kB - AG Technische Informatik
kB - AG Technische Informatik
kB - AG Technische Informatik
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Technische</strong> Hochschule Ilmenau<br />
Fakultät INFORMATIK / AUTOMATISIERUNG<br />
Institut für Theoretische und <strong>Technische</strong> <strong>Informatik</strong><br />
Fachbereich Neuroinformatik<br />
D I P L O M A R B E I T<br />
Thema: Beschreibung formaler neuronaler Netze als zellulare<br />
Automaten<br />
eingereicht von : Ralf Möller<br />
Betreuer : Dr.-Ing. H.-J. Böhme (Fachbereich Neuroinformatik)<br />
Dr. rer. nat. Th. Böhme (Institut für Mathematik)<br />
Hochschullehrer : Prof. Dr.-Ing. habil. E. Körner<br />
Ilmenau, den 14. Dezember 1991
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 1<br />
Möller, Ralf:<br />
Beschreibung formaler neuronaler Netze als zellulare Automaten / Möller, Ralf. — 1991. — 48<br />
S.: 21 Abb., 7 Tab., 14 Lit.<br />
Ilmenau, <strong>Technische</strong> Hochschule, Fakultät <strong>Informatik</strong> / Automatisierung, Institut für Theoretische<br />
und <strong>Technische</strong> <strong>Informatik</strong>, Fachbereich Neuroinformatik, Diplomarbeit 200–92D–28.<br />
Referat<br />
Ausgehend von einer qualitativen Klasseneinteilung des Verhaltens zellularer Automaten nach<br />
Wolfram wird ein Näherungsverfahren entwickelt, mit dem die Vorhersage des über alle möglichen<br />
Anfangsbelegungen gemittelten Verhaltens gelingt.<br />
Das Verfahren wird mathematisch beschrieben, an einer Vielzahl zellularer Automaten auf<br />
seine Brauchbarkeit getestet und mit einem aus der internationalen Literatur bekannten Verfahren<br />
verglichen. Einschränkungen der Möglichkeiten der Vorhersage des Systemverhaltens werden<br />
diskutiert.<br />
Die Aufgabe ordnet sich in ein langfristiges Forschungsprojekt ein, bei dem parallel–sequentielle<br />
Mechanismen der Verarbeitung visueller Information auf Grundlage neuronaler Architekturen<br />
untersucht werden.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 2<br />
Inhaltsverzeichnis<br />
Verzeichnis der verwendeten Abkürzungen 4<br />
1 Einführung 5<br />
2 Definition zellularer Automaten 6<br />
2.1 Grundlegende Definitionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6<br />
2.2 Konfiguration, Nachbarschaft und Transformation . . . . . . . . . . . . . . . . . 6<br />
2.3 Zellularer Automat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
2.4 Invarianz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8<br />
3 Eindimensionale zellulare Automaten 10<br />
3.1 Alphabet und Nachbarschaftsindex . . . . . . . . . . . . . . . . . . . . . . . . . . 10<br />
3.2 Kennzeichnung der Transformationsfunktionen . . . . . . . . . . . . . . . . . . . 11<br />
3.2.1 Numerierung totalsymmetrischer Transformationsfunktionen . . . . . . . 11<br />
3.2.2 Numerierung zentralsymmetrischer Transformationsfunktionen . . . . . . 12<br />
3.2.3 Ruhebedingung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12<br />
4 Qualitative Klasseneinteilung 13<br />
4.1 Klasse 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13<br />
4.2 Klasse 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13<br />
4.3 Klasse 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15<br />
4.4 Klasse 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15<br />
4.5 Regel und Verhalten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16<br />
5 Die Methode der verteilten Fraktionen 19<br />
5.1 Mathematische Beschreibung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19<br />
5.1.1 Annahmen zur Näherung . . . . . . . . . . . . . . . . . . . . . . . . . . . 19<br />
5.1.2 Der Algorithmus des Näherungsverfahrens . . . . . . . . . . . . . . . . . . 19<br />
5.2 Quantitative Klasseneinteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25<br />
5.2.1 Zeitliches Verhalten in Klasse 1 und 2 . . . . . . . . . . . . . . . . . . . . 27<br />
5.2.2 Zeitliches Verhalten in Klasse 3 . . . . . . . . . . . . . . . . . . . . . . . . 27<br />
5.2.3 Zeitliches Verhalten in Klasse 4 . . . . . . . . . . . . . . . . . . . . . . . . 27<br />
5.3 Untersuchungen zur Grenzdichte in Klasse 3 . . . . . . . . . . . . . . . . . . . . . 29<br />
5.4 Suche nach zentralsymmetrischen Klasse–4–Regeln . . . . . . . . . . . . . . . . . 30<br />
5.5 S28-20 — Kandidat für Berechnungsuniversalität ? . . . . . . . . . . . . . . . . . 35<br />
5.6 Ordnung – Vielfalt – Chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37<br />
5.7 Untersuchungen an zweidimensionalen Automaten . . . . . . . . . . . . . . . . . 37<br />
5.8 Formale Schwächen des Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . 39<br />
5.9 Vergleich mit einem einfacheren Verfahren . . . . . . . . . . . . . . . . . . . . . . 40<br />
6 Zusammenfassung 43<br />
Anhang A: Beweis zu Satz 2 44<br />
Anhang B: Beweis der Umkehrung von Satz 1 45
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 3<br />
Literatur 46<br />
Verzeichnis der Abbildungen 47<br />
Verzeichnis der Tabellen 47<br />
Selbständigkeitserklärung 48
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 4<br />
Verzeichnis der verwendeten Abkürzungen<br />
Abkürzung Erklärung<br />
N Menge der natürlichen Zahlen außer 0<br />
Nm<br />
Menge der natürlichen Zahlen von 1 bis m<br />
Z Menge der ganzen Zahlen<br />
R Menge der reellen Zahlen<br />
d Raumdimension<br />
Zd Raster des Zellularautomaten<br />
S Alphabet<br />
i Zelle des Automaten<br />
c(i) Zustand der Zelle<br />
c globale Konfiguration<br />
C Konfigurationsmenge<br />
N Nachbarschaftsindex<br />
νN(i) Nachbarschaft der Zelle i<br />
cm Konfiguration der Nachbarschaft<br />
F globale Transformation<br />
f lokale Transformation<br />
π Permutation<br />
γ (n) Menge aller Permutationen<br />
ΠSY Mi<br />
Menge bei Symmetrie bzgl. Element i erlaubter Permutationen<br />
b(s1, s2) Bewertungsfunktion<br />
Ci<br />
lokale Konfiguration<br />
cl i<br />
Element l der lokalen Konfiguration Ci<br />
P t Fraktionstupel zum Zeitpunkt t<br />
ˆP (Ci, Cj) Übergangsbruchteil zwischen lokalen Konfigurationen<br />
pt s<br />
Dichte der Zellen im Zustand s<br />
pt s1s2<br />
Übergangsdichte s1 → s2 zum Zeitpunkt t<br />
pt Dichte der Nachbarschaften im homogenen Zustand s<br />
Hs<br />
pt H<br />
Dichte der homogenen Nachbarschaften<br />
ε, ∆ reelle Abbruchgrenzen<br />
δ relativer Fehler<br />
D absoluter Fehler<br />
˜p01, ˜p10<br />
Übergangsdichten nach Wolfram<br />
˜pi<br />
Dichte der lokalen Konfiguration Ci nach Wolfram<br />
d–dimensionale Moore–Nachbarschaft der Reichweite r<br />
M (n)<br />
r
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 5<br />
1 Einführung<br />
In [1] wird ein synchron arbeitendes Netz formaler Neuronen vorgestellt. Das beschriebene System<br />
ist in der Lage, Zyklen binärer Eingangsmuster auf Zyklen binärer Ausgangsmuster so<br />
abzubilden, daß ein ” Kontext“ in den Ausgangsmustern entsteht, der spezifisch für Reihenfolge<br />
und Zusammensetzung der Inputmusterzyklen ist. Damit gelingt es, den Überlagerungsgrad bei<br />
der Speicherung gleicher Muster, die in unterschiedlicher Reihenfolge auftreten, zu verringern.<br />
Kern des Systems ist ein ” dynamisches Filter“ aus einer zweidimensionalen Schicht formaler<br />
Neuronen. Jedes dieser Neuronen erhält Eingangssignale aus der Inputschicht und gewichtete<br />
Eingangssignale von Nachbarneuronen. Eine aus Erfahrungswerten gewonnene Summenbedingung<br />
für die zufällige Wahl der Wichtungen und die Abhängigkeit von Wichtungssumme und<br />
Schwellwert eines Neurons garantierte die gewünschte Funktion des Netzes. Auch der Grad des<br />
global–inhibitorischen Einflusses der Aktivität des letzten Zeitschrittes wurde nach Experimenten<br />
aus einem günstigen Wertebereich ausgewählt.<br />
Im Bestreben, wesentliche Eigenschaften dieses Netzes, wie zum Beispiel die Einschwingzeit<br />
bis zum Eintreten eines Ausgangszyklus und die Ausgangszykluslängen, aus den gegebenen<br />
Netzparametern (Netzgröße, Wahl der Wichtungen und Schwellwerte, Einflußgrad der globalen<br />
Hemmung) zu ermitteln, wurden in dieser Arbeit zunächst Untersuchungen an wesentlich einfacheren<br />
Systemen vorgenommen. Die Wahl fiel dabei auf zellulare Automaten aufgrund der<br />
Ähnlichkeit mit dem gegebenen System:<br />
• synchrone Berechnung des Netzes,<br />
• begrenzter Bereich der unmittelbaren gegenseitigen Beeinflussung der Zellen,<br />
• Boolesche lokale Transformationsfunktionen zur Ermittlung des Folgezustandes einer Zelle.<br />
Einen Zugang zur algorithmischen Beschreibung ermöglichten dabei die vorgenommenen Einschränkungen<br />
gegenüber dem System aus [1]:<br />
• für alle Zellen einheitliche lokale Transformationsfunktion,<br />
• fehlende Beeinflussung durch Input und globale Hemmung,<br />
• Annahme einer unendlichen Ausdehnung des Netzes gegenüber der in [1] beschriebenen<br />
Zylinderstruktur.<br />
Schwerpunkt in dieser Arbeit war die algorithmische Einteilung zellularer Automaten in verschiedene<br />
Verhaltensklassen nach einer qualititativen Einteilung von Wolfram [12]. Mit Hilfe<br />
eines entwickelten Näherungsverfahrens gelingt sowohl diese Einteilung als auch die Vorhersage<br />
mittlerer Einschwingzeiten, Abklingverläufe und Grenzverteilungen der zellularen Systeme.<br />
Das Näherungsverfahren wird mathematisch beschrieben, seine Brauchbarkeit an einer Vielzahl<br />
von Beipielen untersucht und mit einem aus der internationalen Literatur bekannten Verfahren<br />
verglichen. Ebenso finden aus der Fachliteratur bekannte Grenzen der Voraussagemöglichkeiten<br />
Beachtung.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 6<br />
2 Definition zellularer Automaten<br />
Um zunächst begriffliche Klarheit für die folgenden Betrachtungen zu schaffen, sei an dieser<br />
Stelle ein Teil der allgemeingültigen Definitionen aus [9] angeführt. Soweit es notwendig erscheint,<br />
werden die Begriffe und Definitionen näher erläutert.<br />
2.1 Grundlegende Definitionen<br />
Häufige Verwendung finden die Menge der natürlichen Zahlen außer 0<br />
die Menge der natürlichen Zahlen von 1 bis m<br />
die Menge der ganzen Zahlen<br />
N := {1, 2, . . .},<br />
Nm := {1, 2, . . . , m},<br />
Z := {0, ±1, ±2, . . .}<br />
und die Menge der reellen Zahlen R.<br />
Eine Alphabet ist eine endliche, nichtleere Menge.<br />
Aus der Definition der Menge der ganzen Zahlen wird die Definition des d–dimensionalen<br />
ganzen Raumes abgeleitet. Ein Element dieses Raumes kennzeichnet die Position einer Zelle im<br />
Gitter des Zellularautomaten.<br />
Z d := {(x1, x2, . . . , xd)| xi ∈ Z, i = 1, 2, . . . , d} d ∈ N<br />
Der Begriff Abbildung wird in dieser Arbeit synonym zum Begriff Funktion gebraucht.<br />
2.2 Konfiguration, Nachbarschaft und Transformation<br />
Definition 1 Sei S ein Alphabet. Dann heißt die Abbildung c : Z d → S eine (globale) Konfiguration.<br />
i ∈ Z d heißt Zelle i und c(i) wird als Zustand der Zelle i bezeichnet.<br />
Eine Konfiguration ist demnach eine Belegung der Zellen des Gitters mit Elementen des<br />
Alphabets. Die Menge C aller Abbildungen c heißt Konfigurationsmenge.<br />
Definition 2 Seien d, m ∈ N.<br />
1. Ein m-Tupel N = (n 1, n 2, n 3, . . . , n m) von paarweise verschiedenen Elementen n i ∈ Z d<br />
(1 ≤ i ≤ m) heißt (d–dimensionaler) Nachbarschaftsindex (vom Grade m).<br />
2. Ein Nachbarschaftsindex N ∈ (Z d ) m induziert eine Abbildung νN : Z d → (Z d ) m mit<br />
νN(i) := (i + n 1, i + n 2, . . . , i + n m). νN(i) heißt Nachbarschaft der Zelle i.<br />
Den Nachbarschaftsindex kann man als geordnete Menge von Vektoren des d–dimensionalen<br />
ganzen Raumes auffassen. Von den Koordinaten einer bestimmten Zelle i aus angetragen, bezeichnen<br />
diese Vektoren die Gitterkoordinaten der Nachbarzellen dieser Zelle. Alle Nachbarzellen<br />
gemeinsam bilden die Nachbarschaft dieser Zelle. Hier werden nur Automaten mit solchen<br />
Nachbarschaften betrachtet, bei denen die Zelle selbst auch zur Nachbarschaft gehört. Der entsprechende<br />
Vektor wäre 0 = (0, 0, . . . , 0).
