812
个编辑
更改
→问题拆分
##* 信息闭合：宏观状态包含预测自身未来所需的全部信息，微观状态不会提供额外的预测信息
##* 信息闭合：宏观状态包含预测自身未来所需的全部信息，微观状态不会提供额外的预测信息
##* 计算闭合：宏观动力学更新可以完全在宏观层面上进行计算，无需显式访问微观状态
##* 计算闭合：宏观动力学更新可以完全在宏观层面上进行计算，无需显式访问微观状态
## '''聚合转出模式相似的状态'''：
##* 将转出概率模式相似的状态划为一组
##* 将稳态下出流模式相似的状态划为一组
# '''方法 / 算法（Methods / Algorithms）'''：怎样在给定目标和约束下找到一个好的划分 <math>\Phi</math>
# '''方法 / 算法（Methods / Algorithms）'''：怎样在给定目标和约束下找到一个好的划分 <math>\Phi</math>
## '''划分方法'''：确定状态的分组方式。包括逐层贪婪算法、谱分解方法（对 <math>F</math> 或 <math>P</math> 做 SVD + K-Means 聚类）、遗传算法、GNN 参数化划分等。不同的划分方法隐含了不同的优化目标——例如，对 <math>F</math> 做 SVD 后聚类右奇异向量是为了恢复成块结构，而对 <math>P</math> 做 SVD 后聚类降维行向量是为了最大化动力学可逆性。
## '''划分方法'''：确定状态的分组方式。包括逐层贪婪算法、谱分解方法（对 <math>F</math> 或 <math>P</math> 做 SVD + K-Means 聚类）、遗传算法、GNN 参数化划分等。不同的划分方法隐含了不同的优化目标——例如，对 <math>F</math> 做 SVD 后聚类右奇异向量是为了恢复成块结构，而对 <math>P</math> 做 SVD 后聚类降维行向量是为了最大化动力学可逆性。