5,443
个编辑
更改
→代码
== 代码 ==
== 代码 ==
这里分别针对上述状态空间和变量空间的因果涌现实例，提供了计算微观、宏观有效信息的python代码，以供参考。
基于状态空间的计算需要：给定微观状态的概率转移矩阵，以及将微观状态对应到宏观状态的粗粒化方案；基于变量空间的计算需要指定微观布尔机制（是否带有噪声），微观元素个数，每个微观元素的输入元素，粗粒化方案包括元素分组方式和二元状态的分组方式。详见代码中示例。
python:<syntaxhighlight lang="python3">
python:<syntaxhighlight lang="python3">
</syntaxhighlight>
</syntaxhighlight>
以上是给定粗粒化方案的有效信息和因果涌现计算。一些复杂网络的粗粒化方案通常不是很容易看出，可以基于算法来得到有效信息更大的粗粒化方案，例如贪婪算法，谱分解算法，算法实现步骤拆解可参考[[复杂网络中的因果涌现]]（代码来源：https://github.com/jkbren/einet）。
python:<syntaxhighlight lang="python3">
python:<syntaxhighlight lang="python3">
G = check_network(micro_tpm)
G = check_network(micro_tpm)
# causal_emergence: the function defined in ce_net.py, optimizing the coarse-graining methods using greedy algorithm.
# causal_emergence: the function defined in ce_net.py
# optimizing the coarse-graining methods using greedy algorithm.
CE = causal_emergence(G)
CE = causal_emergence(G)
# optimizing the coarse-graining methods using spectral algorithm.
CE = causal_emergence_spectral(G)
EI_gain = CE['EI_macro'] - CE['EI_micro']
EI_gain = CE['EI_macro'] - CE['EI_micro']