11、定时语言与λ - 演算编码相关研究

定时语言与λ - 演算编码相关研究

定时语言的体积、熵与柯尔莫哥洛夫复杂度

在研究定时语言时,我们关注其体积和熵等特征。对于某些情况,通过计算得出相关大小约为 38x38 和 40x40 时:
- #L0.05−(n) ∼12.41n
- #L0.05+(n) ∼13.05n

由此可得 12.41n · 0.05n ≤Vn ≤13.05n · 0.05n,进而得出熵 H 的范围:H ∈[log 0.62; log 0.653] ⊂(−0.69; −0.61)。若取更小的 ε = 0.01,能得到更好的熵估计:H ∈[log 0.6334; log0.63981] ⊂(−0.659; −0.644)。实际上,熵的真实值为 H = log(2/π) ≈ log 0.6366 ≈−0.6515。

为了从信息内容的角度解释定时语言,我们引入柯尔莫哥洛夫复杂度。对于定时单词,由于其可能包含高复杂度的有理延迟甚至不可计算的实延迟,所以我们考虑具有有限精度 ε 的定时单词。若一个定时单词 v 的所有延迟都是有理数,且 w ∈BNEε(v),则称 v 是 w 的有理 ε - 近似。

下面是两个关于柯尔莫哥洛夫复杂度的重要定理:
1. 定理 4 :设 A 是满足 A2 - A4 的定时自动机,L 是其语言,H 是其熵。对于任意有理数 α, ε > 0,以及足够大的 n,存在长度为 n 的定时单词 w ∈L,使得 w 的所有有理 ε - 近似 v 的柯尔莫哥洛夫复杂度满足:K(v|n, ε) ≥n(H + log 1/ε −α)。
- 证明思路 :根据熵的定义

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值