复杂 复杂 9.1分

《复杂》读书笔记

莫奈的眼镜
因为学长推荐看的这本书,一开始看目录看到基因、遗传、混沌等词语的时候以为是本很“复杂” 的理论书籍。然而,当真正翻开书的时候,才发现这是一本纪实性科普——对复杂性科学的科普。书中涉及了计算机、数学、物理学、生物学等多个领域的内容,念书的时候学到的概念公式,在这里都发生了联系。神奇!
书的简介和作者就看豆瓣的介绍吧~
【本书内容】
复杂性研究是什么?它想解决怎样的问题?
      还原论喜爱线性,而非线性则是还原论的恶魔。正如一杯酸和碱混合从来不会产生酸碱混合物,而是会中和产生新的化学物质。因此,单单把问题分解是获取不了答案的,需要从系统的角度看待。
复杂系统:由大量组分组成的网络,不存在中央控制,通过简单运作规则产生出复杂的集体行为和复杂的信息处理,并通过学习和进化产生适应性。
基本特征:①自组织:系统有组织的行为不存在内部和外部的控制者或领导者;②涌现:由于简单规则以难以预测的方式产生出复杂的行为。
例子:行军蚁、免疫系统、大脑、社会。由大量简单个体组成,不存在中央控制,每个个体只与少量其他个体交互,最后整体却发现出了非常复杂的行为,并且行为...
显示全文
因为学长推荐看的这本书,一开始看目录看到基因、遗传、混沌等词语的时候以为是本很“复杂” 的理论书籍。然而,当真正翻开书的时候,才发现这是一本纪实性科普——对复杂性科学的科普。书中涉及了计算机、数学、物理学、生物学等多个领域的内容,念书的时候学到的概念公式,在这里都发生了联系。神奇!
书的简介和作者就看豆瓣的介绍吧~
【本书内容】
复杂性研究是什么?它想解决怎样的问题?
      还原论喜爱线性,而非线性则是还原论的恶魔。正如一杯酸和碱混合从来不会产生酸碱混合物,而是会中和产生新的化学物质。因此,单单把问题分解是获取不了答案的,需要从系统的角度看待。
复杂系统:由大量组分组成的网络,不存在中央控制,通过简单运作规则产生出复杂的集体行为和复杂的信息处理,并通过学习和进化产生适应性。
基本特征:①自组织:系统有组织的行为不存在内部和外部的控制者或领导者;②涌现:由于简单规则以难以预测的方式产生出复杂的行为。
例子:行军蚁、免疫系统、大脑、社会。由大量简单个体组成,不存在中央控制,每个个体只与少量其他个体交互,最后整体却发现出了非常复杂的行为,并且行为无法预测。
核心问题:涌现和自组织行为是如何产生的。
目标:发现不同的复杂系统之间的共同原理,从而得到对这些系统的洞察,并产生出分析这些系统的新方法;发展出数学理论,以一般性的方式描述复杂性,并对许多不同系统的现象进行解释和预测。(正如林老师所研究的一般系统结构理论)

网络
基本特征:高度的集群性;不均衡的度分布;中心节点结构。
基本概念:
集群(clustering):网络中存在的内部联系紧密、外部较松散的群体。
度(degree):进出一个节点的边的数量。
中心节点:高连接度的节点。是网络中主要的信息或行为的传递渠道。
分类:
小世界网络(small-world networks):一个网络如果只有少量的长程链接,相对于节点数量来说平均路径却很短,则为小世界网络。e.g. 我的朋友的朋友也很能是我的朋友。
无尺度网络(scale-free networks):所谓无尺度指在不同尺度下具有不变性(类比于分形的自相似)。
特点:
①相对较少的节点具有很高的度(中心节点);②节点连接度的取值范围很大(度的取值多样);③自相似性;④小世界结构;⑤被删除时具有稳健性,即随机删除一些节点,并不会改变网络的基本特性,但中心节点失效后就会非常脆弱。——钟形曲线/正态分布
②举例:大脑、基因调控网络、
③与小世界网络的关系:所有的无尺度网络都具有小世界的特性,但不是所有具有小世界特性的都是无尺度网络。
④产生原理:偏好附连(preferential attachment),网络在增长时,连接度高的节点会比连接度低的节点更有可能得到新的连接。即富者越富,朋友越多的人更可能认识新朋友。

一些感想:
1. 树立“下定义”的意识,但不要强求。
一门新的学科形成的过程,就是不断尝试对其中心概念进行定义的过程。不能因为定义尚未明确就否认科学的存在,毕竟最开始也没有信息、基因等定义,事情永远不是一蹴而就的。

2. 学会建模——用“计算机仿真”模拟现实,研究复杂现象背后的一般机制。
建模的精髓在于掌握合适的数学工具,将复杂问题简单化,并保留问题的本质特征。“建模的艺术就是去除实际中与问题无关的部分。但建模者和使用者都面临着一定的风险。建模者可能会遗漏至关重要的因素;使用者则有可能会太过生硬地理解和使用。”因此,无论是建模者还是使用者,都要注意模型的建立和使用方法。所有的建模实验都必须是可重复的,而且要指出模型的局限性。

3. 混沌系统——“对初始条件的敏感依赖性”
对于初始条件的测量如果有极其微小的不精确,也会导致对其的长期预测产生巨大的误差。
正如蝴蝶效应,放大反馈在我们的系统中无处不在。
引爆点(tipping points):小事件触发加速正反馈,结果小问题导致严重后果。
连锁失效(cascading failure):假设网络中每个节点都负责执行某项工作,如果某个节点失效了,它的工作就会转移到其他节点。这可能会使其他节点负荷过重而失效,然后像多米诺骨牌一样,整个网络崩溃。

