Моделирование процессов образования устойчивых структур с помощью самоорганизующихся клеточных автоматов Летняя школа 2012 Шарифулина Анастасия.

Презентация:



Advertisements
Похожие презентации
Эффективная параллельная реализация асинхронных клеточно-автоматных алгоритмов Калгин Константин ИВМиМГ СО РАН
Advertisements

Клеточно-автоматное моделирование волновых процессов в неоднородной среде Летняя школа по параллельному программированию 2010 Студенты: Риндевич К., Медянкин.
Летняя школа по параллельному программированию 2012 Название проекта: Клеточно-автоматное моделирование синхронного режима разделения фаз с помощью MPI.
Синергетика и компьютерное моделирование. Игра «Жизнь» Один из подходов к моделированию процессов самоорганизации – «клеточные автоматы» – появился благодаря.
где – промежуточный аргумент (внутренняя функция) Пример.
Мелкозернистый параллелизм клеточно-автоматных моделей пространственной динамики Лекция 4 Руководитель: д.т.н., проф., Бандман О.Л. Лектор: к.ф.-м.н.,
Хаос как фактор самоорганизации. Открытые неравновесные системы, активно взаимодействующие с внешней средой, могут приобретать особое динамическое состояние.
Теория автоматов Основные понятия, способы задания, типы автоматов.
Моделирование и исследование мехатронных систем Курс лекций.
Входное воздействие Преобразование входящего воздействия Результат преобразования воздействия Влияние результата на входное воздействие.
УРАВНЕНИЯ С ЧАСТНЫМИ ПРОИЗВОДНЫМИ. Рассмотрим уравнение вида: Здесь - искомая функция.
Нейро-автоматное управление в машинном обучении Выполнил: Губин Ю.А. ст. гр Руководитель: Шалыто А.А. д.т.н, проф., зав. каф. ТП, СПбГУ ИТМО.
10. 3 Повносвязные нейронные сети со смешанным обучением Нейронная сеть Хопфилда ( Hopfield Net)
Тема 4.1. Системный подход в теории организации. Система – целостная совокупность взаимосвязанных элементов, имеющая определенную структуру и взаимодействующая.
КЛАССИФИКАЦИЯ СИСТЕМ. ТРИ ОПИСАНИЯ СИСТЕМ.
Применение метода представления функции переходов с помощью абстрактных конечных автоматов в генетическом программировании Царев Ф. Н. Научный руководитель.
Введение в теорию конечных автоматов. В вычислительной технике используются системы двух классов: -Комбинационные системы Особенности: имеют функциональную.
Разработка методов совместного применения генетического и автоматного программирования Федор Николаевич Царев, гр Магистерская диссертация Научный.
Генерация вероятностных автоматов методами Reinforcement Learning Выполнил: Иринёв А. В. Руководитель: Шалыто А. А.
Федеральное агенство по образованию Бийский технологический институт (филиал) Государственного образовательного учреждения высшего профессионального образования.
Транксрипт:

Моделирование процессов образования устойчивых структур с помощью самоорганизующихся клеточных автоматов Летняя школа 2012 Шарифулина Анастасия

Цель занятия: Знакомство с самоорганизующимися клеточными автоматами. Изучение устойчивых структур, формирующихся с помощью самоорганизующихся клеточных автоматов. Исследование влияния начальных данных и весовых коэффициентов на эволюцию клеточного автомата. 2

Самоорганизация процесс упорядочения элементов одного уровня в системе за счёт внутренних факторов, без внешнего воздействия. В результате такого упорядочения система переходит на новый качественный уровень. Самоорганизация Примеры устойчивых структур в естественной среде: Поверхностные волны в химии Концентрические кольца на минералах пигментные пятна и полосы на шкурах животных

Клеточный автомат со взвешенными шаблонами (a,x)(a,x) Клеточный автомат определяется множеством клеток (а, х), где а – это состояние клетки, а A = {0, 1} х – имя клетки (координата), х Х = {(i, j): i =1…X i, j =1...X j } Новые состояния клеток вычисляются по правилам переходов: T(x) – шаблон моделирования, определяет координаты соседних клеток, в зависимости от которых вычисляется новое состояние клетки (a, x). w k – весовые коэффициенты (a,x)(a,x) T 5 (x) T 9 (x)

Структура матрицы весов W B×B = nnnnnnn npppppn npppppn npppppn npppppn npppppn nnnnnnn n < 0 – ингибитор p > 0 – активатор B – размер шаблона Т(х) Параметры клеточно-автоматного моделирования Х i × Х j = 200×200 клеток Начальное состояние: в центре массива один зародыш Зародыш – это клетка с состоянием а = 1 5 Размер клеточного массива:

Режимы функционирования клеточного автомата Синхронный режим предполагает, что аргументы функции переходов - это состояния клеток-соседей на текущей итерации t. На каждой итерации клетки вычисляют значения нового состояния и, затем все клетки одновременно заменяют старые состояния на новые. При асинхронном режиме каждая клетка вычисляет функцию перехода от текущих значений состояний соседей и сразу меняет свое состояние. Итерация разбивается на X i · X j шагов, на каждом шаге τ правила переходов вычисляются только для одной клетки. Порядок выбора клеток – случайный.

Разделение фаз A = {0, 1} (a,x)(a,x) Х = {(i, j): i =1…X i, j =1...X j }