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 7<br />
Definition 3 S sei ein Alphabet, c eine Konfiguration und d, m ∈ N. N ∈ (Z d ) m sei ein<br />
Nachbarschaftsindex.<br />
c m : (Z d ) m → S m wird definiert als<br />
c m (i 1, i 2, . . . , i m) := (c(i 1), c(i 2), . . . , c(i m)) c ∈ C<br />
c m (νN(i)) heitßt Konfiguration der Nachbarschaft der Zelle i in der Konfiguration c.<br />
Die Konfiguration der Nachbarschaft einer Zelle gibt an, welche Werte die Nachbarzellen<br />
dieser Zelle bei einer bestimmten Belegung des gesamten Gitters tragen.<br />
Definition 4 Sei S ein Alphabet und C eine Konfigurationsmenge.<br />
1. Eine Abbildung f : S m → S heißt lokale Transformation.<br />
2. Eine Abbildung F : C → C heißt globale Transformation, wenn sie aus einer lokalen<br />
Transformation f und einem Nachbarschaftsindex N ∈ (Z d ) m wie folgt entsteht:<br />
F (c)(i) := f(c m (νN(i))) ∀ i ∈ Z d mit c ∈ C<br />
Unter einer lokalen Transformation kann man die Anwendung einer Funktion verstehen,<br />
die aus der Belegung der Nachbarzellen (einschließlich der Zelle selbst) im letzten Zeitschritt<br />
die Belegung der Zelle im nächsten Zeitschritt berechnet. Diese Funktion wird auch oft als<br />
Spielregel des zellularen Automaten bezeichnet. Die globale Transformation stellt die simultane<br />
Anwendung dieser Funktion auf alle Zellen des Automatengitters dar.<br />
2.3 Zellularer Automat<br />
Damit sind alle Begriffe geklärt, die zur Definition eines zellularen Automaten notwendig sind.<br />
Definition 5 A = (S, d, N, F ) heißt zellularer Automat, wenn gilt:<br />
– S ist ein Alphabet, das Zustandsalphabet von A.<br />
– d ∈ N ist die Raumdimension.<br />
– N ∈ (Z d ) m , m ∈ N ist ein d–dimensionaler Nachbarschaftsindex.<br />
– F : C → C ist die globale Transformation, die durch eine lokale Transformation f erzeugt<br />
wird.<br />
– Es existiert ein s0 ∈ S mit der Eigenschaft f(s0, s0, . . . , s0) = s0. s0 wird der Ruhezustand<br />
von A genannt.<br />
Die Ruhebedingung schränkt die Anzahl der möglichen Spielregeln auf solche ein, bei denen<br />
eine Zelle im Ruhezustand s0, deren Nachbarzellen sich ebenfalls im Ruhezustand befinden,<br />
diesen Zustand auch beibehält.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 8<br />
2.4 Invarianz<br />
Eine wichtige Rolle bei der Betrachtung zellularer Automaten spielen die Eigenschaften der<br />
lokalen Transformation. In der Menge aller lokalen Transformationen gibt es solche, bei denen es<br />
zum Teil ohne Bedeutung ist, von welcher Nachbarzelle der Eingabewert stammt. Zur Definition<br />
der speziellen Arten von lokalen Transformationen wird der Permutationsbegriff benutzt.<br />
Definition 6 Sei n ∈ N.<br />
1. Eine bijektive Abbildung (eineindeutige Abbildung von–auf) π : Nn → Nn heißt Permutation.<br />
2. γ (n) := {π| π : Nn → Nn und π Permutation}.<br />
Eine Permutation auf einem geordneten n-Tupel von Werten kommt dem Vertauschen der<br />
Elemente des n-Tupels gleich. γ (n) ist die Menge aller möglichen Permutationen auf einem n-<br />
Tupel; jedes Element aus γ (n) kann wie folgt angegeben werden:<br />
π =<br />
�<br />
1 2 3 . . . n<br />
π(1) π(2) π(3) . . . π(n)<br />
Mit dieser Definition gelingt nun die Klärung des Begriffs Invarianz sowie zweier spezieller<br />
Arten der Invarianz, der Totalsymmetrie und der Symmetrie.<br />
Definition 7 Sei S ein Alphabet, m ∈ N. Dann heißt eine lokale Transformation f : S m → S<br />
1. invariant gegenüber Π ⊆ γ (m) , falls für alle (s1, s2, . . . , sm) ∈ S m und alle π ∈ Π gilt:<br />
f(s1, s2, . . . , sm) = f(s π(1), s π(2), . . . , s π(m))<br />
2. totalsymmetrisch, falls f invariant gegenüber γ (m) ist.<br />
3. symmetrisch, falls für genau ein i ∈ Nm gilt:<br />
f ist invariant gegenüber<br />
ΠSY M i := {π ∈ γ(m) | π(i) = i}<br />
Invarianz gegenüber einer Teilmenge Π der Menge aller Permutationen bedeutet demnach,<br />
daß die Argumente der lokalen Transformationsfunktion f entsprechend den in der Menge enthaltenen<br />
Permutationen vertauscht werden dürfen, ohne daß sich der Funktionswert ändert.<br />
Bei totalsymmetrischen Transformationsfunktionen (Spielregeln) liegt Invarianz gegenüber<br />
allen Permutationen aus γ (m) vor. Es ist damit die Herkunft der Eingabewerte ohne Bedeutung.<br />
Für die Ermittlung des Folgezustandes der Zelle kommt es also nur noch auf die Anzahl der<br />
Zellen an, die sich in einem bestimmten Zustand befinden. Hat das Alphabet S k Elemente, so<br />
hängt der Wert der Transformationsfunktion nur noch von k − 1 Summenwerten ab, nämlich<br />
von den Anzahlen der Zellen, die sich in jeweils einem von k − 1 Zuständen befinden.<br />
Ist die Transformationsfunktion symmetrisch, so geht nur für genau eine ausgewählte Zelle<br />
der Nachbarschaft der Wert unmittelbar als Argument in die Funktion f ein. Bei allen anderen<br />
Zellen der Nachbarschaft ist die Herkunft des Argumentes nicht von Bedeutung, es gilt das<br />
�
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 9<br />
bei der Totalsymmetrie beschriebene Summationsprinzip. Eine häufig anzutreffende Form der<br />
Symmetrie ist ΠSY M 1 , wobei n 1 = 0. Bei dieser Symmetrieform wird nur der Wert der Zelle i<br />
selbst gesondert betrachtet. Diese Form der Invarianz wird im folgenden als Zentralsymmetrie<br />
bezeichnet. Beispiel einer solchen Symmetrie ist die Spielregel von J.H. Conways Automaten<br />
” LIFE“, der unter anderem in [4] beschrieben wird.<br />
Da bei Totalsymmetrie alle Permutationen zugelassen sind, dürfen auch die bei einer beliebigen<br />
Symmetrieforderung erlaubten Permutationen angewandt werden. Damit gilt:<br />
Satz 1 Wenn eine Transformationsfunktion totalsymmetrisch ist, so ist sie auch invariant gegenüber<br />
allen ΠSY M i , 1 ≤ i ≤ m.<br />
Das bedeutet, daß eine totalsymmetrische Transformationsfunktion auch symmetrisch bezüglich<br />
jedem beliebigen Element des Nachbarschaftsindex ist. Weiterhin gilt:<br />
Satz 2 Jede Transformationsfunktion, die invariant gegenüber ΠSY M i und invariant gegenüber<br />
mit i �= j (1 ≤ i ≤ m, 1 ≤ j ≤ m) ist, ist auch totalsymmetrisch.<br />
ΠSY M j<br />
Aus Satz 1 und Satz 2 folgt:<br />
Satz 3 Jede Transformationsfunktion, die invariant gegenüber ΠSY M i und invariant gegenüber<br />
ΠSY M j mit i �= j (1 ≤ i ≤ m, 1 ≤ j ≤ m) ist, ist auch invariant gegenüber ΠSY M k<br />
mit 1 ≤ k ≤ m.<br />
für jedes k<br />
Ein Beweis zu Satz 2 findet sich im Anhang A. Satz 2 ergibt sich nicht durch logisches Folgern<br />
aus Satz 1. Auch dies wird in Anhang A gezeigt.<br />
Es läßt sich zeigen (siehe Anhang B), daß aus Satz 2 auch die Umkehrung von Satz 1 folgt.<br />
Demnach gilt:<br />
Satz 4 Eine Transformationsfunktion ist genau dann totalsymmetrisch , wenn sie invariant<br />
gegenüber allen ΠSY M i , 1 ≤ i ≤ m ist.<br />
In Abbildung 1 sind die Mengen aller symmetrischen und totalsymmetrischen Transformationsfunktionen<br />
eines Nachbarschaftsindex vom Grade m = 3 als Venn–Diagramm dargestellt.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 10<br />
Menge aller Regeln<br />
Π<br />
Π<br />
−<br />
SYM<br />
1<br />
inv.<br />
−<br />
SYM<br />
3<br />
inv.<br />
Π<br />
−<br />
SYM<br />
2<br />
inv.<br />
γ<br />
(m) −inv.<br />
Abbildung 1: Venn–Diagramm der Transformationsfunktionen. Bei einem Nachbarschaftsindex<br />
mit 3 Elementen existieren 3 Mengen symmetrischer Transformationsfunktionen, ΠSY M1 bis<br />
ΠSY M3 . Ihre Schnittmenge ist die Menge aller totalsymmetrischen Transformationsfunktionen.<br />
Die Mengen der symmetrischen Transformationsfunktionen sind nur der Anschaulichkeit halber<br />
etwas versetzt gezeichnet; eigentlich verlaufen die Grenzen exakt aufeinander.<br />
3 Eindimensionale zellulare Automaten<br />
3.1 Alphabet und Nachbarschaftsindex<br />
Zur Untersuchung der Eigenschaften zellularer Automaten werden oftmals relativ einfache, eindimensionale<br />
Automaten benutzt [11, 12]. Eindimensionale Automaten (Raumdimension d = 1)<br />
bieten den Vorteil der guten Dokumentierbarkeit von Untersuchungen; die Evolution von Konfigurationen<br />
kann in zweidimensionalen Diagrammen dargestellt werden. Eine Achse des Diagramms<br />
kennzeichnet die Gitterpositionen der Zellen, also die räumliche Dimension, die zweite<br />
steht für die Aufeinanderfolge der Konfigurationen unter Anwendung einer Transformation, d.h.<br />
für die zeitliche Dimension.<br />
Geht man beim Alphabet von<br />
S = {0, . . . , k − 1} k ∈ N (1)<br />
und beim Nachbarschaftsindex von einem ” geschlossenen Bereich“<br />
N = {−r, −r + 1, . . . , 0, . . . , r − 1, r} r ∈ N (2)<br />
aus und wählt für k (Anzahl der Zustände) und r (Reichweite des Nachbarschaftsindex) kleine<br />
Werte (2 ≤ k ≤ 3, 1 ≤ r ≤ 3), so bleibt auch die Anzahl der möglichen Spielregeln überschaubar.<br />
Alle folgenden Untersuchungen wurden an einem speziellen eindimensionalen Automaten mit<br />
zwei Zuständen (k = 2) und einer Reichweite von r = 2 durchgeführt. Dieser Automat ist bereits
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 11<br />
so komplex, daß wesentliche Eigenschaften erkennbar sind (so gibt es zum Beispiel Vertreter für<br />
alle vier Klassen der unten beschriebenen Klasseneinteilung nach Wolfram), andererseits ist er<br />
aber noch so einfach, daß Computer–Simulationen in vertretbarer Zeit realisierbar sind.<br />
3.2 Kennzeichnung der Transformationsfunktionen<br />
Wie bereits in Abschnitt 2.4 beschrieben wurde, kann man aus der Menge aller möglichen Transformationsfunktionen<br />
Teilmengen herauslösen, die bestimmten Invarianzforderungen genügen.<br />
Gegenstand der Betrachtungen sind hier nur totalsymmetrische und zentralsymmetrische Spielregeln,<br />
letztere nur in der Form ΠSY M 1 mit n 1 = 0 . Die Menge der totalsymmetrischen Transformationsfunktionen<br />
ist eine Teilmenge der Menge der zentralsymmetrischen Transformationsfunktionen.<br />
Für die Beschreibung der oben genannten Summenbedingung wird die Bewertungsfunktion<br />
b(s1, s2) s1, s2 ∈ S definiert. Sie liefert 1, wenn die beiden Argumente das gleiche Element des<br />
Alphabets bezeichnen, ansonsten 0 :<br />
b(s1, s2) =<br />
�<br />
1 : s1 = s2<br />
0 : sonst<br />
3.2.1 Numerierung totalsymmetrischer Transformationsfunktionen<br />
Wenn C eine Konfigurationsmenge, c ∈ C sowie N ein Nachbarschaftsindex gemäß (2) ist, so<br />
kann man eine totalsymmetrische Transformationsfunktion f durch eine Funktion fT wie folgt<br />
beschreiben:<br />
⎛<br />
f(c 2r+1 (νN(i))) = fT<br />
⎝<br />
r�<br />
l=−r<br />
b(c(i + l), 1),<br />
r�<br />
l=−r<br />
b(c(i + l), 2), . . . ,<br />
r�<br />
l=−r<br />
⎞<br />
(3)<br />
b(c(i + l), k − 1) ⎠ (4)<br />
Der Folgewert für die Zelle i hängt somit nur von k−1 Summen über alle Zellen der Nachbarschaft<br />
(einschließlich i) ab. Jede Summe gibt an, wieviele Zellen der Nachbarschaft sich in einem<br />
bestimmten Zustand des Alphabets befinden. Für die Charakterisierung der Konfiguration der<br />
Nachbarschaft reichen k − 1 Summenwerte, denn die darin nicht berücksichtigten Zellen können<br />
sich nur im verbleibenden Zustand 0 befinden.<br />
Für den hier betrachteten Automaten d = 1, k = 2, r = 2 ergibt sich aus (4):<br />
⎛<br />
f(c 5 (νN(i))) = fT<br />
⎝<br />
2�<br />
l=−2<br />
⎞<br />
⎛<br />
b(c(i + l), 1) ⎠ = fT<br />
⎝<br />
2�<br />
l=−2<br />
⎞<br />
c(i + l) ⎠ (5)<br />
Im diesem konkreten Beispiel bildet fT von der Menge {0, 1, 2, 3, 4, 5} in die Menge {0, 1}<br />
ab. Für jede mögliche Anzahl von Nachbarzellen, die sich im Zustand 1 befinden, liefert die<br />
Funktion genau ein Element des Alphabets, also entweder 0 oder 1. Jeder Funktion fT kann<br />
eineindeutig eine Zahl nT , nT ∈ {0, 1, . . . , 2 6 − 1} zugeordnet werden:<br />
5�<br />
nT = 2<br />
n=0<br />
n fT (n) (6)
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 12<br />
Im folgenden werden totalsymmetrische Spielregeln fT durch den Buchstaben ” T“, gefolgt<br />
von der Zahl nT entsprechend (6) angegeben. Diese Kennzeichnung der Spielregeln entspricht<br />
auch der in [12] benutzten.<br />
3.2.2 Numerierung zentralsymmetrischer Transformationsfunktionen<br />
Wenn C eine Konfigurationsmenge, c ∈ C sowie N ein Nachbarschaftsindex gemäß (2) ist, so<br />
kann man eine zentralsymmetrische Transformationsfunktion f durch eine Funktion fS wie folgt<br />
beschreiben:<br />
f(c 2r+1 (νN(i))) = fS<br />
⎛<br />
⎜<br />
⎝c(i),<br />
r�<br />
l=−r<br />
l�=0<br />
b(c(i + l), 1),<br />
r�<br />
l=−r<br />
l�=0<br />
b(c(i + l), 2), . . . ,<br />
r�<br />
l=−r<br />
l�=0<br />
⎞<br />
⎟<br />
b(c(i + l), k − 1) ⎠ (7)<br />
Der Folgewert für die Zelle i hängt somit vom aktuellen Zustand der Zelle i und von k − 1<br />
Summen über alle anderen Zellen der Nachbarschaft (außer i) ab. Für die Summen gilt das in<br />
3.2.1 gesagte.<br />
Für den hier betrachteten Automaten d = 1, k = 2, r = 2 ergibt sich aus (7):<br />
f(c 5 (νN(i))) = fS<br />
⎛<br />
⎜<br />
⎝c(i),<br />
2�<br />
l=−2<br />
l�=0<br />
⎞<br />
⎛<br />
⎟ ⎜<br />
b(c(i + l), 1) ⎠ = fS ⎝c(i),<br />
2�<br />
l=−2<br />
l�=0<br />
⎞<br />
⎟<br />
c(i + l) ⎠ (8)<br />
Im diesem konkreten Beispiel bildet fS von der Menge {0, 1} × {0, 1, 2, 3, 4} in die Menge<br />
{0, 1} ab. Für jeden Zustand der Zelle i und für jede mögliche Anzahl von Nachbarzellen außer<br />
i, die sich im Zustand 1 befinden, liefert die Funktion genau ein Element des Alphabets, also<br />
entweder 0 oder 1. Jeder Funktion fS kann eineindeutig eine Zahlenpaar (nS0, nS1) nS0, nS1 ∈<br />
{0, 1, . . . , 2 5 − 1} zugeordnet werden:<br />
4�<br />
nS0 = 2<br />
n=0<br />
n fS(0, n) (9)<br />
4�<br />
nS1 = 2<br />
n=0<br />
n fS(1, n) (10)<br />
Im folgenden werden zentralsymmetrische Spielregeln fS durch den Buchstaben ” S“, gefolgt<br />
von den Zahlen nS0 und nS1 entsprechend (9) und (10) angegeben.<br />
3.2.3 Ruhebedingung<br />
Wendet man die Ruhebedingung aus Definition 5 auf den eindimensionalen Fall an, wobei s0 = 0<br />
gewählt wird, so wird für totalsymmetrische Transformationsfunktionen fT (0) = 0 und für<br />
