Ich stieß auf Alex Wissner-grog und seine Theorie des intelligenten Verhaltens in seinem Ted Talk, der hier verlinkt war.
Ich habe versucht, das scholastische Papier zu lesen, das Hier verlinkt ist, was mit seiner Präsentation zusammenhängt, aber ich weiß nicht, Ich habe genug Verständnis für Mathematik und Physik, um wirklich zu verstehen, was vor sich geht, und noch wichtiger, wie ich diese Gleichung in Python reproduzieren kann.
Es gibt ein paar einzigartige Modelle für die Entropiemaximierung, die ich in Python gefunden habe, aber ich weiß nicht, wie man sie einrichtet und ob sie mit der Wissner-Brutto-Gleichung identisch sind.
Scipy: MaxEntropy
Angenommen, diese Gleichungen sind verschiedene Formen der Wissner-Gleichung und verwenden eine Bibliothek über oder eine andere Bibliothek, wie richte ich einen Entropie-Maximierungsalgorithmus ein.
Besonders
Die Frage ist ziemlich allgemein gehalten, und leider glaube ich nicht, dass diese Antwort Ihnen so viel von einer Lösung geben wird, auf die Sie vielleicht gehofft haben.
Zunächst scheint es, dass Ihre Annahme, dass diese Gleichungen verschiedene Formen der Wissner-Gleichung sind, schlecht ist.
Nachdem ich das Papier durchgeblättert habe, scheint es, dass das Modell für das, was sie als kausale entropische Kraft ( F ) bezeichnen, einige Komponenten mit den maximalen Entropiemodellen teilt ( nicht überraschend), für die Sie einige Bibliotheken gefunden haben. Um jedoch zu sehen, wie diese Bibliotheken in einer Implementierung von kausalen entropischen Zwängen verwendet werden können, müssen Sie sich das Papier ansehen und herausfinden, wie die verschiedenen Ausdrücke mit Komponenten übereinstimmen / teilen. Ich bezweifle, dass irgendwer hier das für dich tun wird. Der Wikipedia-Artikel über die maximale Entropie kann Ihnen dabei helfen, die Beziehung zu finden.
Um mit der Animation und der Bewegung anzufangen, empfehle ich eine Einführung in die Sprite-Animation, zum Beispiel diese a>. Dies wird Ihnen helfen, ein Gefühl dafür zu bekommen, wie Objekte in einem Raum mithilfe von Code verschoben werden.
Bearbeiten
Das ergänzende Material des Papiers ist auf jeden Fall einen Blick wert enthält einige Pseudocode. Auch die Referenz [12] in der Zeitung lautet wie folgt:
Unsere Allzweck-Simulations-Software für kausale entropische Kräfte wird für die Exploration auf Ссылка
zur Verfügung gestellt
Ich habe versucht, die Ideen aus diesem Vortrag etwas simpel anzuwenden.
Mein imaginäres System hatte eine Variable mit zusätzlichem einheitlichem Rauschen und positiver Rückkopplung. Denken Sie an den Winkel eines Stocks, der auf einem Stock im Schwerkraftfeld balanciert wird. Die Entwicklung meines imaginären Systems in einem Tick der Zeit wurde als
beschrieben %Vor%Wenn ich diese Simulation durchführe, geht Theta schnell zu PI oder -PI und schwankt dort.
Jetzt stelle ich die Vorstellung von Kicks vor (hier machen wir entweder nichts oder treten das System nach links oder rechts, 5 mal härter als das Rauschen):
%Vor%Schließlich kommen wir zur Hauptschleife. Bei jeder Iteration betrachtet die folgende Vorrichtung eine Möglichkeit, dem System einen Tritt zu geben und berechnet eine (hoffentlich) mit einer Vielfalt möglicher Zukunft korrelierte Metrik (nicht Entropie wie in der ursprünglichen Frage):
%Vor%Und hier ist die tatsächliche Umsetzung der Metrik:
%Vor%Zuerst berechnet es die Wahrscheinlichkeitsverteilung möglicher Systemzustände. Dann verwenden wir numpy.hist (), um die gesamte Verlaufsentwicklung von Theta in 10 Bins zu sortieren. Dann berechnen wir eine Standardabweichung über alle Bins. Es ist nicht unbedingt die beste Metrik, aber es scheint Arbeit als Baseball-Schätzung.
Hier sehen Sie, wie die Ausgabe (mit zusätzlichen Debugging-Informationen) aussieht:
%Vor%Die obige Simulation wurde gemacht mit:
%Vor%Ich verstehe, dass nicht genau die Mathematik in der Originalarbeit folgt, sondern (eher ungenau) seine allgemeine Idee verwendet.