[论文解读] Algorithmic Chaos

Paul Vitányi|arXiv (Cornell University)|Mar 7, 2003

Computability, Logic, AI Algorithms参考文献 4被引用 2

一句话总结

本文提出使用柯尔莫哥洛夫复杂度作为形式化度量，以表征确定性系统中的算法随机性，从而为定义和分析混沌行为提供理论框架。通过将确定性与算法复杂性中的随机性联系起来，该方法为识别动力系统中的混沌提供了严谨基础。

ABSTRACT

Many physical theories like chaos theory are fundamentally concerned with the conceptual tension between determinism and randomness. Kolmogorov complexity can express randomness in determinism and gives an approach to formulate chaotic behavior.

研究动机与目标

• 解决物理理论中确定性与随机性之间的概念张力。
• 使用算法复杂性作为随机性的度量，形式化混沌行为。
• 为识别确定性动力系统中的混沌行为建立理论基础。

提出的方法

• 应用柯尔莫哥洛夫复杂度来量化确定性系统中轨迹的随机性。
• 使用算法复杂性作为不可压缩性的度量，以定义混沌动力学。
• 通过不可压缩序列的视角分析确定性系统的行为。
• 建立高算法复杂度与混沌行为之间的对应关系。
• 将混沌表述为确定性演化中算法随机性的存在。

实验结果

研究问题

• RQ1 如何在确定性物理系统中形式化定义算法随机性？
• RQ2 柯尔莫哥洛夫复杂度与混沌动力学之间存在何种关系？
• RQ3 能否通过系统轨迹的不可压缩性来识别混沌行为？
• RQ4 算法复杂性在多大程度上可作为确定性系统中混沌的判据？

主要发现

• 算法混沌的特征是轨迹表现出高柯尔莫哥洛夫复杂度，表明其不可压缩。
• 当确定性系统的轨迹具有算法复杂性时，其行为可与随机性无法区分。
• 该框架基于算法信息理论，为混沌提供了形式化判据。
• 高算法复杂度足以作为识别确定性系统中混沌动力学的充分条件。