zentralsymmetrische Transformationsfunktionen fS(0, 0) = 0 gefordert. Damit ergeben sich im<br />
Fall k = 2, r = 2 gerade Werte für nT und nS0.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 13<br />
4 Qualitative Klasseneinteilung<br />
In [12] werden qualitative Eigenschaften zellularer Automaten an verschiedenen totalsymmetrischen<br />
Spielregeln des Automaten d = 1, k = 2, r = 2 untersucht. Die Klassifikation des<br />
Verhaltens erfolgt in Experimenten, bei denen die Ausgangskonfigurationen beide Elemente des<br />
Alphabets gleichverteilt enthalten. Das Vorgehen bei der Erzeugung von Anfangsbelegungen der<br />
Zellen ist beispielsweise bei zwei Zuständen (k = 2) das folgende: Für jede Zelle des Automaten<br />
wird eine im Intervall [0.0, 1.0] gleichverteilte Zufallszahl erzeugt. Ist diese Zahl größer 0.5, so<br />
erhält die Zelle den Wert 1, ansonsten den Wert 0. Eine solche Belegung wird im folgenden als<br />
Belegung mit gleichverteilten Zellzuständen bezeichnet. Anhand des beobachteten Verhaltens<br />
werden die Spielregeln des Automaten in vier Klassen eingeteilt, wobei die Vertreter ein und<br />
derselben Klasse qualitativ dasselbe Verhalten zeigen.<br />
4.1 Klasse 1<br />
Bei Automaten der Klasse 1 führt die Evolution (Folge von Anwendungen der globalen Transformationsfunktion)<br />
einer Anfangskonfiguration, bei der alle Zellzustände gleichverteilt auftreten,<br />
in den meisten Fällen schon nach wenigen Schritten (ein Schritt entspricht einer Anwendung<br />
der globalen Transformationsfunktion) in einen homogenen Endzustand, das heißt im konkreten<br />
Fall, die Zellen des Automaten befinden sich dann sämtlich im Zustand 0 oder sämtlich im<br />
Zustand 1.<br />
In Abbildung 2 ist die Evolution der totalsymmetrischen Klasse–1–Regel T36 ausgehend von<br />
einer Anfangskonfiguration mit gleichverteilten Zellzuständen dargestellt. Senkrecht angeordnet<br />
ist die Zeitachse, die Punktzeilen stellen die Konfigurationen des jeweiligen Zeitschrittes dar,<br />
die oberste Punktzeile bezeichnet die Anfangskonfiguration. Im rechten Teil der Abbildung ist<br />
der Anteil der 1–Belegungen am gesamten Feld für jeden Zeitschritt als Kurve dargestellt. Die<br />
Länge der n/N–Achse entspricht der maximal möglichen Anzahl von 1–Zellen, also der Größe<br />
(Anzahl der Zellen) des zellularen Automaten.<br />
Die dargestellten Beispiele wurden mit einem Automaten von 200 Zellen Länge erzeugt,<br />
wobei die Kette der Zellen zyklisch geschlossen ist. Diese zyklische Randbedingung vermeidet<br />
Effekte wie das ” Schrumpfen“ der Konfiguration vom Rand her, die bei einem Abbruch des<br />
Feldes (außenliegende Zellen werden als 0 angenommen) auftreten können. Es werden jeweils<br />
200 Ableitungsschritte ausgeführt.<br />
4.2 Klasse 2<br />
Bei Klasse–2–Spielregeln gehen Anfangsbelegungen mit gleichverteilten Zellzuständen in der<br />
Regel nach wenigen Schritten in einen konstanten Endzustand über, selten in einfache kurz–<br />
periodische Strukturen. Bei den totalsymmetrischen Klasse–2–Regeln entstehen in den meisten<br />
Fällen kleine, geschlossene 1–Gruppen auf einem überwiegend mit Nullen belegten Feld bzw.<br />
0–Gruppen auf einem Feld mit vielen 1–Belegungen.<br />
Abbildung 3 zeigt die Entstehung einer konstanten Konfiguration (Attraktorpunkt) beim<br />
Automaten T24.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 14<br />
Abbildung 2: Typisches Verhalten eines Klasse–1–Automaten, dargestellt am Beispiel der Spielregel<br />
T36. Die Anfangsbelegung war eine Belegung mit gleichverteilten Zellzuständen . Nach<br />
wenigen Schritten entsteht der homogene 0–Zustand.<br />
Abbildung 3: Typisches Verhalten eines Klasse–2–Automaten am Beispiel der Regel T24. Aus<br />
einem Anfangszustand mit gleichverteilten Zellzuständen entsteht eine Konfiguration, die über<br />
alle folgenden Schritte erhalten bleibt.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 15<br />
4.3 Klasse 3<br />
Die Ableitung von Anfangskonfigurationen mit gleichverteilten Zellzuständen nach Spielregeln<br />
der Klasse 3 erzeugt chaotische Muster, in denen allerdings regelmäßige räumlich–zeitliche Figuren<br />
auftreten, z.B. Dreiecke verschiedener Größe. Auf endlichen Automaten pendelt der Bruchteil<br />
der 1–Zellen nach dem Einschwingvorgang um einen Gleichgewichtswert. (Fraglich ist, ob sich<br />
bei Automaten mit unendlicher Ausdehnung der Gleichgewichtswert selbst einstellt oder ob der<br />
Bruchteil der 1–Zellen ebenso um diesen Wert schwankt.)<br />
Als Beispiel für Klasse–3–Verhalten ist in Abbildung 4 die Evolution einer Anfangsbelegung<br />
mit gleichverteilten Zellzuständen durch den Automaten T6 dargestellt.<br />
Abbildung 4: Evolution einer Anfangsbelegung mit gleichverteilten Zellzuständen durch den<br />
Automaten T6, einem Vertreter der Klasse 3. Es entstehen chaotische Muster, in denen aber<br />
Regelmäßigkeiten erkennbar sind.<br />
Bei Spielregeln der Klasse 3 wachsen endliche 1–Belegungen auf einem (gedanklich) unendlich<br />
großen 0–Zellen–Feld (alle anderen Zellen befinden sich im Ruhezustand s0 = 0) in der<br />
Regel unbegrenzt, d.h. der Anteil der 1–Zellen wächt über alle Grenzen. In Abbildung 5 ist die<br />
Ableitung einer Anfangsbelegung dargestellt, bei der die Zellzustände auf 50 Zellen gleichverteilt<br />
auftreten und alle anderen Zellen den Zustand 0 innehaben. Bis zum Erreichen der Feldgrenzen<br />
steigt der Anteil der 1–Zellen im Mittel an. Dann schwankt die Dichte um einen Wert.<br />
4.4 Klasse 4<br />
Klasse–4–Regeln zeigen bei der Ableitung von Initialkonfigurationen mit gleichverteilten Zellzuständen<br />
ein sehr interessantes Verhalten. In den meisten Fällen entstehen oft getrennte räumlich–zeitliche<br />
Gebilde mit langer Lebensdauer. Unter diesen gibt es solche, die (nach einer relativ<br />
langen Zeit) verschwinden, andere gehen in konstante Endzustände über, wiederum andere erzeugen<br />
langperiodische Figuren. Es sind sogar periodische Strukturen zu entdecken, die sich nach<br />
einer Periode um eine bestimmte Anzahl von Zellen verschoben haben. Im allgemeinen ändert<br />
sich die Anzahl der 1–Zellen auch bei endlichen Anfangsbelegungen nur langsam mit der Zeit.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 16<br />
Abbildung 5: Endliche initiale Konfigurationen auf einem leeren Feld wachsen unbegrenzt; die<br />
Dichte der 1–Zellen steigt über alle endlichen Grenzen. In der Simulation, hier Regel T6 auf<br />
einem Feld mit 200 Zellen, endet der Wachstumsprozeß, wenn die Feldgrenzen erreicht sind.<br />
In Abbildung 6 sind verschwindende, periodische und wandernde Gebilde bei der Regel T20<br />
sichtbar. Die beiden letzteren sind allerdings bei dieser Regel im Vergleich zu Gebilden der<br />
erstgenannten Art relativ selten. Meist versiegt die Evolution im homogenen Nullzustand.<br />
Man vermutet unter den Klasse–4–Automaten solche, die die Fähigkeit zur universellen Berechnung<br />
aufweisen, d.h. sie wären (Turingmaschine, siehe z.B. [6]) zu jedem endlichen Berechnungsprozeß<br />
fähig. Für den oben erwähnten zweidimensionalen Conway-Automaten ( ” LIFE“)<br />
wurde die Universalität bewiesen, indem man zeigte, daß sich mit bestimmten Konfigurationen<br />
die Baugruppen eines Digitalrechners nachbilden lassen. Für einfache Automaten wie den<br />
hier untersuchten (d = 1, k = 2, r = 2) wurde bis jetzt kein Beweis erbracht; der einfachste<br />
eindimensionale Automat, für den die Berechnungsuniversalität nachgewiesen wurde, ist<br />
d = 1, k = 18, r = 1 ([13]).<br />
Eine weitere Methode, um die Berechnungsuniversalität eines zellularen Automaten zu zeigen,<br />
ist der Beweis, daß mit diesem Automaten ein anderer Zellularautomat simuliert werden<br />
kann, dessen Berechnungsuniversalität bereits bewiesen ist. Das könnte z.B. dadurch geschehen,<br />
daß mehrere Zellen zusammengefaßt und der Zustand dieser neuen Zelle geeignet mit den<br />
Zuständen der Zellen kodiert wird.<br />
4.5 Regel und Verhalten<br />
In Tabelle 1 sind alle totalsymmetrischen Spielregeln in der nach Experimenten vorgenommenen<br />
Klasseneinteilung von Wolfram angegeben. Für jede Regel wurde die Regelnummer entsprechend<br />
Gleichung (6) und deren binäre Form angegeben. Der Folgezustand der Zelle hängt von<br />
der Summe der Zustände aller Zellen der Nachbarschaft ab, die Werte von 0 (keine Zelle mit<br />
Zustand 1) bis 5 (alle Zellen im Zustand 1) annehmen kann. Unter der jeweiligen Summe ist der<br />
Folgezustand der Zelle (0 oder 1) angeordnet.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 17<br />
Abbildung 6: Bei Klasse–4–Automaten, hier T20, ändert sich die Anzahl aktiver Zellen nur<br />
langsam mit der Zeit. Zu erkennen sind Gebilde, die nach relativ langer Zeit verschwinden,<br />
periodische Strukturen und auch periodisch–wandernde Figuren (am Rand der Darstellung des<br />
zyklisch geschlossenen Feldes sichtbar).<br />
Es sind wohl auch auf den zweiten Blick keine Gesetzmäßigkeiten erkennbar, nach denen aus<br />
der Spielregel bzw. aus deren Binärform auf die Klasse geschlossen werden kann, in welche die<br />
Regel einzuordnen ist. Auf den folgenden Seiten soll jedoch ein Näherungsverfahren beschrieben<br />
werden, welches zumindest 3 der 4 Klassen algorithmisch trennen kann. Es liefert zusätzliche<br />
Näherungsergebnisse für Grenzwahrscheinlichkeiten und mittlere Einschwingzeiten der einzelnen<br />
Spielregeln.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 18<br />
Klasse 1 Klasse 2 Klasse 3 Klasse 4<br />
543210 543210 543210 543210<br />
T0 000000 T8 001000 T2 000010 T20 010100<br />
T4 000100 T24 011000 T6 000110 T52 110100<br />
T16 010000 T40 101000 T10 001010<br />
T32 100000 T56 111000 T12 001100<br />
T36 100100 T58 111010 T14 001110<br />
T48 110000 T18 010010<br />
T54 110110 T22 010110<br />
T60 111100 T26 011010<br />
T62 111110 T28 011100<br />
T30 011110<br />
T34 100010<br />
T38 100110<br />
T42 101010<br />
T44 101100<br />
T46 101110<br />
T50 110010<br />
Tabelle 1: Die totalsymmetrischen Regeln des Automaten d = 1, k = 2, r = 2 in dezimaler und<br />
binärer Form nach Klassen sortiert. Ein Zusammenhang zwischen Regel und zugehöriger Klasse<br />
ist (zumindest ohne weiteres) nicht erkennbar.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 19<br />
5 Die Methode der verteilten Fraktionen<br />
Bei der ” Methode der verteilten Fraktionen“ handelt es sich um eine Näherungsmethode, die<br />
es erlaubt, Aussagen über das qualitative Verhalten von zellularen Automaten zu machen. Sie<br />
ermöglicht eine Einteilung in Klassen, die weitgehend der von Wolfram [12] entspricht und liefert<br />
brauchbare Näherungswerte für Grenzwahrscheinlichkeiten und mittlere Lebensdauer verschiedener<br />
Spielregeln.<br />
5.1 Mathematische Beschreibung<br />
5.1.1 Annahmen zur Näherung<br />
In [11] wurde ein grobes Näherungsverfahren beschrieben, bei dem Schätzwerte für die Dichte<br />
der 1–Zellen unter völliger Vernachlässigung der Korrelation zwischen den einzelnen Zellen<br />
berechnet werden können (siehe Abschnitt 5.9). Der hier beschriebene Algorithmus berücksichtigt<br />
die Korrelationen zwischen Gruppen von einzelnen Zellen, jedoch nicht die Korrelationen<br />
zwischen den einzelnen Gruppen. Bei den Gruppen handelt es sich um Zellen, die bezüglich<br />
einer Zelle in derselben Nachbarschaft liegen. Das Verfahren betrachtet, mit welcher Häufigkeit<br />
jede der möglichen Belegungen der Nachbarschaft auf einem (angenommenen) unendlich großen<br />
Feld auftritt. Räumliche Korrelationen zwischen solchen Gruppen gehen unvollständig und nur<br />
indirekt in die Berechnung ein.<br />
Mit Methoden dieser Art sind nur Aussagen über das mittlere Verhalten eines bestimmten<br />
Automaten mit einer bestimmten Regel bei verschiedenen Anfangsbelegungen möglich. Es steht<br />
zu vermuten, daß für immer genauere Aussagen über Mittelwerte des Verhaltens die Korrelationen<br />
immer stärker berücksichtigt werden müssen. Solche immer komplexeren Näherungsmethoden<br />
erfordern immer mehr Rechenzeit, wobei die Grenze der Sinnfälligkeit erreicht ist, wenn<br />
Simulation und Näherungverfahren in der selben Zeit die gewünschten Werte liefern. Die Frage,<br />
ob es ein exaktes Mittelungsverfahren ohne einschränkende Annahmen gibt, ist freilich offen.<br />
Was es mit Sicherheit nicht gibt, ist ein allgemeingültiges Verfahren für Vorhersagen über die<br />
Entwicklung von Anfangsbelegungen, welches von geringerer algorithmischer Komplexität ist als<br />
die Simulation. Da es Automaten gibt, die zur universellen Berechnung fähig sind, sind für die<br />
Vorhersage zumindest genausoviele Berechnungsschritte vonnöten wie für die Simulation [13],<br />
denn das Ergebnis eines Algorithmus kann nur bestimmt werden, in dem man diesen Algorithmus<br />
ausführt. Mit anderen Worten [3]: ” Das Verhalten des Automaten vorhersagen zu wollen,<br />
wäre ... gleichbedeutend mit dem Versuch, das Verhalten eines universellen Computers vorauszuberechnen.“<br />
Das gelingt jedoch nur durch die (mehr oder weniger direkte) Simulation dieses<br />
Automaten.<br />
5.1.2 Der Algorithmus des Näherungsverfahrens<br />
Zur Beschreibung des Algorithmus ist es vorteilhaft, einige der in Abschnitt 2 angeführten Definitionen<br />
in der Art der Darstellung dem Problem anzupassen. So soll zunächst die Konfiguration<br />
der Nachbarschaft losgelöst von der Position der Zelle i und unabhängig von der globalen Konfiguration<br />
betrachtet werden.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 20<br />
Definition 8 Sei N ein eindimensionaler geschlossener Nachbarschaftsindex nach (2) und S<br />
ein Alphabet gemäß (1). Dann heißt das geordnete 2r + 1–Tupel<br />
Ci = (c −r<br />
i , c −r+1<br />
i , . . . , c 0 i , . . . , c r−1<br />
i<br />
lokale Konfiguration.<br />
, c r i ) mit c l i ∈ S, i =<br />
r�<br />
l=−r<br />
k r−l c l i und l = −r, . . . , r , l ∈ Z<br />
i ist dabei die Nummer der Konfiguration, die Werte zwischen 0 und (k2r+1−1), im konkreten<br />