4. “哎呀,我怎么没想到呢?”
思想成熟的时候,科学家们会自然而然地独立发现,但一般而言,科学不是单纯的论先后顺序,更容易被后人记住的是那些更有权威更有名声的,是那些把问题阐述的更加清晰的人。譬如同时发现微积分的牛顿和莱布尼茨,同时发现4.6692016的费根鲍姆和科雷特、特雷瑟,同时想到进化论的达尔文、莱尔和马修。

5. 时间之箭——热力学第二定律
热力学第二定律是唯一能够区分过去和未来的基本物理定律。熵总是不断增加直至最大。系统总的熵不会增加,直至可能的最大值;除非通过外部做功,否则它自身永远也不会减少。正如房子不会自己变干净,泼出去的水不会回到杯子里。

6. “小妖在作怪”
物理和精神不是相互独立的,正如麦克斯韦妖的观测能力会对小妖箱产生影响。

7. 极简——奥卡姆剃刀
“如无必要,勿增实体”。人们总是本能地倾向于选择最简单的答案和解决办法。

8. “敲除突变”
阻止随机性的改变后效率反而降低。基因突变不一定是坏事,从某一角度而言,它反而以更快的速度造就了更好的我们。

9. “计算是巨大的”
信息处理是描述生命系统行为的另一种方式。信息处理或计算的框架,能够帮助我们统一在生命系统中发现的一些不同特性。

10. 从随机到确定。
你无法探索所有可能,但如果你不探索它们,你就无法知道哪种可能值得探索。你必须毫无偏见,但需要探索的领域又太大,你需要利用概率来让探索公平。复杂适应系统的共性在于处理模式的逐步转变——从极为随机、并行和自底向上的处理模式变成确定、连贯且集中的模式,逐步发现对情形的一致性认知并让其凝结。

11. 国富论和囚徒困境的冲突
亚当斯密“看不见的手”认为,大量个体只关心自己的私利,却使得整个社会的效益最大化。
囚徒困境(经济学上叫“公地悲剧”)指出群体中的个体由于只顾自身利益,整体上却使得群体所有个体都受损的情形,如全球变暖。
需要补一补国富论的课。

12. AI到底能做到什么?
计算机能够做到许多人类认为需要很高智商的事情,同时它们又不能做到三岁小孩都能做的事情,譬如类比和产生情感。正如Alphago赢了柯洁,可它却不会因此而快乐。 人与计算机中存在着“意义屏障”。AI的终极目标是让人摆脱意义的怪圈,并且让计算机本身能理解意义。

13. “网络思维”
关注事物之间的联系,而不仅仅是事物本身。

一些拓展知识:
【囚徒困境】 (内容较复杂,详见维基百科)
http://wiki.mbalib.com/wiki/%E5%9B%9A%E5%BE%92%E5%9B%B0%E5%A2%83

【逻辑斯第映射】
逻辑斯蒂模型:研究资源环境有限条件下群体数量的增长。
逻辑斯第映射—— 生成伪随机数
现象:对于任何能产生混沌的R值,只要X0有不确定性,无论精确到小数点后面多少位,最终都会在t大于某个值时变得无法预测。R值有三种最终变化位置(吸引子):不动点、振荡和混沌。
结论:非常简单的确定性系统(每个X t有且只有一个确定的X t+1)可能会产生非常随机的结果。 看似混沌的行为可能来自于确定性系统,无需外部的随机源。
“通往混沌的倍周期之路”——不断分叉直至混沌。
现象:均值——2周期振荡——4周期振荡——8周期振荡,直至混沌。
“费根鲍姆常数”
现象:随着周期增大,倍周期分叉点R值之间的距离越来越近,R的收敛速度(分叉靠近的速度)约等于常数4.6692016。随着R的增加,新的周期倍增约比前面的周期倍增出现的速度约快4.6692016倍。
“一个科学家所能遇到的最好的事情,就是头脑中想到的东西在自然界里得到了完美的印证。”
结论:虽然混沌系统的具体变化无法预测,但却存在一些“混沌中的秩序”,这使得在更高的层面上混沌系统是可以预测的。
逻辑斯蒂分叉图
逻辑斯蒂分叉图


【遗传算法】——进化的计算机
生成候选方案的初始群体。随机生成大量个体。
计算当前群体中每个个体的适应度。
选择一定数量适应度最高的个体作为下一代的父母。
将选出的父母进行配对。用父母进行重组产生出后代,伴有一定的随机突变概率,后代加入形成新一代群体。选出的父母不断产生后代,直至新的群体数量达到上限(与初始群体数量一样)。新的群体成为当前群体。
转到第2步。
应用:清扫罐子的罗比机器人、元胞自动机。

【科赫曲线】
将几何结构从各边分成x等分,不断重复这个过程,每次得到的是前一次的 x^维数 个拷贝。
分形维数决定了物体的自相似拷贝的数量,也决定了随着层次的变化,物体总的大小会如何改变,分形维数“量化了物体细节的瀑流”,分形维数越高,你观察的放大率越大,细节越有趣。
科赫曲线
科赫曲线


参考链接:
绝缘儿读书笔记: https://shimo.im/doc/l8YkTeKiJTAhuQI7
Mr.L 书评:https://book.douban.com/review/7345049/

书里面还有一些生物学的不想看了= =
书评是认真写了,可是还是没有《第五项修炼》写的认真,是该说你懒呢还是说你勤快呢?
习惯了先粗粗地翻一遍再细细地看一遍的看书方法。
不顾一切地走啊~
2
0

查看更多豆瓣高分好书

回应(1)

添加回应

复杂的更多书评

推荐复杂的豆列

了解更多图书信息

豆瓣正在热议

豆瓣
我们的精神角落
免费下载 iOS / Android 版客户端
App 内打开