math>\{ s^{(t)}, s^{(t+1)} \}</math>投影到宏观空间上的<math>\{ A^{(t)}, A^{(t+1)} \}</math>的<math> P( A^{(t+1)} | A^{(t)} )</math>都保持一致。

<br />

<br />

对于例子中的不成块的矩阵，我们或许可以给它强制定义一个lumped process的TPM，比如<math> P_1' = \left ( \begin{array}{cc} 0.6 & 0.4 \\ 0.2 & 0.8 \\ \end{array} \right )</math>，但这个lumped process并不能对任何微观初始状态保持一致，只能对<math>s^{(t)} = \pi = \left [ \begin{array}{cc}1 & 0 & 0 & 0 \end{array} \right ]</math>适用。

对于例子中的不成块的矩阵，我们或许可以给它强制定义一个简化过程的TPM，比如<math> P_1' = \left ( \begin{array}{cc} 0.6 & 0.4 \\ 0.2 & 0.8 \\ \end{array} \right )</math>，但这个简化过程并不能对任何微观初始状态保持一致，只能对<math>s^{(t)} = \pi = \left [ \begin{array}{cc}1 & 0 & 0 & 0 \end{array} \right ]</math>适用。

 

 

 

==成块性的充分必要条件==

==成块性的充分必要条件==