Fall bei r = 2, k = 2 also zwischen 0 und 31 annehmen kann. Wendet man auf eine lokale<br />
Konfiguration die lokale Transformationsfunktion f an, so bezeichnet c0 i den Zustand einer<br />
beliebigen Zelle im aktuellen und<br />
f(Ci) = f(c −r<br />
i , c −r+1<br />
i , . . . , c 0 i , . . . , c r−1<br />
i<br />
den Zustand dieser Zelle im darauffolgenden Zeitschritt.<br />
Für jede der k 2r+1 möglichen lokalen Konfigurationen läßt sich nun angeben, wie häufig<br />
sie auf einem (gedanklich unendlich großen) Automaten vorkommt. Dabei sind zwei Betrachtungsweisen<br />
möglich. In enger Anlehnung an die Klasseneinteilung nach Wolfram kann man<br />
von einer Gleichverteilung aller Werte des Alphabets im Anfangsmuster ausgehen. In einer lokalen<br />
Konfiguration von 2r + 1 Elementen kommt dann jede Belegung eines der Elemente mit<br />
der Wahrscheinlichkeit von 1/k vor, die Wahrscheinlichkeit des Auftretens einer lokalen Konfiguration<br />
Ci beträgt also (1/k) 2r+1 = 1/(k 2r+1 ). Alle lokalen Konfigurationen sind somit initial<br />
gleichverteilt. Für den hier untersuchten Automaten beträgt diese Initialwahrscheinlichkeit 1/32.<br />
Zum selben Resultat gelangt man, wenn man alle möglichen (globalen) Konfigurationen eines<br />
(wiederum gedanklich unendlich großen Automaten) zum Ausgangspunkt nimmt. Hält man<br />
an einer bestimmten Stelle dieses Feldes eine Konfiguration der Nachbarschaft (lokale Konfiguration)<br />
fest und variiert alle anderen Zellen, so gibt die mögliche Anzahl dieser Variationen<br />
an, wie oft an dieser Stelle diese lokale Konfiguration auftritt. Da man diese Operation in der<br />
gleichen Weise für jede lokale Konfiguration an jeder beliebigen Stelle in jeder beliebigen (globalen)<br />
Konfiguration durchführen kann, erhält man für jede der lokalen Konfigurationen — auch<br />
beim Grenzübergang von der endlichen zur unendlichen Ausdehnung — die gleiche Wahrscheinlichkeit.<br />
Da an jeder beliebigen Stelle des Automaten jede der k 2r+1 lokalen Konfigurationen<br />
mit gleicher Wahrscheinlichkeit auftreten kann, die Summe der Wahrscheinlichkeiten jedoch 1<br />
beträgt, folgt für die Wahrscheinlichkeit der Wert 1/(k 2r+1 ), also derselbe wie bei der ersten<br />
Betrachtungsweise.<br />
Über diesem geordneten k 2r+1 –Tupel von Wahrscheinlichkeiten arbeitet der Näherungsalgorithmus.<br />
Da der Algorithmus wiederholt auf das k 2r+1 –Tupel angewandt wird, macht sich eine<br />
Kennzeichnung der Anzahl der erfolgten Anwendungen notwendig; sie erfolgt durch einen oberen<br />
Index t. Der Algorithmus hält sich nicht exakt an die Gesetze der Wahrscheinlichkeitsrechnung;<br />
deshalb soll von diesem Punkt an auf den Begriff Wahrscheinlichkeit verzichtet werden. Stattdessen<br />
werden alle Werte als Bruchteile oder Fraktionen einer Gesamtheit bzw. Dichten bezeichnet.<br />
Die Kennzeichnung erfolgt allerdings trotzdem mit dem Buchstaben p.<br />
Das k 2r+1 –Tupel von Wahrscheinlichkeiten sei:<br />
, c r i )<br />
P t = (p t i) mit i = 0, . . . , k 2r+1 − 1 und p t i = p t (Ci)<br />
Für die initialen Wahrscheinlichkeiten ist dabei p0 i = 1/(k2r+1 ) ∀i, i = 0, . . . , k2r+1 − 1, im<br />
Beispiel also p0 i = 1/32 ∀i, i = 0, . . . , 31.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 21<br />
Das Fraktionstupel P t+1 wird jeweils aus dem Tupel P t berechnet. Dazu werden folgende<br />
Überlegungen angestellt.<br />
Jede lokale Konfiguration Ci wird im Hinblick darauf betrachtet, welche lokale Konfiguration<br />
Cj aus ihr im nächsten Zeitschritt hervorgeht. Nur für den Wert c 0 i kann eindeutig ein Wert c0 j<br />
zugeordnet werden; er ergibt sich aus der Anwendung der lokalen Transformationsfunktion auf<br />
die lokale Konfiguration, d.h. c 0 j = f(Ci). Das Schicksal aller anderen Werte der Konfiguration Ci<br />
hängt von der Umgebung ab, in der die lokale Konfiguration innerhalb der globalen Konfigurati-<br />
on auftritt. Gelänge es, über die Belegungen dieser Umgebung Häufigkeitsaussagen zu machen,<br />
so könnte man auch Bruchteile von pt i bestimmen, die angeben, mit welcher Häufigkeit aus der<br />
Konfiguration Ci eine der insgesamt möglichen Konfigurationen Cj ∀j, j = 0, . . . , k2r+1 − 1<br />
entsteht. Die Häufigkeit der Konfiguration Ci könnte also auf die daraus entstehenden Konfigurationen<br />
Cj verteilt werden, deshalb auch Methode der verteilten Fraktionen.<br />
Verwendet man für die Häufigkeitssaussagen zur Umgebung nur das Fraktionstupel des letzten<br />
Zeitschrittes, so muß man an dieser Stelle eine Näherung zulassen. Das Fraktionstupel enthält<br />
in jedem Zeitschritt (Iterationsschritt des Verfahrens) nur Häufigkeitsangaben über das Auftreten<br />
jeder der lokalen Konfigurationen im gesamten Feld. Es liefert keine Angaben darüber, ob<br />
zwischen den einzelnen lokalen Konfigurationen räumliche Korrelationen bestehen, d.h. ob bestimmte<br />
Konfigurationen in der Umgebung anderer besonders häufig oder selten auftreten. (Dies<br />
führt zu einem weiteren Problem für den Algorithmus, welches unten beschrieben wird.) Geht<br />
man diese Näherung ein, so kann für jeden der Werte cl i , l �= 0 bestimmt werden, mit welcher<br />
Häufigkeit er im nächsten Schritt einen der Alphabetswerte annimmt. Kennt man die Häufigkeit<br />
für all diese Zellen (das Schicksal der zentralen Zelle c0 i ist ja determiniert), so ist die Berechnung<br />
eines Übergangsbruchteils von jeder Konfiguration Ci zu jeder Konfiguration Cj möglich.<br />
Ist also<br />
ˆP t (Ci, Cj) = ˆ P (Ci, Cj, P t )<br />
der Bruchteil bezüglich Ci, der bei Vorliegen des Fraktionstupels P t in die Konfiguration Cj<br />
übergeht, so ist dieser Bruchteil 0, wenn der Wert von c0 j nicht mit dem Ergebnis der Anwendung<br />
der Spielregel auf Ci übereinstimmt. Stimmen hingegen f(Ci) und c0 j überein, so kann<br />
der Bruchteil von P t (Ci), der nach P t (Cj) übergeht, aus dem angegebenen Produkt berechnet<br />
werden:<br />
ˆP t ⎧<br />
⎪⎨<br />
(Ci, Cj) =<br />
⎪⎩<br />
r�<br />
l=−r<br />
l�=0<br />
ˆp t l (Ci, c l j ) : f(Ci) = c 0 j<br />
0 : sonst<br />
Die Werte ˆp t l (Ci, cl j ) im Produkt geben an, mit welcher Häufigkeit ein Wert cli an der Position<br />
l in den zugehörigen Wert cl j an derselben Position übergeht. Bei der Berechnung dieser Werte<br />
spielen die oben genannten Annahmen zur Näherung eine wichtige Rolle. Betrachet man eine<br />
der Zellen cl i der Konfiguration (mit Ausnahme der zentralen Zelle l = 0), so weist diese in<br />
ihrer eigenen Nachbarschaft sowohl Zellen auf, deren Wert durch die Konfiguration Ci festgelegt<br />
ist, als auch solche, die nicht zu Ci gehören, für deren Wert also keine eindeutige Aussage<br />
getroffen werden kann. Geht man alle möglichen Belegungen dieser Zellen durch, so ergibt sich<br />
für die betrachtete Zelle l (cl i ) jeweils eine ganz bestimmte lokale Konfiguration, die zum Teil<br />
durch die Zellen der Konfiguration Ci, zum Teil durch die Belegung der variierenden Zellen<br />
bestimmt wird. Jede dieser Konfigurationen Ck ist im Zeitschritt t mit der Häufigkeit P t (Ck)<br />
vertreten. Bezieht man sich auf die Näherungsannahmen aus 5.1.1, so tritt diese Konfiguration<br />
(11)
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 22<br />
an allen Stellen des Feldes mit gleicher Wahrscheinlichkeit auf, damit auch an dieser. Nun ist<br />
aber ein Teil der Konfiguration Ck schon durch die Konfiguration Ci bestimmt, es sind also<br />
nur noch bestimmte Konfigurationen Ck zugelassen. Nimmt man an, daß für die zugelassenen<br />
Konfigurationen trotzdem die Häufigkeitsrelationen aus P t (Ck) zutreffen, so läßt sich für die<br />
Zelle l (cl i ) bei jeder der möglichen Konfiguration Ck ein Häufigkeitswert angeben. Dieser entsteht<br />
durch Normierung auf die Summe der Häufigkeitswerte der möglichen Konfigurationen Ck.<br />
Für die multiplikative Verknüpfung der so gewonnenen Häufigkeitswerte nach (11) ist allerdings<br />
eine weitere Annahme nötig, die im realen Automaten nicht gegeben ist. Das Autreten<br />
der Konfigurationen für zwei Zellen (außer co i ) ist eigentlich nicht voneinander unabhängig. Das<br />
bedeutet, daß für eine mögliche Belegung der frei wählbaren Zellen die Häufigkeitswerte der<br />
entstehenden Konfigurationen in der Nachbarschaft der beiden Zellen nicht unabhängig sind, da<br />
die Belegungen der beiden Konfigurationen bereits voneinander abhängen. Damit ist die Multiplikation<br />
(UND–Verknüpfung von unabhängigen Wahrscheinlichkeiten) formal nicht zulässig<br />
(siehe auch Abschnitt 5.8).<br />
Die Angabe einer mathematisch allgemeingültigen Gleichung für die ˆp t l (Ci, cl j ) fällt schon<br />
bei eindimensionalen Automaten mit geschlossener Nachbarschaft schwer, da die Struktur der<br />
Nachbarschaft berücksichtigt werden muß. Deshalb seien an dieser Stelle die Gleichungen für<br />
den Fall d = 1, k = 2, r = 2 angegeben. Die oberen Indizes l bei den Belegungswerten der<br />
Zellen geben den räumlichen Abstand zur zentralen Zelle der Nachbarschaft an.<br />
Der Zähler des Bruches gibt die Häufigkeit an, mit der cl i in clj übergeht, durch den Nenner<br />
wird jeder Häufigkeitswert auf die Summe der Häufigkeiten aller möglichen Konfigurationen der<br />
Nachbarschaft der Zelle l normiert.<br />
Die Nachbarschaft der Zelle l = −2 weist zwei veränderliche Werte auf, drei der Werte werden<br />
durch die Konfiguration Ci bezüglich der Zelle l = 0 bestimmt. Demnach ist<br />
ˆp t −2(Ci, c −2<br />
j ) =<br />
k−1 �<br />
k−1 �<br />
c−4 =0 c−3 b(f(c<br />
=0<br />
−4 , c−3 , c −2<br />
i , c −1<br />
i , c0 i ), c−2 j ) · pt ((c−4 , c−3 , c −2<br />
i , c −1<br />
i , c0 i ))<br />
k−1 �<br />
c−4 k−1 �<br />
=0 c−3 p<br />
=0<br />
t ((c−4 , c−3 , c −2<br />
i , c −1<br />
i , c0 i ))<br />
In der Nachbarschaft der Zelle l = −1 ist nur ein Wert variierbar.<br />
ˆp t −1(Ci, c −1<br />
j ) =<br />
k−1 �<br />
c −3 =0<br />
b(f(c−3 , c −2<br />
i , c −1<br />
i , c0 i , c1i ), c−1 j ) · pt ((c−3 , c −2<br />
i , c −1<br />
i , c0 i , c1i ))<br />
k−1 �<br />
c −3 =0<br />
p t ((c −3 , c −2<br />
i , c −1<br />
i , c 0 i , c1 i ))<br />
Auch in der Nachbarschaft von l = 1 kann nur ein Wert geändert werden.<br />
ˆp t 1(Ci, c 1 j) =<br />
k−1 �<br />
c 3 =0<br />
b(f(c −1<br />
i , c 0 i , c1 i , c2 i , c3 ), c 1 j ) · pt ((c −1<br />
i , c 0 i , c1 i , c2 i , c3 ))<br />
k−1 �<br />
c 3 =0<br />
Für l = 2 sind wieder zwei Zellen frei wählbar.<br />
p t ((c −1<br />
i , c 0 i , c1 i , c2 i , c3 ))<br />
(12)<br />
(13)<br />
(14)
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 23<br />
ˆp t 2(Ci, c 2 j) =<br />
k−1 �<br />
k−1 �<br />
c3 =0 c4 =0<br />
b(f(c 0 i , c1 i , c2 i , c3 , c 4 ), c 2 j ) · pt ((c 0 i , c1 i , c2 i , c3 , c 4 ))<br />
k−1 �<br />
c3 k−1 �<br />
=0 c4 p<br />
=0<br />
t ((c0 i , c1i , c2i , c3 , c4 ))<br />
Für die Werte c k , k = −4, −3, 3, 4 gilt jeweils c k ∈ S. In Abbildung 7 sind die betrachteten<br />
Zellen l = −2, −1, 1, 2 und ihre zugehörigen Nachbarschaftsbereiche veranschaulicht.<br />
-4 -3 -2 -1 0 1 2 3 4<br />
-4 -3 -2 -1 0<br />
-3 -2 -1 0 1<br />
-1 0 1 2 3<br />
0 1 2 3 4<br />
Abbildung 7: Die Nachbarschaft der Zellen l = −2, l = −1, l = 1, l = 2. Die Zellen l = −2, . . . , 2<br />
bilden zusammen die Konfiguration Ci. Die anderen Zellen (l = −4, −3, 3, 4) werden variiert.<br />
Mit diesen Berechnungen sind für den gegebenen Zeitschritt nun alle Übergangsbruchteile<br />
ˆP t (Ci, Cj) bekannt. Sie geben jeweils an, welcher Bruchteil der Häufigkeit p t (Ci) der Konfiguration<br />
Cj zugesprochen wird. Jede Konfiguration Cj erhält auf diese Weise summarisch Anteile<br />
von den Häufigkeiten aller Konfigurationen Ci aus dem letzten Zeitschritt. Damit ist:<br />
p t+1<br />
j<br />
=<br />
k 2r+1 −1<br />
�<br />
i=0<br />
p t i · ˆ P t (Ci, Cj)<br />
Jede Konfiguration Ci teilt seinen Häufigkeitswert auf alle Konfigurationen Cj auf; umgekehrt<br />
erhält jedes Cj Anteile von den Häufigkeiten aller Ci. Abbildung 8 verdeutlicht das Vorgehen.<br />
Ausgehend vom gleichverteilten Anfangszustand wird nun mittels des beschriebenen Vorgehens<br />
aus der Häufigkeitsverteilung P t jeweils P t+1 berechnet. In jedem Zeitschritt können<br />
folgende Näherungswerte berechnet werden:<br />
• Mittlere Dichte der Zellen, die sich im Zustand s befinden:<br />
p t s =<br />
k 2r+1 −1<br />
�<br />
i=0<br />
b(c 0 i , s) · p t (Ci)<br />
l=-2<br />
l=-1<br />
l=1<br />
l=2<br />
(15)
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 24<br />
p t (Ci)<br />
... ...<br />
❍<br />
❍❍❍❍❍❍❍❍❍❍❍❍❍❍❍❍❍❍❍❍❥<br />
❏ ✚<br />
❏<br />
✚<br />
✚<br />
❏ ✚<br />
❏❏❏❏❏❏❏❫<br />
✚<br />
ˆP ✚<br />
✚<br />
✚<br />
✚<br />
✚<br />
✚<br />
✚<br />
✚❂<br />
... ...<br />
t (Ci, Cj)<br />
pt+1 0 k<br />
(Cj)<br />
2r+1 − 1<br />
Abbildung 8: Die Häufigkeit einer Konfiguration Cj entsteht summarisch aus Anteilen von allen<br />
Konfigurationshäufigkeiten p t (Ci).<br />
P t<br />
P t+1<br />
Die mittlere Dichte ergibt sich also durch Summation aller Häufigkeitswerte der lokalen<br />
Konfigurationen, deren Zentralzelle den Wert s trägt.<br />
• Mittlere Dichte der Zellen, die im folgenden Schritt vom Zustand s1 in den Zustand s2<br />
wechseln:<br />
p t s1s2 =<br />
k 2r+1 −1<br />
�<br />
i=0<br />
b(c 0 i , s1) · b(f(Ci), s2) · p t (Ci)<br />
Summiert werden somit die Häufigkeiten der Konfigurationen, bei denen sich die Zentralzelle<br />
im Zustand s1 befindet und bei deren Ableitung den Zustand s2 erzeugt wird.<br />
• Mittlere Dichte der Zellen im Zustand s, deren Nachbarn sich ebenfalls sämtlich im Zustand<br />
s befinden ( ” Anteil des homogenen s–Zustandes“):<br />
p t Hs =<br />
k 2r+1 −1<br />
�<br />
i=0<br />
⎛⎛<br />
⎝⎝<br />
r�<br />
l=−r<br />
⎞<br />
⎞<br />
b(c l i, s) ⎠ p t (Ci) ⎠<br />
• Mittlere Dichte der Zellen, deren Nachbarzellen denselben Zustand aufweisen:<br />
k−1<br />
p<br />
s=0<br />
t Hs<br />
p t �<br />
H =<br />
Im Fall d = 1, k = 2, r = 2 wären das die Werte p t 0 , pt 1 , pt 00 , pt 01 , pt 10 , pt 11 sowie pt H0 und pt H1 .
