470
个编辑
更改
增加2个算法的初始内容
=== 生成算法 ===
=== 生成算法 ===
== 厄普西隆(ϵ)机器 ==
* 将微观态历史序列转换成字符串序列，允许使用二进制或数字加字母；
* 使用随机变量转确定过程算法将字符串序列映射到无限微观状态空间。<math>\sigma(\omega_1\omega_2\omega_3\dots) \mapsto \omega_2\omega_3\omega_4\dots</math>；
* 引入编号机制，将字符串序列进行排序；
* 确定起始时刻t，
== 厄普西隆机器 ==
厄普西隆机器（ϵ-machine）
厄普西隆机器（ϵ-machine）
=== 算法步骤 ===
=== 算法步骤 ===
1. 在最低水平上，设定0级模型为描述数据本身，即M<sub>0</sub>=s<sub>1</sub>s<sub>2</sub>s<sub>3</sub>...；
2. 从更低模型重构模型M<sub>l</sub>=M<sub>l-1</sub>/~，其中~表示l级上的因果等价类；操作的含义是，在l-1级上被区别对待的状态在l级上可以被视为同一个因果态。此时S和T都更新了；
3. 收集更多的数据，增大序列长度L，得到更加精确的一系列模型M<sub>l</sub>；
4. 如果随着L增大，模型的复杂度发散，即<math>\lVert M_l \rVert \to \infty</math>，那么回到第二步，得到更高级模型M<sub>l+1</sub>；
5. 如果模型复杂度收敛，意味着重建好了一个合适的ϵ-机器，程序退出。
== 实例 ==
== 实例 ==
== 编者推荐 ==
== 编者推荐 ==
计算力学和因果涌现关系密切，计算力学借鉴了因果涌现大量的概念、算法以及模型，并提出了因果态和统计复杂度概念和涌现的量化方法。下面是一些链接能够帮助读者更好的了解因果涌现的相关信息：
=== 因果涌现读书会 ===
=== 因果涌现读书会 ===