Сотовые автоматы класса python - PullRequest
Новая
       22

Сотовые автоматы класса python

2 голосов
/ 13 апреля 2020

Я создал класс, который инициирует и обновляет данные CA, и я создал функцию 'Simulate', которая обновляет ячейки на основе правила, согласно которому огонь распространяется по деревьям и оставляет пустые места. Пустые пространства заменяются деревьями на основе заданной вероятности.

Возникла проблема, при которой моя функция применяет правило к текущему держателю данных, а не к предыдущему. Я установил prevstate = self.state в качестве временного держателя данных для предыдущей итерации, но, выполняя небольшие тесты, я обнаружил, что он дает те же результаты, как если бы я вообще не включал эту строку. Что я делаю не так? 

import numpy as np
import random
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap, colorConverter
from matplotlib.animation import FuncAnimation

#dimentions:
x = 10
y = 10

lighting = 0  #set to 0 for testing
grow = 0.3


#parameter values
empty = 0
tree = 1
fire = 2

random.seed(1)

#CA Rule definition
def update(mat, i, j, lighting, grow, prob):
    if mat[i, j] == empty:
        if prob < grow:
            return tree
        else:
            return empty
    elif mat[i, j] == tree:
        if max(mat[i-1, j], mat[i+1, j], mat[i, j-1], mat[i, j+1]) == fire:
            return fire
        elif prob < lighting:
            return fire
        else:
            return tree
    else:
        return empty


########## Data Holder
class Simulation:
    def __init__(self):
        self.frame = 0
        #self.state = np.random.randint(2, size=(x, y)) commented out for testing
        self.state = np.ones((x, y))
        self.state[5, 5] = 2  #initial fire started at this location for testing

    def updateS(self):
        prevstate = self.state    #line of code i think should be passing previous iteration through rule

        for i in range(1, y-1):
            for j in range(1, x-1):
                prob = random.random()
                self.state[i, j] = update(prevstate, i, j, lighting, grow, prob)

    def step(self):
        self.updateS()
        self.frame += 1


simulation = Simulation()
figure = plt.figure()

ca_plot = plt.imshow(simulation.state, cmap='seismic', interpolation='bilinear', vmin=empty, vmax=fire)
plt.colorbar(ca_plot)
transparent = colorConverter.to_rgba('black', alpha=0)
#wall_colormap = LinearSegmentedColormap.from_list('my_colormap', [transparent, 'green'], 2)


def animation_func(i):
    simulation.step()
    ca_plot.set_data(simulation.state)
    return ca_plot

animation = FuncAnimation(figure, animation_func, interval=1000)
mng = plt.get_current_fig_manager()
mng.window.showMaximized()
plt.show()

Любые комментарии о лучших способах реализации CA приветствуются!

Ответы [ 2 ]

4 голосов
/ 13 апреля 2020

Python присваивания являются указателями ... Поэтому, когда вы обновляете self.state, то и prevstate также обновляется.

Я ожидаю, если вы установите: 

prevstate = copy.copy(self.state)

Это должно решить вашу проблему.

Копирование документов

1 голос
/ 14 апреля 2020

Как правильно заметил jabberwocky, ваша проблема в том, что строка prevstate = self.state делает prevstate новой ссылкой на тот же массив numpy, что и self.state, так что изменение содержимого одного также изменяет другое.

Однако вместо копирования массива на каждой итерации, несколько более эффективным решением было бы предварительно выделить два массива и поменять их местами, что-то вроде этого: 

class Simulation:
    def __init__(self):
        self.frame = 0
        self.state = np.ones((x, y))
        self.state[5, 5] = 2
        self.prevstate = np.ones((x, y))  # <-- add this line

    def updateS(self):
        self.state, self.prevstate = self.prevstate, self.state  # <-- swap the buffers

        for i in range(1, y-1):
            for j in range(1, x-1):
                prob = random.random()
                self.state[i, j] = update(self.prevstate, i, j, lighting, grow, prob)

Я говорю "слегка", потому что все вы действительно сохраняете копию массива numpy и некоторую работу для сборщика мусора. Однако, если вы достаточно оптимизируете свое внутреннее обновление состояния l oop - например, реализуете правило CA с использованием numba - относительная стоимость дополнительной копии массива начнет становиться значительной. В любом случае, у этого метода «двойной буферизации» нет никаких отрицательных сторон, так что это хорошая привычка.

...