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 25<br />
Abgebrochen wird die iterative Berechnung von P t+1 aus P t dann, wenn sich die Werte p t (Ci)<br />
nur noch geringfügig ändern. Der Abbruch kann zum Beispiel erfolgen, wenn die Bedingung<br />
�<br />
�<br />
�<br />
� k2r+1 �−1<br />
i=0<br />
(p t+1 (Ci) − p t (Ci)) 2 < ε ε ∈ R (16)<br />
erfüllt ist oder eine bestimmte Anzahl Iterationen überschritten wurde. Als günstig bei der<br />
Auswertung der Einschwingzeiten hat sich folgendes Abbruchkriterium erwiesen:<br />
|p t+1<br />
s1s2 − pt s1s2 | < ∆ ∀s1, s2 ∈ S, s1 �= s2 ∆ ∈ R (17)<br />
Als ” eingeschwungener Zustand“ wird demgemäß derjenige betrachtet, bei dem sich die<br />
Häufigkeiten des Übergangs zu einem anderen Zustand nicht mehr ändern. Die Anzahl der<br />
Iterationen bis zum Erreichen dieses Zustandes kann als Maß für die mittlere Einschwingzeit<br />
( ” Lebensdauer“ in Spielregeln der Klasse 1, 2 und 4) betrachtet werden.<br />
Die oben definierten Dichtewerte können auch im eingeschwungenen Zustand berechnet werden.<br />
Zur Abgrenzung gegenüber den anderen Dichtewerten wird bei den Bezeichnungen dann<br />
der obere Index t weggelassen.<br />
5.2 Quantitative Klasseneinteilung<br />
Mit Hilfe der Fraktionsmethode wurden Untersuchungen an totalsymmetrischen Transformationsfunktionen<br />
des Automaten d = 1, k = 2, r = 2 vorgenommen. Für jede der Spielregeln<br />
wurde die Iteration bis zum Inkrafttreten der Abbruchbedingung nach (17) durchgeführt, wobei<br />
∆ = 0.00001 gewählt wurde. In Tabelle 2 sind die Regeln entsprechend der experimentellen Klasseneinteilung<br />
von Wolfram geordnet. Angegeben werden die Dichtewerte des eingeschwungenen<br />
Zustandes p01, p10, p1, pH0 , pH1 und pH.<br />
Das erste augenfällige Unterscheidungsmerkmal zwischen den Klassen findet sich in den<br />
Spalten p01 und p10. Während sich bei Regeln der Klassen 1, 2 und 4 nach einer bestimmten<br />
Anzahl von Iterationen Übergangswahrscheinlichkeiten nahe 0 einstellen, sind die entsprechenden<br />
Werte bei Klasse–3–Regeln deutlich von 0 verschieden. Dies ist plausibel, betrachet man<br />
das Verhalten der Automaten im Experiment. Bei Regeln der Klassen 1 und 2 ändert sich nach<br />
kurzer Zeit die globale Konfiguration nicht mehr; sie verbleibt in einem der homogenen oder<br />
in einem konstanten, nichthomogenen Zustand. Auch in den angegebenen Klasse–4–Automaten<br />
endet die Evolution in den meisten Fällen in einem homogenen oder nichthomogen–konstanten<br />
Zustand, selten entstehen nach einer relativ langen Einschwingphase periodische und periodisch–<br />
wandernde Gebilde. Nur Transformationsfunktionen der Klasse 3 führen zu einer beständigen,<br />
” chaotischen Veränderung“ der globalen Konfiguration. Ein typisches Einschwingverhalten wie<br />
bei den anderen Klassen ist nicht zu beobachten; lediglich die Dichte der 1–Zellen (p1) hat<br />
vermutlich einen von der Regel abhängigen Grenzwert.<br />
Nachdem auf diese Art die Abgrenzung zwischen Regeln der Klasse 1, 2 und 4 sowie Regeln<br />
der Klasse 3 gelungen ist, erlaubt ein weiteres Merkmal die Trennung zwischen der Klasse 4<br />
und den Klassen 1 und 2: die Anzahl der Iterationen. Beide Klasse–4–Regeln weisen gegenüber<br />
allen anderen Regeln lange Einschwingzeiten auf. Auch dies entspricht dem realen Verhalten<br />
der Automaten in der Simulation. Der interessante“ Teil der Evolution ist bei Automaten der<br />
”<br />
Klasse 4 wesentlich länger als bei solchen der Klassen 1 und 2. Erst nach einer großen Anzahl<br />
von Evolutionsschritten geht die globale Konfiguration in konstante (einschließlich homogene)
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 26<br />
Klasse Regel Iterationen p01 p10 p1 pH0 pH1 pH<br />
1 0 2 0.000 0.000 0.000 1.000 0.000 1.000<br />
1 4 40 0.000 0.000 0.000 1.000 0.000 1.000<br />
1 16 7 0.000 0.000 0.000 1.000 0.000 1.000<br />
1 32 4 0.000 0.000 0.000 1.000 0.000 1.000<br />
1 36 68 0.000 0.000 0.000 1.000 0.000 1.000<br />
1 48 13 0.000 0.000 0.000 1.000 0.000 1.000<br />
1 54 68 0.000 0.000 1.000 0.000 1.000 1.000<br />
1 60 13 0.000 0.000 1.000 0.000 0.999 0.999<br />
1 62 4 0.000 0.000 1.000 0.000 1.000 1.000<br />
2 8 15 0.000 0.000 0.000 1.000 0.000 1.000<br />
2 24 39 0.000 0.000 0.000 1.000 0.000 1.000<br />
2 40 17 0.000 0.000 0.000 1.000 0.000 1.000<br />
2 56 6 0.000 0.000 0.500 0.321 0.321 0.641<br />
2 58 17 0.000 0.000 1.000 0.000 1.000 1.000<br />
3 2 16 0.265 0.265 0.290 0.307 0.019 0.326<br />
3 6 34 0.363 0.363 0.419 0.186 0.064 0.250<br />
3 10 6 0.262 0.262 0.470 0.056 0.027 0.084<br />
3 12 23 0.246 0.246 0.431 0.171 0.101 0.272<br />
3 14 30 0.357 0.357 0.508 0.131 0.146 0.278<br />
3 18 9 0.262 0.262 0.372 0.150 0.018 0.168<br />
3 22 14 0.282 0.282 0.583 0.027 0.106 0.133<br />
3 26 9 0.211 0.211 0.628 0.025 0.160 0.185<br />
3 28 20 0.199 0.199 0.587 0.082 0.199 0.281<br />
3 30 1001 0.256 0.277 0.704 0.040 0.277 0.317<br />
3 34 14 0.274 0.274 0.324 0.239 0.022 0.261<br />
3 38 11 0.347 0.347 0.500 0.088 0.088 0.176<br />
3 42 1 0.250 0.250 0.500 0.031 0.031 0.062<br />
3 44 11 0.248 0.248 0.606 0.031 0.153 0.183<br />
3 46 14 0.274 0.274 0.676 0.022 0.239 0.261<br />
3 50 11 0.248 0.248 0.394 0.153 0.031 0.183<br />
4 20 164 0.000 0.000 0.000 0.999 0.000 0.999<br />
4 52 384 0.001 0.001 0.500 0.497 0.497 0.994<br />
Tabelle 2: Ergebnisse der Anwendung der Fraktionsmethode auf die totalsymmetrischen Spielregeln<br />
des Automaten d = 1, k = 2, r = 2. Es sind die Werte für den eingeschwungenen Zustand<br />
angegeben. Auffällig sind die von 0 verschiedenen Übergangsfraktionen (p01, p10) in der Klasse<br />
3 und die langen Einschwingzeiten (Iterationsanzahl) der Klasse–4–Automaten.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 27<br />
oder periodische Strukturen über. Anmerkung: Die lange Einschwingzeit der Regel 30 ergibt sich<br />
aus einem periodischen Verlauf der Übergangswahrscheinlichkeiten. Diese schwanken geringfügig<br />
zwischen den angegebenen Werten. Dadurch versagt das Abbruchkriterium (17); die Berechnung<br />
endet nach einer vorgegebenen Maximalzahl von 1000 Schritten.<br />
Keine Abgrenzung gelingt zwischen Regeln der Klasse 1 und der Klasse 2. Lediglich bei Regel<br />
56 ist erkennbar, daß sich häufig konstante, nichthomogene Konfigurationen aus der Evolution<br />
ergeben: nur ein Teil der Zellen befindet sich in einer homogegen Nachbarschaft. Bei allen anderen<br />
Regeln sind nahezu homogene Zustände mit wenigen andersartigen Zellen die Regel. Der<br />
Algorithmus liefert für diese Regeln etwa 1.0 als Dichte der homogenen Nachbarschaften.<br />
Weitere Aussagen über das Verhalten des Automaten können mittels der Dichten der homogenen<br />
Nachbarschaften getroffen werden. In den Klassen 1, 2 und 4 weist in der Regel eine<br />
der Dichten pH0<br />
und pH1 einen Wert nahe 1.0 auf. Die Evolution dieser Regeln endet in glo-<br />
balen Konfigurationen, bei denen der jeweilige homogene Nachbarschaftszustand überwiegt. In<br />
Klasse–4–Regeln bedeutet dies zum Beipiel, daß nach dem Einschwingvorgang relativ wenige<br />
konstante bzw. periodische oder wandernde Gebilde auf einem sonst homogenen Feld zu finden<br />
sind. Welcher der (hier zwei) homogenen Zustände bevorzugt auftritt, kann aus den genannten<br />
Dichtewerten abgelesen werden.<br />
Im folgenden sollen die Ergebnisse des Näherungsverfahrens an typischen Beipielen aus den<br />
4 Klassen vorgestellt werden.<br />
5.2.1 Zeitliches Verhalten in Klasse 1 und 2<br />
Abbildung 9 zeigt die typischen Zeitverläufe der Näherungswerte p t 01 und pt 10<br />
(links) sowie den<br />
Vergleich zwischen dem genäherten (und gemittelten) Dichteverlauf der 1–Zellen und der Evolution<br />
einer Anfangsbelegung mit gleichverteilten Zellzuständen (rechts) bei der totalsymmetrischen<br />
Regel T4. Deutlich erkennbar verläuft pt 01 stets unterhalb von pt10 . Dadurch sinkt der<br />
Anteil der 1–Zellen rapide auf 0, da in jedem Schritt mehr Zellen von 1 auf 0 als von 0 auf 1 wechseln.<br />
Im rechten Diagramm sind die Näherungskurve und ein realer“ Kurvenverlauf dargestellt.<br />
”<br />
Die Kurve aus der Evolution einer Anfangsbelegung nähert sich zwar früher dem Nullpunkt;<br />
das grundsätzliche Verhalten stimmt jedoch mit dem von der Fraktionsmethode berechneten<br />
überein. Alle Ableitungen wurden an einem zyklischen Feld der Größe 200 vorgenommen, bei<br />
dem jede der Zellen initial mit gleicher Wahrscheinlichkeit den Wert 0 oder 1 trägt.<br />
5.2.2 Zeitliches Verhalten in Klasse 3<br />
Automaten der Klasse 3 zeigen ein typisches Einschwingverhalten, das am Beispiel der Regel<br />
T14 in Abbildung 10 erläutert werden soll. Die Übergangswahrscheinlichkeiten ändern sich hier<br />
auch in ihrem Verhältnis zueinander. Beide streben gegen ein und denselben Grenzwert, der<br />
verschieden von 0 ist. Auch die Dichte der 1–Zellen strebt gegen einen Grenzwert. Im rechten<br />
Diagramm sind Näherungsverlauf und ein realer Verlauf der 1–Dichte gegenübergestellt. Die<br />
Dichte des realen Verlaufes schwankt um den Grenzwert der Dichte, der mittels der Fraktionsmethode<br />
berechnet wurde.<br />
5.2.3 Zeitliches Verhalten in Klasse 4<br />
Das der Klasse 4 typische Verhalten unterscheidet sich von dem in Klasse 1 und 2 im Verlauf der<br />
Übergangsdichten. Beide Werte liegen zum Beipiel beim Automaten T20 im gesamten Iterations-
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 28<br />
Abbildung 9: Links: Übergangsdichten pt 01 und pt10 bei der Anwendung der Fraktionmethode<br />
auf die totalsymmetrische Klasse–1–Regel T4. Die Kurve von pt 01 verläuft stets deutlich unter der<br />
von pt 10 , d.h. der Anteil der Zellen, die von 0 auf 1 wechseln, ist merklich geringer als der Anteil<br />
der Zellen, die von 1 auf 0 wechseln. Dementsprechend sinkt die Dichte der 1–Zellen rasch auf<br />
0. Rechts: Dichteverlauf der 1–Zellen aus der Näherungmethode (obere Kurve) verglichen mit<br />
dem Dichteverlauf einer Anfangsbelegung mit gleichverteilten Zellzuständen. (untere Kurve).<br />
Abbildung 10: Ergebnisse der Fraktionsmethode für die totalsymmetrische Klasse–3–Regel T14.<br />
Links wiederum die Übergangsdichten pt 01 und pt10 . Beide konvergieren gegen denselben Wert.<br />
Rechts im Vergleich die Dichte der 1–Zellen aus der Näherung und aus der Evolution einer<br />
Anfangsbelegung mit gleichverteilten Zellzuständen.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 29<br />
zeitraum dicht beieinander, wobei pt 01 geringfügig unter pt10 verläuft. Dementsprechend klingt<br />
die Dichte der 1–Zellen erst nach einer größeren Anzahl von Iterationen auf 0 ab (Abbildung<br />
11). Bei der Regel T52 liegt sogar ein identischer Verlauf der beiden Übergangsdichten vor. Hier<br />
bleibt die 1–Dichte beim Wert 0.5. Der Verlauf der entsprechenden Dichtewerte einschließlich<br />
des Dichteverlaufs der Evolution findet sich in Abbildung 12.<br />
Abbildung 11: Verlauf der Übergangsdichten (links) und Vergleich zwischen genäherter 1–Dichte<br />
und Experiment (rechts) bei Regel T20. pt 01 verläuft geringfügig unter pt10 , die Dichte der 1–Zellen<br />
klingt deshalb langsam auf 0 ab.<br />
Abbildung 12: Die Übergangsdichten beim Automaten T52 sind im zeitlichen Verlauf identisch<br />
(links). Dadurch bleibt auch die Dichte der 1–Zellen konstant bei 0.5. Die realen Verhältnisse<br />
werden auch hier ausreichend widergespiegelt (rechts).<br />
5.3 Untersuchungen zur Grenzdichte in Klasse 3<br />
Zum Vergleich zwischen den von der Fraktionsmethode vorhergesagten 1–Grenzdichten bei<br />
Klasse–3–Regeln und tatsächlich ” gemessenen“ Dichtewerten wurden Experimente mit der Evolution<br />
von Anfangsbelegungen mit gleichverteilten Zellzuständen durchgeführt. Auf einem zyk-
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 30<br />
lisch geschlossenes Feld der Länge 300 wurden 1000 Ableitungen ausgehend von einer zufälligen<br />
Anfangsbelegung mit gleichverteilten Zellzuständen berechnet und die Dichte der 1–Zellen von<br />
der 300. (bis dahin sollte die Einschwingphase beendet sein) bis zur 1000. Generation gemittelt.<br />
Mit demselben Verfahren wurden die entsprechenden Dichtewerte bei 5 verschiedenen Initialkonfigurationen<br />
berechnet und ebenfalls gemittelt, das Ergebnis ist p1.<br />
Für den Vergleich der theoretischen“ und realen“ Werte bietet sich der relative Fehler nach<br />
” ”<br />
� �<br />
�p1<br />
δ = �<br />
− p1 �<br />
�<br />
� �<br />
(18)<br />
und der absolute Fehler nach<br />
p1<br />
D = |p1 − p1| (19)<br />
an. Wie Tabelle 3 zeigt, liegt der relative Fehler in der Regel unter 20 %, der absolute meist<br />
