realita je příliš složitá, než aby šla popsat pomocí rovnic
přírodní systémy jsou velmi složité, obsahují chaotickou složku a mají velkou odezvu na malé podněty
celek je více, než jen pouhý souhrn svých částí
systémy se modelují “odspodu”
→ lokální interakce
shora modeluje systémový model
zdola modeluje celulární automat
používají se pro modelování komplexních systémů
komplexní systém je to, čemu nerozumíme
historie
John von Neumann
chtěl navrhnout stroj, který by upravoval a kontroloval sám sebe
Neumann navrhl samoreprodukující se automat a přitom došel k závěru, že na své nejnižší úrovni vede komplexita (složitost) ke degeneraci. To znamená, že automat, který tvoří jiné automaty, je tvoří v jednodušší formě než je on sám. Ovšem nad určitou minimální úrovní toto přestává platil a automat dokáže udržovat sám sebe.
vytvořil automat se 29 stavy, 200 000 buňkami
rozdělil prostor na buňky kde je každá buňka charakterizovaná svým počátečním stavem → tento počáteční stav se mění po jednotlivých iteracích podle evolučního pravidla
každá buňka představuje konečný automat
Burks a Holland
pokračovali s tím po Neumannovi až umřel
Holland - genetické algoritmy
definice
časově i prostorově diskrétní modelování fyzikálních systémů, kde veličiny nabývají pouze diskrétních hodnot v průběhu času
= dynamické systémy, diskrétní v prostoru i čase, pracující v pravidelné mřížce a jejich chování je dáno prostorovými interakcemi
CA mají pravidelnou n-dimenzionální mřížku, kde každá buňka má určitý stav (nejčastěji N=2)
konečný automat
(S, ε, σ, s, A)
S je množina stavů, ε je abeceda (množina vstupních symbolů, třeba 0 a 1), σ je přechodová funkce (třeba tabulka , S0, S1, S2 a co se stane když to bude 1 apod), s je počáteční stav a A je množina přijímaných stavů (že to třeba bere jenom S2 a zbytek ne)
přechodová funkce může být i ohodnocený graf
Princip fungování konečných automatů je založen na postupném výpočtu jednotlivých časových stavů systému, kdy každý následující stav je odvozen z předchozího stavu podle daných pravidel chování systému. Pravidla se mohou v průběhu simulace měnit, proto nelze zpětně odvodit původní stav. Díky tomuto však lze simulovat spontánní vznik nových vlastností systému, nových struktur, samoorganizace a adaptace systémů. Pravidla popisují pouze lokální chování systému, ovšem právě z lokálních pravidel poté vyvstane chování systému jako celku (tzv. modelování zespodu)
z konečných automatů vycházení multiagentní systémy a celulární automaty
celulární automaty - pokud je zvolen jevový přístup
Celulární automat si tedy můžeme představit jako až nekonečně mnoho exemplářů určitého (konečného) automatu, propojených určitým, zpravidla jednotným způsobem
multiagentní systémy - pokud je zvolen objektový přístup
vlastnosti
paralelismus
výpočet beží současně pro všechny buňky, na běžných počítačích se to musí simulovat
lokalita
nový stav se určuje jenom podle původního stavu toho prvku a na původních stavech buněk v jeho okolí
homogenita
pro všechny prvky platí stejná přechodová funkce, stejné podmínky pro všechny