3,094
个编辑
更改
跳到导航
跳到搜索
第201行：
第201行： − − 实验发现，针对[[偏好依附网络]]来说，在不同节点规模以及参数下的粗粒化后的宏观网络的不一致性会随着迭代步数的增加都会收敛到0。 第211行：
第209行： + + +
→检验动力学的一致性
## 初始化一个长度为Z+1的分布<math>P_M(t) </math>，表示宏观节点的概率分布, 其中<math>P_M(t) </math>的前Z个位置的数值等于<math>S_M(t)</math>中对应的Z个没有进行粗粒化的节点位置的值，<math>P_M(t) </math>中的第Z+1位置的数值等于<math>1-\sum_{i=1}^Z p^i_M(t) </math>
## 初始化一个长度为Z+1的分布<math>P_M(t) </math>，表示宏观节点的概率分布, 其中<math>P_M(t) </math>的前Z个位置的数值等于<math>S_M(t)</math>中对应的Z个没有进行粗粒化的节点位置的值，<math>P_M(t) </math>中的第Z+1位置的数值等于<math>1-\sum_{i=1}^Z p^i_M(t) </math>
# 使用<math>P_M(t) </math>和<math>P_{M|m}(t) </math>之间的KL散度来衡量其不一致性，若结果为零则动力学一致， 公式为：<math>inconsistency=\sum_{t=1}^T D_{KL}[P_{M|m}(t)||P_M(t)]</math>
# 使用<math>P_M(t) </math>和<math>P_{M|m}(t) </math>之间的KL散度来衡量其不一致性，若结果为零则动力学一致， 公式为：<math>inconsistency=\sum_{t=1}^T D_{KL}[P_{M|m}(t)||P_M(t)]</math>
{{NumBlk|:||{{EquationRef|consistency}}}}
{{NumBlk|:||{{EquationRef|consistency}}}}
实验发现，针对[[偏好依附网络]]来说，在不同节点规模以及参数下的粗粒化后的宏观网络的不一致性会随着迭代步数的增加都会收敛到0。
===定义复杂网络中的因果涌现===
===定义复杂网络中的因果涌现===