unter 0.070 . Einzige Ausnahme ist die Regel T30. Die große Abweichung bei T30 resultiert<br />
vermutlich aus den unten beschriebenen formalen Schwachstellen des Algorithmus. Es sei auf<br />
den Abschnitt 5.8 verwiesen.<br />
Regel p1 p1 δ D<br />
2 0.290 0.263 10.3 % 0.027<br />
6 0.419 0.354 18.4 % 0.065<br />
10 0.470 0.466 0.9 % 0.004<br />
12 0.431 0.498 13.5 % 0.067<br />
14 0.508 0.485 4.7 % 0.023<br />
18 0.372 0.383 2.9 % 0.011<br />
22 0.583 0.574 1.6 % 0.009<br />
26 0.628 0.567 10.8 % 0.061<br />
28 0.587 0.525 11.8 % 0.062<br />
30 0.704 0.504 39.7 % 0.200<br />
34 0.324 0.354 8.5 % 0.030<br />
38 0.500 0.498 0.4 % 0.002<br />
42 0.500 0.501 0.2 % 0.001<br />
44 0.606 0.592 2.4 % 0.014<br />
46 0.676 0.647 4.5 % 0.029<br />
50 0.394 0.407 3.2 % 0.013<br />
Tabelle 3: Vergleich zwischen den 1–Dichten aus der Fraktionsmethode p1 und den gemittelten<br />
Werten p1.In der Spalte δ ist der relative Fehler angegeben, in der Spalte D der absolute. Die<br />
stärkste Abweichung tritt bei Regel T30 auf.<br />
5.4 Suche nach zentralsymmetrischen Klasse–4–Regeln<br />
Interessante Resultate liefert die Fraktionsmethode auch bei der Suche nach Regeln mit typischem<br />
Klasse–4–Verhalten unter allen zentralsymmetrischen Regeln des Automaten d = 1, k =<br />
2, r = 2. Für jede zentralsymmetrische Regel (es sind, beachtet man die Ruhebedingung aus
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 31<br />
3.2.3, insgesamt 512), wurde mit der Fraktionsmethode bis zum Eintreten der Abbruchbedingung<br />
(17) mit ∆ = 0.00001 berechnet. Jede Regel, bei der p01 bzw. p10 unterhalb von 0.002 lag<br />
und bei der mehr als 100 Iterationsschritte bis zum Abbruch ausgeführt werden mußten, wurde<br />
als vermutliche Klasse–4–Regel in Tabelle 4 aufgenommen.<br />
Alle Regeln in der Tabelle, die fett gedruckt erscheinen, zeigen das typische Klasse–4–<br />
Verhalten, wie es auch von den beiden totalsymmetrischen Klasse–4–Regeln bekannt ist. pH0<br />
und pH1 lassen hier eine Unterscheidung zwischen Klasse–4–Regeln zu, bei denen begrenzte 1–<br />
Anfangskonfigurationen auf einem ansonsten mit 0 belegten Feld (pH0 ≈ 1.0) oder begrenzte<br />
0–Anfangskonfigurationen auf einem 1–Feld (pH1 ≈ 1.0) in der Regel nicht unbegrenzt wachsen.<br />
Sowohl das eine als auch das andere Verhalten zeigt die Regel S20-26, die mit der totalsymmetrischen<br />
Regel T52 identisch ist. Dort liegen beide Werte bei etwa 0.5. Abbildung 13 zeigt, daß<br />
bei einer begrenzten 1–Belegung mit der Regel S12-20 die Anzahl der 1–Zellen nicht über alle<br />
Maßen wächst. Im umgekehrten Fall (Abbildung 14), bei dem initial wenige 0–Zellen auf einem<br />
1–Feld vorliegen, wächst die Anzahl der 0–Zellen (auf einem unendlich großen Feld) unbegrenzt<br />
an.<br />
Neben den typischen Klasse–4–Regeln wie z.B. S26-25 (Abbildung 15) treten auch Regeln<br />
auf, deren Verhalten als Klasse 4 auf nichthomogen–konstanten oder einfachen periodischen<br />
”<br />
Konfigurationen“ beschrieben werden kann. Abbildung 16 zeigt das Verhalten am Beispiel der<br />
Regel S4-13. Zu dieser speziellen Klasse von Regeln zählen S4-13, S12-14, S12-15, S20-14, S20-15,<br />
S22-14 und S22-15. Von den richtigen“ Klasse–4–Regeln unterscheiden sie sich im Wert von pH;<br />
”<br />
während er bei den typischen Klasse–4–Regeln nahe 1.0 liegt, ist er bei den genannten Regeln<br />
etwa 0.<br />
Vier der vom Algorithmus gefundenen Regeln zeigen kein Klasse–4–Verhalten. Es sind S24-<br />
14, S24-15 und S12-25, die schnell konstante oder kurz–periodische Konfigurationen erzeugen und<br />
so in Klasse 2 fallen, sowie S20-12, die eindeutig das chaotische Klasse–3–Verhalten aufweist.<br />
Die beiden erstgenannten Regeln grenzen sich von den Klasse–4–Regeln (im weiteren Sinne<br />
entsprechend dem letzten Absatz) durch von 0 und von 1 verschiedene Werte von pH ab. Die<br />
Regeln S20-12 und S12-25 sind jedoch von den Klasse–4–Regeln in nichts zu unterscheiden —<br />
hier versagt das Näherungsverfahren.<br />
Regel S28-20 ist zwar eindeutig eine Klasse–4–Regel (sie wird auch als solche gefunden),<br />
die berechneten Werte sind jedoch in diesem Fall nicht brauchbar. Es konnte kein typisches<br />
Klasse–4–Einschwingverhalten beobachtet werden; auch nach über 3000 Ableitungen läßt sich<br />
die Konfiguration nicht nur durch konstante, periodische oder wandernd–periodische Gebilde<br />
charakterisieren. Solche Figuren treten zwar auf, wechselwirken jedoch mit aperiodischen Strukturen.<br />
Vermutlich handelt es sich in diesem Fall um eine Regel, die noch Klasse–4–, aber auch<br />
schon Klasse–3–Eigenschaften aufweist.<br />
Auffällig ist, daß die Klasse–4–Regeln in der Binärform der Regel oft nur geringe Hammingdistanzen<br />
aufweisen. So unterscheiden sich die Regeln S20-10, S4-10, S4-26, S20-26 und S20-27<br />
vom Nachfolger jeweils nur in einem Bit (Tabelle 5). Meist handelt es sich dabei um fS(0, 4),<br />
fs(1, 4) oder fS(1, 0). Dieser Umstand läßt sich vermutlich auf eine Verteilung von Dichten lokaler<br />
Konfigurationen zurückführen, bei denen Konfigurationen mit gleichen Nachbarn nur geringe<br />
Dichtewerte zukommen. In welcher Art diese Konfigurationen in der Transformationsfunktion<br />
bearbeitet werden, ist somit nicht für das Verhalten des Automaten entscheidend.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 32<br />
Regel Iterationen p01 p10 p1 pH0 pH1 pH<br />
4-10 130 0.000 0.000 0.000 0.999 0.000 0.999<br />
4-13 624 0.001 0.001 0.776 0.000 0.000 0.000<br />
4-26 161 0.000 0.000 0.001 0.999 0.000 0.999<br />
12-14 131 0.000 0.000 0.902 0.000 0.000 0.000<br />
12-15 122 0.000 0.000 0.874 0.000 0.000 0.000<br />
12-18 369 0.001 0.001 0.001 0.998 0.000 0.998<br />
12-20 137 0.000 0.000 0.000 0.999 0.000 0.999<br />
12-25 434 0.001 0.001 0.500 0.498 0.498 0.996<br />
20-10 164 0.000 0.000 0.000 0.999 0.000 0.999<br />
20-12 208 0.000 0.000 0.001 0.998 0.000 0.998<br />
20-14 113 0.001 0.001 0.478 0.000 0.001 0.001<br />
20-15 112 0.001 0.001 0.478 0.000 0.001 0.001<br />
20-26 384 0.001 0.001 0.500 0.497 0.497 0.994<br />
20-27 161 0.000 0.000 0.999 0.000 0.999 0.999<br />
22-14 197 0.001 0.001 0.485 0.000 0.001 0.001<br />
22-15 195 0.001 0.001 0.485 0.000 0.001 0.001<br />
22-25 369 0.001 0.001 0.999 0.000 0.998 0.998<br />
24-14 142 0.002 0.002 0.254 0.151 0.002 0.152<br />
24-15 148 0.002 0.002 0.280 0.097 0.002 0.099<br />
26-24 584 0.001 0.001 0.998 0.000 0.997 0.997<br />
26-25 137 0.000 0.000 1.000 0.000 0.999 0.999<br />
28-20 584 0.001 0.001 0.002 0.997 0.000 0.997<br />
Tabelle 4: Ergebnisse der Suche nach Klasse–4–Regeln unter allen zentralsymmetrischen Regeln<br />
des Automaten d = 1, k = 2, r = 2 . Alle fettgedruckten Regeln zeigen tatsächlich das typische<br />
Klasse–4–Verhalten. Regel S20-10 ist identisch mit T20, Regel S20-26 mit T52.<br />
Regel nS0 nS1<br />
20-10 10100 01010<br />
4-10 00100 01010<br />
4-26 00100 11010<br />
20-26 10100 11010<br />
20-27 10100 11011<br />
Tabelle 5: Zwischen Klasse–4–Regeln in ihrer Binärform bestehen oft nur geringe Hammingdistanzen.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 33<br />
Abbildung 13: Regel S12-20: Auf einem 0–Feld bleibt die Anzahl der 1–Zellen einer begrenzten<br />
initialen 1–Belegung begrenzt.<br />
Abbildung 14: Regel S12-20: Auf einem (unendlichen) 1–Feld wächst die Zahl der 0–Zellen<br />
unbegrenzt. Hier endet das Wachstum bei Erreichen der Feldgrenze.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 34<br />
Abbildung 15: Typisches Klasse–4–Verhalten bei der Regel S26-25.<br />
Abbildung 16: Ein Vertreter der ” Klasse 4 auf nichthomogen–konstanten oder periodischen<br />
Strukturen“: die Regel S4-13.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 35<br />
5.5 S28-20 — Kandidat für Berechnungsuniversalität ?<br />
S28-20 ist eine der vom Algorithmus gefundenen zentralsymmetrischen Klasse–4–Regeln (die<br />
Regel S26-24 zeigt das gleiche Verhalten, nur daß 0–Zellen und 1–Zellen vertauscht sind). Die<br />
Regel S28-20 weist unter diesen Regeln wohl das interessanteste“ Verhalten auf. Es existieren<br />
”<br />
eine Vielzahl periodischer (Abbildung 17) oder wandernd–periodischer Gebilde (Abbildung 18),<br />
deren Interaktion verblüffende Resultate hervorbringt (Abbildungen 19 und 20). Wandernd–<br />
periodische Strukturen werden oft als Glider“ bezeichnet — in Analogie zu einer derartigen<br />
”<br />
Struktur, die im LIFE“–Automaten gefunden wurde [4, 3].<br />
”<br />
Es ist vorstellbar, daß sich durch die Wechselwirkung dieser Strukturen Gebilde konstruieren<br />
lassen, mit denen man logische Funktionen (Zusammenprall von Glidern (?), Abbildungen<br />
19, 20), schreib- und lesbare Speicher (Verschiebung von Gebilden (?), Abbildung 19, rechts)<br />
und Taktgeneratoren (Glidergun, siehe z.B. [3], für S28-20 nicht bekannt) nachbilden kann.<br />
Gelänge dies, so wäre ein Weg zum Beweis der universellen Berechenbarkeit offen: die Realisierung<br />
von Baugruppen eines universellen Digitalrechners durch Gebilde des zellularen Automaten.<br />
Während der Nachweis der Existenz von logischen Funktionen“, Speichern“ und<br />
” ”<br />
” Taktgeneratoren“ in zwei– oder höherdimensionalen Automaten unter Umständen genügt, sind<br />
im eindimensionalen Fall bei diesem Beweisverfahren sogenannte Solitonen–Glider“ [3] aufzu-<br />
”<br />
finden. Diese haben die besondere Eigenschaft, sich gegenseitig unbeschadet durchdringen zu<br />
können. Solitonen–Glider sind bei S28-20 bis jetzt nicht bekannt.<br />
Abbildung 17: S28-20 : verschiedene periodische Gebilde<br />
Abbildung 18: S28-20 : drei ” Glider“ mit unterschiedlicher Periode und Geschwindigkeit
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 36<br />
Abbildung 19: S28-20 — Linkes Bild : Der Glider 10111 prallt auf eine periodische Struktur, es<br />
entsteht ein anderer Glider, der sich in entgegengesetzter Richtung bewegt. Rechtes Bild : Trifft<br />
der Glider zu einem anderen Schritt der Periode auf die periodische Figur, so wird diese um eine<br />
Zelle versetzt.<br />
Abbildung 20: S28-20 — Interaktion zwischen Glidern und zwischen Glidern und periodischen<br />
Strukturen.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 37<br />
T32<br />
T36<br />
T20<br />
Ordnung Chaos<br />
S28−20 T14<br />
Vielfalt<br />
Abbildung 21: Ordnung – Vielfalt – Chaos in der Welt der Automaten.<br />
5.6 Ordnung – Vielfalt – Chaos<br />
Am deutlichsten wird wohl die Einordnung der Spielregeln in verschiedene Klassen anhand Abbildung<br />
21. Dargestellt ist ein erweitertes Mengendiagramm der Spielregeln. In ihm soll nicht<br />
nur die Einordnung einer Regel in die entsprechende Teilmenge von Bedeutung sein, sondern<br />
auch die Anordnung der Regeln bezüglich der Teilmengengrenzen. Zwischen dem ausgedehnten<br />
Bereich der Ordnung mit der großen Zahl der Klasse–1- und Klasse–2–Regeln und dem ebenfalls<br />
ausgedehnten Bereich des Chaos, der alle Klasse–3–Regeln enthält, existiert ein sehr schmaler<br />
Streifen der Vielfalt, in dem die wenigen Klasse–4–Regeln zu finden sind. Exemplarisch sind<br />
einige der untersuchten Regeln eingeordnet. T32 mit ihrer kurzen Einschwingzeit liegt tief im<br />
Bereich der Ordnung, während T36 durch die längere Einschwingzeit bereits im Grenzbereich<br />
zwischen Ordnung und Vielfalt anzusiedeln ist. T20 findet sich als Beispiel der Klasse–4–Regeln<br />
im Bereich der Vielfalt; S28-20 bereits an der Grenze zwischen Vielfalt und Chaos (siehe Abschnitt<br />
5.5). T14 als typische Klasse–3–Regel zeigt rein chaotisches Verhalten.<br />
Auch im Verhalten der Zellularautomaten spiegelt sich so eine wohl in der Natur allgemeingültige<br />
Gesetzmäßigkeit wider. Nur in einem schmalen Übergangsbereich von Ordnung zu<br />
Chaos kann sich Systemverhalten mit großer Vielfalt (Leben, Denken ...) herausbilden. Im Bereich<br />
der Ordnung ist das Verhalten des Systems zu einfach, um interessante Eigenschaften<br />
zeigen zu können, es existieren nur beständige und kaum variierbare Strukturen. Im Gebiet des<br />
Chaos ist hingegen die Herausbildung zumindest zeitweilig beständiger Strukturen nicht möglich<br />
[7, 8].<br />
5.7 Untersuchungen an zweidimensionalen Automaten<br />
Neben den zahlreichen Betrachtungen zu den eindimensionalen Automaten wurden auch einige,<br />
aufgrund der erforderlichen Rechenzeit wenige, Untersuchungen an zweidimensionalen Automaten<br />
durchgeführt. Gegenstand der Näherungsberechnungen war hier der Automat d = 2, k =<br />
2, r = 1, wobei eine Moore-Nachbarschaft M (d)<br />
r = M (2)<br />
1 entsprechend Definition 9 Verwendung<br />
fand [9].
