更改

=== 逻辑斯谛映射 ===

=== 逻辑斯谛映射 ===

接下来将采用具体的方法来演示如何将计算力学的理论应用于实际案例<ref name=":1">James P. Crutchfield. The Calculi of Emergence: Computation, Dynamics, and Induction. SFI 94-03-016. 1994</ref>，要演示的是混沌动力学中的[[Logistic映射|逻辑斯谛映射]](logistic map)，特别是其周期倍增的混沌路径。用于重建模型的数据流来自逻辑斯谛映射的轨迹，轨迹是通过迭代映射<math>x_{n+1}=f(x_n)</math>生成的，迭代函数为<math>f(x) = rx(1-x)</math>，其中非线性参数<math>\begin{matrix}r&\in&[0,4]\end{matrix}</math>，初始条件<math>x_0\in[0,1]</math>，迭代函数的最大值出现在<math>x_c = \frac12</math>。

接下来将采用模型重构的算法来演示如何将计算力学的理论应用于实际案例<ref name=":1">James P. Crutchfield. The Calculi of Emergence: Computation, Dynamics, and Induction. SFI 94-03-016. 1994</ref>，要演示的是混沌动力学中的[[Logistic映射|逻辑斯谛映射]](logistic map)，特别是其周期倍增的混沌路径。用于重建模型的数据流来自逻辑斯谛映射的轨迹，轨迹是通过迭代映射<math>x_{n+1}=f(x_n)</math>生成的，迭代函数为<math>f(x) = rx(1-x)</math>，其中非线性参数<math>\begin{matrix}r&\in&[0,4]\end{matrix}</math>，初始条件<math>x_0\in[0,1]</math>，迭代函数的最大值出现在<math>x_c = \frac12</math>。

[[文件:逻辑斯谛曲线.jpg|居中|无框|300x300px|替代=]]

[[文件:逻辑斯谛曲线.jpg|居中|无框|300x300px|替代=]]

上图为迭代函数<math>f(x) = rx(1-x)</math>中<math>r</math>与<math>x</math>的关系图，当<math>r＜3.5699...</math>时函数存在倍周期现象，当<math>r＞3.5699...</math>时会出现混沌现象。由于观察者观测的精细程度有限，若要识别混沌中的有序结构，就需要对<math>x</math>进行粗粒化操作，方法是通过二元分割观察轨迹<math>\mathbf{x}=x_0x_1x_2x_3\ldots </math> ，将其转换为离散序列<math>\mathcal{P}=\{x_n\in[0,x_c)\Rightarrow s=0,x_n\in[x_c,1]\Rightarrow s=1\} </math>，这种划分是“生成”的，这意味着足够长的二进制序列来自任意小的初始条件间隔。因此，可以使用粗粒化的观测<math>\mathcal{P} </math>来研究逻辑斯谛映射中的信息处理。

上图为迭代函数<math>f(x) = rx(1-x)</math>中<math>r</math>与<math>x</math>的关系图，当<math>r＜3.5699...</math>时函数存在倍周期现象，当<math>r＞3.5699...</math>时会出现混沌现象。由于观察者观测的精细程度有限，若要识别混沌中的有序结构，就需要对<math>x</math>进行粗粒化操作，方法是通过二元分割观察轨迹<math>\mathbf{x}=x_0x_1x_2x_3\ldots </math> ，将其转换为离散序列<math>\mathcal{P}=\{x_n\in[0,x_c)\Rightarrow s=0,x_n\in[x_c,1]\Rightarrow s=1\} </math>，这种划分是“生成”的，这意味着足够长的二进制序列来自任意小的初始条件间隔。因此，可以使用粗粒化的观测<math>\mathcal{P} </math>来研究逻辑斯谛映射中的信息处理。

=== 模型升级 ===

=== 模型升级 ===

下面三张图展示了模型重构进化的一种路径。下图（a）为逻辑斯谛映射在<math>H_c </math>（<math>r=3.5699...</math>）处，序列长度<math>L=16 </math>时用斑图重构机器重构后的47个状态路径图。图中每条闭合的链路长度都是16步，例如初始圆圈-1-3-5-9-12-16-19-21-23-27-31-35-39-41-43-45这条路径，它的总步数为16，每两步之间的数字是通过二元分割生成的采样结果，每个分支代表它经历了一次伯努利随机过程。但是图（a）捕捉到的规律并不明显，我们将它进行一个简单的转换，用每两步之间的数字组成的序列替换机器中未分支的路径后就是图（b），图（b）中的分支状态相当有规律，更进一步将图（b）升级为用字符生成器来描述增长的规律性，如图（c）所示，有限自动机有两种状态（原有类型用圆圈表示，新类型用方块表示）和两个寄存器 A 和 B，A 和 B用于保存二进制字符串，初始状态 A 中保存的是0，B中保存的是1，B'表示对保存在B中的字符串的最后一位取反。观察一下图（b）就会发现字符串操作可以通过将 A 的内容副本附加到 B 上，并用 B 的内容的两个副本替换 A 的内容来描述。这些字符串在方块处迭代，迭代式表示为 A→BB 和 B→BA。例如图（c）中从起始点-2-4-7-13这条链路，起始字符是1，可以用B描述，在4-7处发生变化，用B'描述，在7处产生了新的类型，B中字符变为10，在这B'就是11，依此类推，就得到了图（c）。显然（c）的方式比（a）的方式更加节省计算资源，它的描述能力也更强。[[文件:机器升级状态结构图.jpg|居中|无框|1000x1000像素]]

以上三张图展示了模型重构进化的一种路径。上图（a）为逻辑斯谛映射在<math>r=3.5699...</math>处，序列长度<math>L=16 </math>时用斑图重构机器重构后的47个状态路径图。它捕捉到的规律并不明显，我们将它进行一个简单的转换，用相应的序列替换机器中未分支的路径后就是图（b），图（b）中的分支状态相当有规律，更进一步将图（b）升级为用字符生成器来描述机器增长的规律性，如图（c）所示，有限自动机有两种状态（原有类型用圆圈表示，新类型用方块表示）和两个寄存器 A 和 B，A 和 B用于保存二进制字符串，初始状态 A 中保存的是0，B中保存的是1，B'表示对保存在B中的字符串的最后一位取反。观察一下图（b）就会发现字符串操作可以通过将 A 的内容副本附加到 B 上，并用 B 的内容的两个副本替换 A 的内容来描述。这些字符串在方块处迭代，迭代式表示为 A→BB 和 B→BA。例如图（c）中从起始点-2-4-7-13这条链路，起始字符是1，可以用B描述，在4-7处发生变化，用B'描述，在7处产生了新的类型，B中字符变为10，在这B'就是11，依此类推，就得到了图（c）。显然（c）的方式比（a）的方式更加节省计算资源，它的描述能力也更强。

== 计算力学与因果涌现理论的相似性 ==

== 计算力学与因果涌现理论的相似性 ==