دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: ریاضیات ویرایش: نویسندگان: Sven Banisch سری: Understanding Complex Systems ISBN (شابک) : 3319248758, 9783319248752 ناشر: Springer سال نشر: 2016 تعداد صفحات: 205 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب جمع آوری زنجیره مارکوف برای مدل های مبتنی بر عامل: دینامیک غیرخطی، سیستم های پیچیده، روش های ریاضی در فیزیک، پیچیدگی
در صورت تبدیل فایل کتاب Markov Chain Aggregation for Agent-Based Models به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب جمع آوری زنجیره مارکوف برای مدل های مبتنی بر عامل نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این متن مستقل یک رویکرد زنجیرهای مارکوف را توسعه میدهد که
تجزیه و تحلیل دقیق دستهای از مدلهای میکروسکوپی را که پویایی
سیستمهای پیچیده را در سطح فردی مشخص میکنند ممکن میسازد. این
یک چارچوب کلی از تجمیع در مدلهای محاسباتی مبتنی بر عامل و
مرتبط ارائه میکند، مدلی که از تئوری تودهپذیری و اطلاعات به
منظور پیوند دادن سطوح خرد و کلان مشاهده استفاده میکند. نقطه
شروع یک توصیف میکروسکوپی زنجیره مارکوف از فرآیند دینامیکی در
مطابقت کامل با رفتار دینامیکی مدل مبتنی بر عامل (ABM) است که با
در نظر گرفتن مجموعه ای از تنظیمات عامل ممکن به عنوان فضای حالت
یک مارکوف عظیم به دست می آید. زنجیر. یک نمایش رسمی صریح از یک
"ریز زنجیره" حاصل از جمله نرخهای انتقال میکروسکوپی برای کلاسی
از مدلها با استفاده از نمایش نقشهبرداری تصادفی یک فرآیند
مارکوف به دست میآید. نوع توزیع احتمال مورد استفاده برای اجرای
بخش تصادفی مدل، که قاعده بهروزرسانی را تعریف میکند و دینامیک
را در سطح مارکوفی اداره میکند، نقش مهمی در تجزیه و تحلیل
مدلهای «رایدهندهمانند» مورد استفاده در ژنتیک جمعیت، بازیهای
تکاملی ایفا میکند. نظریه و پویایی اجتماعی این کتاب نشان میدهد
که مشکل تجمع در ABMها - و به ویژه شرایط تودهپذیری - را میتوان
در چارچوب کلیتری قرار داد که از نظریه اطلاعات برای شناسایی
سطوح مختلف و مقیاسهای مرتبط در سیستمهای دینامیکی پیچیده
استفاده میکند
This self-contained text develops a Markov chain approach that
makes the rigorous analysis of a class of microscopic models
that specify the dynamics of complex systems at the individual
level possible. It presents a general framework of aggregation
in agent-based and related computational models, one which
makes use of lumpability and information theory in order to
link the micro and macro levels of observation. The starting
point is a microscopic Markov chain description of the
dynamical process in complete correspondence with the dynamical
behavior of the agent-based model (ABM), which is obtained by
considering the set of all possible agent configurations as the
state space of a huge Markov chain. An explicit formal
representation of a resulting “micro-chain” including
microscopic transition rates is derived for a class of models
by using the random mapping representation of a Markov process.
The type of probability distribution used to implement the
stochastic part of the model, which defines the updating rule
and governs the dynamics at a Markovian level, plays a crucial
part in the analysis of “voter-like” models used in population
genetics, evolutionary game theory and social dynamics. The
book demonstrates that the problem of aggregation in ABMs - and
the lumpability conditions in particular - can be embedded into
a more general framework that employs information theory in
order to identify different levels and relevant scales in
complex dynamical systems
Front Matter....Pages i-xiv
Introduction....Pages 1-10
Background and Concepts....Pages 11-33
Agent-Based Models as Markov Chains....Pages 35-55
The Voter Model with Homogeneous Mixing....Pages 57-82
From Network Symmetries to Markov Projections....Pages 83-107
Application to the Contrarian Voter Model....Pages 109-126
Information-Theoretic Measures for the Non-Markovian Case....Pages 127-155
Overlapping Versus Non-overlapping Generations....Pages 157-175
Aggregation and Emergence: A Synthesis....Pages 177-186
Conclusion....Pages 187-195