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 38<br />
Definition 9 Sei Z d der d–dimensionale ganze Raum. Ein Nachbarschaftsindex N heißt dann<br />
d–dimensionale Moore-Nachbarschaft der Reichweite r, wenn gilt:<br />
N = M (d)<br />
r , M (d)<br />
r = {a ∈ Z d | �a� ≤ r}, �a� = max<br />
1≤i≤d |ai| (20)<br />
Die Nachbarschaft M (2)<br />
1 erfaßt alle 8 unmittelbaren Nachbarzellen einer Zelle im zweidimensionalen<br />
Gitter sowie die Zelle selbst.<br />
Um die Fraktionsmethode effektiv auf diesen Fall anwenden zu können, sind zwei Vorbetrachtungen<br />
vonnöten. Zum einen kann man die Komplexität der Berechnung drastisch reduzieren,<br />
indem man von der Annahme der Unabhängigkeit (siehe 5.8) Gebrauch macht. Es müssen in<br />
diesem Fall nicht alle 2 16 möglichen Belegungen auf den an die Nachbarschaft angrenzenden<br />
16 Zellen durchprobiert werden, sondern es werden unabhängig voneinander die jeweils frei belegbaren<br />
Nachbarn der 8 Nachbarzellen durchgespielt. Das sind insgesamt 4 · 2 3 + 4 · 2 5 = 160<br />
Varianten.<br />
Des weiteren kann man die 256 Konfigurationen auf insgesamt 102 reduzieren, aus denen<br />
die restlichen durch Rotation und Spiegelung an der Diagonale hervorgehen, wenn man davon<br />
ausgeht, daß Rotationen und Spiegelungen auf der Konfiguration Ci genauso in der entstehenden<br />
Konfiguration Cj wirken. Es genügt also, einen Prototyp einer solchen Gruppe von Konfigurationen<br />
zu berechnen und die Ergebnisse entsprechend der Rotationen und Spiegelungen auf die<br />
Zielkonfigurationen zu summieren.<br />
Die Numerierung der verwendeten zentralsymmetrischen Regeln entspricht der bei den eindimensionalen<br />
Automaten angewandten Methode, wobei lediglich die größtmögliche Anzahl von<br />
1–Nachbarn auf 8 steigt.<br />
Untersucht wurde die ” LIFE“-Regel S8-12 [4, 3] und 7 weitere Regeln, die in der Hammingnachbarschaft<br />
von ” LIFE“ liegen: S8-8, S12-12, S24-12, S8-28, S8-24, S8-14 und S10-12. Für<br />
die Experimente zum realen Verhalten der Regeln wurde auf einem Feld der Größe 60 × 30<br />
gearbeitet, welches zu einem Torus geschlossen wurde. Somit ist das Feld endlich, aber ohne<br />
Rand.<br />
Tabelle 6 zeigt die Ergebnisse. Abgebrochen wurde bei ∆ = 0.0005 nach (17).<br />
Regel Iterationen p01 p10 p1<br />
8-12 94 0.012 0.013 0.032<br />
8- 8 12 0.000 0.001 0.001<br />
12-12 15 0.259 0.259 0.391<br />
24-12 8 0.252 0.252 0.376<br />
8-28 23 0.001 0.001 0.531<br />
8-24 29 0.001 0.002 0.004<br />
8-14 13 0.151 0.151 0.339<br />
10-12 11 0.217 0.217 0.397<br />
Tabelle 6: Ergebnisse der Anwendung der Fraktionsmethode auf den beschriebenen zweidimensionalen<br />
Automaten<br />
Die Vorhersagen stimmen in allen 8 Fällen mit der Realität überein. Regel S8-12 hat eine<br />
große Iterationszeit, die Übergangsdichten nähern sich 0 (der Abbruch erfolgt bei einem relativ
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 39<br />
großen ∆). Die Regeln S12-12, S24-12, S8-14 und S10-12 zeigen Klasse–3–Verhalten, was sich<br />
auch in der Ergebnissen der Fraktionsmethode widerspiegelt: die Übergangsdichten sind deutlich<br />
von 0 verschieden. Bei den Regel S8-8 und S8-24 wurde Verhalten der Klasse 2 festgestellt, wobei<br />
die Einschwingdauer bei S8-24 länger als bei S8-8 ist. Auch dies läßt sich aus den berechneten<br />
Werten vorhersagen. Eine Sonderstellung nimmt S8-28 ein. Bei dieser Regel wachsen begrenzte<br />
1–Konfiguration über alle Maßen. Unbegrenzte zufällige Belegungen (die den gesamten Torus<br />
erfassen) ändern sich nach einer Einschwingphase nicht mehr (oder es entstehen Konfigurationen,<br />
bei denen nur wenige Zellen periodische Strukturen bilden). Auch dieses Verhalten erklärt die<br />
Werte der Fraktionsmethode.<br />
5.8 Formale Schwächen des Algorithmus<br />
In den vorangegangenen Abschnitten wurde deutlich, daß die Fraktionsmethode im allgemeinen<br />
brauchbare Aussagen über das Verhalten von Anfangsbelegungen mit gleichverteilten Zellzuständen<br />
liefert. In dieser Aussage liegt wohl auch die primäre Bedeutung des Algorithmus: es<br />
ist möglich, ohne unmittelbare Simulation Aussagen über das (theoretisch über alle Anfangsbelegungen<br />
mit gleichverteilten Zellzuständen gemittelte) Verhalten des Automaten zu treffen.<br />
Nachdenkenswert ist die Frage des Verhältnisses des Aufwands für Simulation und anschließende<br />
Mittelung auf der einen und der Anwendung der Fraktionsmethode auf der anderen Seite.<br />
Statistische Betrachtungen zur notwendigen Versuchsanzahl in der Simulation könnten Aussagen<br />
darüber liefern, ob die Fraktionsmethode schneller zu Ergebnissen führt als die mehrfache<br />
Simulation. Im hier betrachteten eindimensionalen Automaten erscheint die Fraktionsmethode<br />
als die schnellere Variante. Untersuchungen an zweidimensionalen Automaten (siehe 5.7) lassen<br />
allerdings die Vermutung zu, daß es eine Grenze in Dimension, Nachbarschaftsgröße und<br />
Zustandsanzahl gibt, von der an die Simulation geringere Komplexität zeigt als die Näherungsmethode.<br />
Obwohl die Fraktionsmethode sinnfällige und den realen Verhältnissen naheliegende Ergebnisse<br />
hervorbringt, sollen ihre Schwächen nicht verschwiegen werden. Sie sind vor allem formaler<br />
Art.<br />
1. Der Ansatz basiert, wie schon erwähnt, auf der Vernachlässigung der ” räumlichen“ Korrelationen<br />
zwischen den Nachbarschaftszellgruppen. Da der Einflußbereich einer Zelle insbesondere<br />
bei Automaten der Klassen 3 und 4 mit der Zahl der Ableitungen zunimmt<br />
[12], ist zu vermuten, daß es zwar möglich ist, unter zunehmender Berücksichtigung der<br />
Korrelationen bessere Näherungsverfahren zu entwickeln — die Existenz eines Verfahrens<br />
zur exakten Angabe von mittleren Zeitverläufen (gemittelt über alle möglichen Anfangsbelegungen)<br />
steht jedoch in Frage.<br />
2. Gleichung (11) setzt unabhängige Wahrscheinlichkeiten voraus. Diese sind jedoch nicht<br />
gegeben. Da die Nachbarschaften der betrachteten Zellen überlappen, ist es eigentlich<br />
nicht zulässig, das Schicksal der Zellen unabhängig voneinander zu betrachten. Die Wahrscheinlichkeit,<br />
mit der eine Zelle im nächsten Schritt einen bestimmten Zustand einnimmt,<br />
hängt mit der entsprechenden Wahrscheinlichkeit derjenigen Zellen zusammen, mit denen<br />
die erste Zelle gemeinsame Nachbarzellen besitzt. Es ist allerdings nicht gelungen, diesen<br />
Zusammenhang algorithmisch zu beschreiben. Exakt wäre diese Betrachtungsweise nur für<br />
Nachbarschaften, die sich nicht in frei variierbaren Zellen überlappen (siehe unten).
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 40<br />
3. In den Formeln (12) bis (15) wird ein Quotient gebildet, bei dem im Nenner die Summe<br />
der Häufigkeiten steht, mit der die an dieser Stelle möglichen Lokalkonfigurationen auftreten.<br />
Diese Summe kann auch 0 sein. Dieser Fall tritt auch in der Berechnung auf, jedoch<br />
vergleichsweise selten (bei den totalsymmetrischen Regeln sind es 28, 30, 32, 48, 60 und<br />
62, bei denen das geschieht). In der rechentechnischen Umsetzung des Algorithmus wurde<br />
in diesem Fall dem Quotienten der Wert 0 zugewiesen, was formal nicht begründbar ist.<br />
Versuche mit anderen Werten (zwischen 0 und 1) führten zu dem Ergebnis, daß der Einfluß<br />
des gewählten Wertes unbedeutend ist. Das Auftreten des undefinierten Quotienten<br />
ist meist mit einer sehr geringen Häufigkeit der betrachteten Konfiguration verbunden.<br />
Qualitative Änderungen waren daher nicht zu beobachten; einzige auffällige Wirkung war<br />
das Fehlen der periodischen Schwingung bei Regel T30. Bei manchen Werten trat dieses<br />
Verhalten jedoch dann bei Regel T28 auf.<br />
Unter den getroffenen Annahmen wäre es unbedingt erforderlich, ein Gütekriterium für den<br />
Näherungsalgorithmus zu finden, welches Angaben über die Brauchbarkeit der Resultate macht.<br />
Ein solches Kriterium kann vom Autor nicht angegeben werden. Es ist an dieser Stelle lediglich<br />
die Aussage möglich, daß die Ergebnisse in der Mehrzahl der untersuchten Fälle den Erwartungen<br />
entsprechen. Zu Punkt 2 der beschriebenen Schwächen des Algorithmus ließe sich möglicherweise<br />
eine Abschätzung über die Güte angeben. Diese bezieht sich auf die Abhängigkeiten des Schicksals<br />
der Nachbarzellen. Betrachtet man zwei Nachbarzellen, so überlappen sich eventuell deren<br />
Nachbarschaftsbereiche. So hat im Fall d = 1, k = 2, r = 2 die Zelle l = −2 die Nachbarzellen<br />
−4, −3, −2, −1 und 0, die Zelle l = −1 die Nachbarzellen −3, −2, −1, 0 und 1. Die beiden Nachbarschaften<br />
überlappen sich in den Zellen −3, −2, −1 und 0. Von diesen Zellen kann nur die Zelle<br />
−3 frei variiert werden; die restlichen Zellen sind durch die betrachtete Konfiguration bestimmt.<br />
In diesem geringen Überlappungsgrad ist auch die Ursache für die Brauchbarkeit der Ergebnisse<br />
des Algorithmus trotz der getroffenen Einschränkungen zu vermuten. Ebenso liegt hier der Ansatzpunkt<br />
für eine Güteabschätzung. Überlappen sich die Nachbarschaftsbereiche nicht in frei<br />
variierbaren Zellen (wie z.B. bei den Zellen l = −2 und l = 1), so ist die unabhängige Behandlung<br />
des Schicksals der Zellen unter den anderen Näherungsannahmen zulässig. Vermutlich sinkt<br />
die Güte des Algorithmus mit steigendem Überlappungsgrad.<br />
5.9 Vergleich mit einem einfacheren Verfahren<br />
Die Resultate der Fraktionsmethode sollen hier mit einem von Wolfram in [11] vorgeschlagenen<br />
Näherungsverfahren verglichen werden. Dieses Verfahren berücksichtigt nicht die räumlichen<br />
Korrelationen zwischen einzelnen Zellen. Die Häufigkeit ˜pi, mit der eine lokale Konfiguration Ci<br />
auftritt, wird allein aus der Dichte der 1–Zellen p1 (bzw. der Dichte der 0–Zellen p0 = 1 − p1)<br />
berechnet. Sei<br />
n i r�<br />
1 = b(c l r�<br />
i, 1) =<br />
(21)<br />
l=−r<br />
c<br />
l=−r<br />
l i<br />
die Anzahl der 1–Zellen in der lokalen Konfiguration Ci und ni 0 = (2r +1)−ni 1 = 5−ni 1 (d =<br />
1, r = 2, k = 2) die Anzahl der 0–Zellen. Wolfram berechnet daraus die Häufigkeit des Auftretens<br />
der lokalen Konfiguration Ci nach<br />
˜pi = p ni 1<br />
1 · pni 0<br />
0<br />
(22)
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 41<br />
Kennt man die Häufigkeitswerte jeder Konfiguration sowie die Spielregel, so kann man Näherungswerte<br />
für die Übergangsdichten ˜p10 und ˜p01 wie folgt ermitteln:<br />
˜p10 =<br />
˜p01 =<br />
k 2r+1 −1<br />
�<br />
i=0<br />
k 2r+1 −1<br />
�<br />
i=0<br />
b(c 0 i , 1) · b(f(Ci), 0) · ˜pi<br />
b(c 0 i , 0) · b(f(Ci), 1) · ˜pi<br />
Im eingeschwungenen Zustand sind beide Übergangsdichten gleich: ˜p01 = ˜p10. Daraus ergibt sich<br />
hier eine ganze rationale Gleichung 5.Grades für p1. Tabelle 7 zeigt die im Intervall 0 ≤ p1 ≤ 1<br />
liegenden Lösungen für alle totalsymmetrischen Spielregeln. Sie wurden näherungsweise mit einer<br />
Genauigkeit von ±0.001 ermittelt.<br />
Eine ähnliche Tabelle ließe sich für die Übergangswahrscheinlichkeiten angeben. Das größte<br />
Problem ergibt sich aus den mehrfachen Lösungen für p1 — eine Möglichkeit, daraus die ” richtige“<br />
zu ermitteln, kann nicht angegeben werden. Ein Vergleich mit Tabelle 3 macht deutlich,<br />
daß nur bei wenigen Regeln die Vorhersagen für die Grenzdichte der 1–Zellen in der Nähe<br />
der tatsächlichen Dichten liegen. Da nur der Gleichgewichtszustand betrachtet wird, liefert der<br />
Algorithmus auch keine Werte für die Einschwingzeiten. Eine Klasseneinteilung ist mit den gewonnenen<br />
Werten nicht möglich.<br />
(23)<br />
(24)
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 42<br />
Klasse Regel p1 mit ˜p01 − ˜p10 = 0<br />
1 0 0.000<br />
