更改

在Hoel的原始论文<ref name="hoel_2013"/>中，所有的微观动力学都是针对布尔网络中的每个变量（即节点）定义其微观动力学机制完成的。而为了计算布尔网络的有效信息和因果涌现度量，我们必须要将这种微观动力学机制转变为系统整体的概率转移矩阵（即TPM）。因此，这里的一个关键问题是，如何将一个定义在局部变量上的动力学机制，转变为一个全局的TPM。这里给出一种一般性的算法：

在Hoel的原始论文<ref name="hoel_2013"/>中，所有的微观动力学都是针对布尔网络中的每个变量（即节点）定义其微观动力学机制完成的。而为了计算布尔网络的有效信息和因果涌现度量，我们必须要将这种微观动力学机制转变为系统整体的概率转移矩阵（即TPM）。因此，这里的一个关键问题是，如何将一个定义在局部变量上的动力学机制，转变为一个全局的TPM。这里给出一种一般性的算法：

'''输入'''：有向图形式的布尔网络G（包括N个节点、连边），微观动力学机制（即，节点对父节点输入的响应机制）；'''输出'''：微观态全局的概率转移矩阵P

'''输入'''：有向图形式的布尔网络G（包括N个节点、连边），节点动力学机制（即，单个节点对父节点输入的响应机制）；'''输出'''：布尔网络G全局概率转移矩阵P

# 生成布尔网络的状态空间，共有微观态<math>2^N</math>个，N为节点数

# 生成布尔网络的状态空间，共有状态数<math>2^N</math>个，N为网络中的节点数

# 初始化概率转移矩阵<math>P</math>，大小为<math>2^N * 2^N</math>，<math>P_{ij}</math>为第i个状态转移到第j个状态的转移概率

# 初始化全局概率转移矩阵<math>P</math>，大小为<math>2^N * 2^N</math>，<math>P_{ij}</math>为第i个全局状态转移到第j个全局状态的转移概率

# 遍历当前时刻每个微观态i，遍历下一时刻每个微观态j，计算i->j的转移概率<math>P_{ij}</math>

# 遍历当前时刻每个全局状态i，遍历下一时刻每个全局状态j，计算i->j的转移概率<math>P_{ij}</math>

## 遍历每个节点n，获取它的父节点及其状态。

## 遍历每个节点n，获取它的父节点及其状态

## 获取微观态j中节点n的状态next_state，根据父节点状态，应用微观动力学机制，计算下一时刻节点n状态为next_state的概率<math>p(n)</math>

## 获取j中节点n下一时刻状态next_state，根据上一步获取的父节点状态，应用该节点的动力学机制，计算n转移至next_state的概率<math>p(n)</math>

## 各节点的转移概率相互独立，因此<math>P_{ij} = \prod_{n=1}^{N} p(n)</math>

## 各节点到下一时刻状态转移概率是相互独立的，因此全局状态i转移至j的概率是所有节点<math>p(n)</math>的乘积，即<math>P_{ij} = \prod_{n=1}^{N} p(n)</math>

# 行归一化<math>P</math>并输出

# 行归一化<math>P</math>，完成由局部节点机制得到全局概率转移矩阵