1 4 0.000 0.184 0.324<br />
1 16 0.000<br />
1 32 0.000 1.000<br />
1 36 0.000 0.183 0.333 1.000<br />
1 48 0.000 0.868 1.000<br />
1 54 0.000 0.666 0.816 1.000<br />
1 60 0.000 0.131 1.000<br />
1 62 0.000 1.000<br />
2 8 0.000<br />
2 24 0.000 0.572 0.646<br />
2 40 0.000 1.000<br />
2 56 0.000 0.500 1.000<br />
2 58 0.000 1.000<br />
3 2 0.000 0.331<br />
3 6 0.000 0.487<br />
3 10 0.000 0.475<br />
3 12 0.000 0.133 0.587<br />
3 14 0.000 0.619<br />
3 18 0.000 0.357<br />
3 22 0.000 0.578<br />
3 26 0.000 0.697<br />
3 28 0.000 0.131 0.748<br />
3 30 0.000 0.754<br />
3 34 0.000 0.333 1.000<br />
3 38 0.000 0.500 1.000<br />
3 42 0.000 0.500 1.000<br />
3 44 0.000 0.132 0.638 1.000<br />
3 46 0.000 0.666 1.000<br />
3 50 0.000 0.361 0.867 1.000<br />
4 20 0.000 0.173 0.449<br />
4 52 0.000 0.172 0.500 0.827 1.000<br />
Tabelle 7: Im Intervall [0, 1] liegende Lösungen p1 von ˜p01 − ˜p10 = 0.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 43<br />
6 Zusammenfassung<br />
Anliegen dieser Arbeit war es, Ansätze zur mathematischen Beschreibung des Verhaltens zellularer<br />
Automaten zu untersuchen. Es gelang die Entwicklung eines Näherungsverfahrens, welches<br />
in der Lage ist, Aussagen über das qualitative Verhalten zellularer Automaten zu machen sowie<br />
Näherungswerte für mittlere Abklingverläufe, Einschwingzeiten und Grenzdichten anzugeben.<br />
Es sollten vor allem die in der Arbeit getroffenen Aussagen über die generellen Möglichkeiten<br />
der Voraussage über das Verhalten zellularer Automaten Beachtung finden:<br />
• Ein allgemeingültiges Verfahren, mit dem in Abhängigkeit von Raumdimension, Alphabet,<br />
Nachbarschaft und Transformationsfunktion beliebige Voraussagen über die Entwicklung<br />
von Anfangsbelegungen getroffen werden können, existiert nicht, da dieses Verfahren auch<br />
auf Automaten anwendbar sein müßte, die zur universellen Berechnung fähig sind. Das<br />
Verhalten der letzeren kann jedoch nur durch ihre Simulation bestimmt werden [13, 3].<br />
• Aufgrund der Tatsache, daß der Bereich der gegenseitigen Abhängigkeit der Zellen mit der<br />
Anzahl der Berechnungsschritte anwachsen kann, gibt es Zweifel an der Existenz eines Verfahrens,<br />
mit dem exakt das über alle möglichen Anfangsbelegungen gemittelte Verhalten<br />
angegeben werden kann, ohne daß Näherungsannahmen gemacht werden müssen.<br />
• Gibt es solch ein Verfahren nicht, so bleibt nur die Möglichkeit, Näherungsverfahren zu<br />
vervollkommnen, so daß die Korrelationen zwischen den Zellen in immer stärkerem Maße<br />
berücksichtigt werden. Daß solche Näherungsverfahren brauchbare Aussagen liefern<br />
können, wurde in dieser Arbeit gezeigt. In diesem Fall gelangt man jedoch schnell an die<br />
Grenze der Sinnfälligkeit eines Näherungsverfahrens, wenn nämlich die Komplexität des<br />
Näherungsalgorithmus die der Simulation übersteigt. Diese Grenze ist vermutlich schon bei<br />
der Anwendung der relativ einfachen Fraktionsmethode auf einen ebenfalls recht simplen<br />
zweidimensionalen Automaten (Abschnitt 5.7) erreicht: es sind bereits Symmetriebetrachtungen<br />
vonnöten, um die Rechenzeit in Grenzen zu halten. Oberhalb dieser Grenze liefert<br />
die Simulation schneller brauchbare Werte als die Näherung. Die Existenz dieser Grenze<br />
ist allerdings nicht bewiesen; möglicherweise steigt der Simulationsaufwand mit steigenden<br />
Genauigkeitsforderungen schneller an als der Aufwand für die Näherung.<br />
Im Bewußtsein dieser Schwierigkeiten, die bereits bei der Beschreibung relativ einfacher Systeme<br />
auftreten, erscheint überlegenswert, ob bei dem viel komplizierteren, in [1] beschriebenen<br />
System der Gesamtaufwand für die Entwicklung von mathematischen Beschreibungsmöglichkeiten<br />
den dadurch erzielten Nutzen rechtfertigt, zumal die Funktionstüchtigkeit des Systems mit<br />
den experimentell gewählten Parametern in [1] gezeigt wurde. Selbst wenn die mathematische<br />
Beschreibung des Systemverhaltens gelänge, ist ein Erkenntniszuwachs gegenüber dem jetzigen<br />
Stand keinesfalls sicher.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 44<br />
Anhang A: Beweis zu Satz 2<br />
Es soll zunächst gezeigt werden, daß Satz 2 nicht logisch aus Satz 1 folgt. Sei T (f) die Aussage:<br />
” Die Transformationsfunktion f ist totalsymmetrisch.“, und sei Si(f) die Aussage: f ist invariant<br />
”<br />
gegenüber ΠSY Mi (1 ≤ i ≤ m).“. Zu widerlegen ist somit die Aussage:<br />
��<br />
m�<br />
�<br />
�<br />
∀f ∀i ∀j (i �= j) : T (f) → Sk(f) → ((Si(f) ∧ Sj(f)) → T (f))<br />
k=1<br />
Ohne Widerspruch zu Satz 1 kann ein f angenommen werden, das T (f) zu einer falschen und<br />
alle Si(f) zu wahren Aussagen macht. Dann ist die linke Implikation wahr und die rechte Implikation<br />
falsch und somit die gesamte Implikation falsch. Mit diesem Gegenbeispiel ist die Aussage<br />
widerlegt und Satz 2 muß bewiesen werden.<br />
Zum Beweis von Satz 2:<br />
Sei π ∈ γ (n) eine Permutation, die genau die Elemente i und j vertauscht, d.h. π(i) = j und<br />
π(j) = i mit i �= j sowie π(k) = k ∀k, k �= i, k �= j. Man schreibt dann π = (i, j).<br />
Sei weiterhin π1 · π2 die Hintereinanderausführung von π1 ∈ γ (n) und π2 ∈ γ (n) . π 0 sei das<br />
Einselement von γ (n) und π λ = π · π λ−1 mit λ ∈ N und π ∈ γ (n) .<br />
Hilfssatz 1 Sei A = {(i, j) | (i, j) ∈ γ (n) }. Dann gilt:<br />
{ π | π ∈ γ (n) ; π = a λ · b µ · . . . · c ν ; a, b, . . . , c ∈ A; λ, µ, . . . , ν ∈ N ∪ {0} } = γ (n)<br />
Durch Hintereinanderausführung der Permutationen (i, j) aus A kann also die Menge aller Permutationen<br />
erzeugt werden. Hilfssatz 1 wurde induktiv bewiesen, auf den Beweis soll jedoch hier<br />
verzichtet werden.<br />
Hilfssatz 2 Sei γ (n) die Menge aller Permutationen der Ordnung n, n > 2 (Permutationen<br />
von n Elementen) und U1 ⊂ γ (n) mit U1 = {π | π ∈ γ (n) , π(i) = i} sowie U2 ⊂ γ (n) mit U2 =<br />
{π | π ∈ γ (n) , π(j) = j} und i �= j. Sei U = U1∪U2. Dann kann durch Hintereinanderausführung<br />
der in U enthaltenen Permutationen γ (n) erzeugt werden.<br />
Beweis:<br />
Es gilt (k, l) ∈ U1 ∀k �= i ∀l �= i. Zwar ist (i, l) /∈ U1 ∀l, jedoch (i, l) ∈ U2, ∀l �= j.<br />
Ebenso gilt (k, l) ∈ U2 ∀k �= j ∀l �= j. Hier ist (j, l) /∈ U2 ∀l, aber (j, l) ∈ U1, ∀l �= i.<br />
Da U = U1 ∪ U2 und (i, j) = (i, l) · (j, l) · (i, l) mit l �= i und l �= j und wegen (j, l) ∈ U1 und<br />
(i, l) ∈ U2 gilt Ũ = U ∪ {(i, j)} = {(k, l) | (k, l) ∈ γ(n) }. Ũ erfüllt die Voraussetzungen von<br />
Hilfssatz 1. Damit kann γ (n) erzeugt werden, w.z.b.w.<br />
Beweis: von Satz 2<br />
Für jede Belegung der Argumente der Transformationsfunktion sind sowohl die Permutationen<br />
aus der Menge ΠSY Mi (einer Untergruppe von γ(n) ) als auch die aus ΠSY Mj (ebenfalls<br />
eine Untergruppe von γ (n) ) zulässig, ohne daß sich der Funktionswert ändert. Ebenso sind alle<br />
Hintereinanderausführungen dieser Permutationen erlaubt. Nach Hilfssatz 2 sind dann alle<br />
Permutationen aus γ (n) erlaubt. Damit muß f invariant gegen γ (n) sein und ist demnach totalsymmetrisch.
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 45<br />
Anhang B: Beweis der Umkehrung von Satz 1<br />
Es soll gezeigt werden, daß die Umkehrung von Satz 1 sich durch logisches Folgern aus Satz 2<br />
ergibt. Zu beweisen ist also:<br />
�<br />
�<br />
m�<br />
��<br />
∀f ∀i ∀j (i �= j) : ((Si(f) ∧ Sj(f)) → T (f)) → Sk(f) → T (f)<br />
Für jede Wahl von f, i und j wird der nichtquantifizierte Term zu einer Aussage der Form:<br />
(A → C) → ((A ∧ B) → C),<br />
wobei A, B und C Aussagen sind. Durch Umformen kann bewiesen werden, daß diese Aussage<br />
eine Identität ist. Nach dem modus ponens des Folgerns ( ” Wenn Aussage1 dann Aussage2. Nun<br />
aber Aussage1. Folgerung: Aussage2.“) ist damit die Umkehrung von Satz 1 bewiesen, denn die<br />
Prämisse Aussage1 ist der bewiesene Satz 2 und die Konklusion Aussage2 die zu beweisende<br />
Umkehrung von Satz 1.<br />
k=0
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 46<br />
Literatur<br />
[1] Böhme, H.-J.: Konzipierung und Simulation eines Modells zur kontextabhängigen Szenenrepräsentation<br />
auf der Grundlage eines Arrays elementarer kortikaler Prozessoren, Dissertation<br />
A, <strong>Technische</strong> Hochschule Ilmenau, Ilmenau 1990<br />
[2] Bronstein, I.N.; Semendjajew, K.A.: Taschenbuch der Mathematik, Teubner Verlagsgesellschaft,<br />
Leipzig 1985<br />
[3] Dewdney, A.K.: Computer-Kurzweil, Spektrum der Wissenschaften, Juli 1985 – S.4-11<br />
[4] Gardner, M.: Mathematical Games, Scientific American, Februar, März, April 1971, Januar<br />
1972<br />
[5] Hayes, B.: Computer-Kurzweil, Spektrum der Wissenschaften, Juni 1984 – S.6-15<br />
[6] Hopcroft, J.E.: Turingmaschinen, Spektrum der Wissenschaften, Juli 1984 – S.34–49<br />
[7] Kauffman, S.A.: Leben am Rande des Chaos, Spektrum der Wissenschaften, Oktober 1991<br />
– S.90-99<br />
[8] Kauffman, S.A.: Emergent Properties in Random Complex Automata, Physica 10D, 1984<br />
– S.145-156<br />
[9] Szwerinski, H.: Zellularautomaten mit symmetrischer lokaler Transformation, Dissertation,<br />
Braunschweig 1982<br />
[10] Wolfram, S.: Theory and Applications of Cellular Automata, World Scientific Publishing,<br />
Singapore 1986<br />
[11] Wolfram, S.: Statistical mechanics of cellular automata, in [10]<br />
[12] Wolfram, S.: Universality and complexity in cellular automata, in [10]<br />
[13] Wolfram, S.: Twenty Problems in the Theory of cellular automata, in [10]<br />
[14] Wolfram, S.: Software für Mathematik und Naturwissenschaften, Spektrum der Wissenschaften,<br />
November 1984 – S.164-176
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 47<br />
Verzeichnis der Abbildungen<br />
Abb. Nr. Bezeichnung Seite<br />
1 Venn–Diagramm der Spielregeln 10<br />
2 T36: Beispiel eines Klasse–1–Automaten 14<br />
3 T24: Beispiel eines Klasse–2–Automaten 14<br />
4 T6: Beispiel eines Klasse–3–Automaten 15<br />
5 T6: Klasse 3: unbegrenztes Wachstum begrenzter Anfangsbelegungen 16<br />
6 T20: Beispiel eines Klasse–4–Automaten 17<br />
7 Nachbarschaft und Umgebung bei der Fraktionsmethode 23<br />
8 Das Prinzip der Fraktionsmethode 24<br />
9 T4: Ergebnisse der Fraktionsmethode und reales Verhalten 28<br />
10 T14: Ergebnisse der Fraktionsmethode und reales Verhalten 28<br />
11 T20: Ergebnisse der Fraktionsmethode und reales Verhalten 29<br />
12 T52: Ergebnisse der Fraktionsmethode und reales Verhalten 29<br />
13 S12-20: Die Anzahl der 1–Belegungen bleibt begrenzt. 33<br />
14 S12-20: Die Anzahl der 0–Belegungen bleibt nicht begrenzt. 33<br />
15 S26-25: Typisches Klasse–4–Verhalten 34<br />
16 S4-13: Klasse–4–Verhalten auf konstanten oder periodischen Strukturen 34<br />
17 S28-20: Periodische Strukturen 35<br />
18 S28-20: Wandernd–periodische Strukturen 35<br />
19 S28-20: Interaktion periodischer und wandernd–periodischer Gebilde 36<br />
20 S28-20: Interaktion periodischer und wandernd–periodischer Gebilde 36<br />
21 Ordnung – Vielfalt – Chaos 37<br />
Verzeichnis der Tabellen<br />
Tab. Nr. Bezeichnung Seite<br />
1 Die totalsymmetrischen Spielregeln in Binärform 18<br />
2 Ergebnisse der Fraktionsmethode für totalsymmetrische Regeln 26<br />
3 Genäherte und reale 1–Dichten bei Klasse–3–Regeln 30<br />
4 Zentralsymmetrische Klasse–4–Regeln 32<br />
5 Hammingnachbarschaft bei Klasse–4–Regeln 32<br />
7 Ergebnisse der Näherung nach Wolfram 42<br />
6 Ergebnisse der Fraktionsmethode bei zweidimensionalen Automaten 38
TH Ilmenau / Fak. <strong>Informatik</strong>/Automatisierung / Inv.-Nr. 200–92D–28 48<br />
Erklärung<br />
Ich erkläre, daß ich die vorliegende Arbeit selbständig und nur unter Verwendung der angegebenen<br />
Literatur und Hilfsmittel angefertigt habe.<br />
Ilmenau, den 14. Dezember 1991