关于生命游戏问题的浅析（Matlab数学建模）

Etherious_Young

已于 2024-09-09 13:30:23 修改

阅读量1.1k

点赞数 24

分类专栏：数学建模文章标签：数学建模 matlab

于 2024-09-09 09:25:47 首次发布

本文链接：https://blog.csdn.net/NatsuD/article/details/142042460

版权

数学建模专栏收录该内容

4 篇文章

订阅专栏

游戏在一个类似于围棋棋盘一样的二维方格网中进行。设想每个方格中都可放置一个生命细胞，生命细胞只有两种状态：“生”或“死”。游戏开始时, 每个细胞可以随机地（或给定地）被设定为“生”或“死”之一的某个状态, 再根据某种演化规则（生存定律）计算下一代每个细胞的状态。

“生命游戏”的演化规则：

①生存：对一个活的元胞，如果它的邻居中有2个或3个元胞是活的，那么该元胞将继续生存；

②死亡：对于一个活的元胞，如果它的邻居中有4个或4个以上的元胞是活的，该元胞死亡；

如果它的邻居中只有1个或没有活的元胞，那么死亡；

③繁殖：对1个空的元胞，如果它的邻居中有3个活的，那么该元胞将被激活成为活的元胞。

请编写程序实现该游戏，并观察模式，至少找到5种新模式，给出每种模式的迭代演化过程。

“生命游戏”是一种细胞自动机模型，由数学家约翰·康威（John Conway）在1970年提出。它通过简单的规则模拟了细胞的生存、死亡和繁殖，从而展示了复杂的动态行为。该模型不仅在理论计算机科学中有广泛应用，也在数学、物理和生物学等领域中具有重要意义。

1.问题分析

因为技术力有限，所以可以采取比较笨的办法，在实验里大范围大数量随机生成，尽量让他们互不干扰，然后在数个周期之后还存在演化的就是我们要找的了，过程中这些可能会相互干扰，所以可以进行观察，把那些未受干扰时稳定的找出，然后就可以把这些仍然正在演化的提取出，进行进一步验证。

2.模型原理

基本概念

“生命游戏”是一个零玩家游戏，通过简单的规则来模拟细胞的生长、死亡和繁殖。游戏在一个二维网格上进行，每个网格点代表一个细胞，细胞有两个状态：“生”或“死”。

规则

生存：一个活细胞如果周围有2个或3个活细胞，它将继续生存。
死亡：一个活细胞如果周围有少于2个或多于3个活细胞，它将死亡。
繁殖：一个死细胞如果周围恰好有3个活细胞，它将变成活细胞。

模型原理

初始化：棋盘被设置为一个大小为 s×ss \times ss×s 的二维网格，每个网格点（细胞）初始状态为“生”或“死”。状态初始化通常是随机的，以一定的概率使细胞为“生”状态。
状态更新：每个细胞的状态在每一代更新一次。更新时，检查其8个邻居的状态，根据上述规则决定细胞的下一个状态。
可视化：更新后的棋盘状态通过图像进行显示，使得演化过程可以直观地观察到。

模型运行步骤

初始化棋盘：创建一个空的棋盘网格，并随机设置细胞的初始状态。
更新细胞状态：按照规则遍历棋盘中的每一个细胞，计算其邻居的状态，决定其在下一代的状态。
记录和可视化：记录每一代的状态，并实时显示棋盘图像，以观察细胞的演化过程。
稳定性分析：观察并分析哪些细胞区域在经过多个周期后保持稳定，提取这些稳定的模式进行进一步研究。

稳定模式

稳定模式是指在经过一定数量的迭代后，棋盘上的状态不再发生变化。通过观察这些模式，可以了解细胞如何在不同初始条件下演化成各种结构，包括静止的、周期性变化的、和其他复杂的结构。

这种模型的魅力在于其简单的规则能够产生复杂而富有规律的行为，展示了从简单的起点到复杂结构的演化过程。

3.相关函数命令

矩阵索引

data(x, y)

这个表达式指的是data矩阵中第x行第y列的元素。例如，如果data是一个5x4的矩阵，data(2, 3)将返回矩阵中第2行第3列的元素。

data(:, y)

这个表达式指的是data矩阵中第y列的所有行的值组成的一个列向量。例如，如果data是一个5x4的矩阵，data(:, 3)将返回一个5x1的列向量，其中包含第3列的所有值。

data(:, [y1:y2])

这个表达式指的是data矩阵中从第y1列到第y2列的所有行的值组成的一个子矩阵。例如，如果data是一个5x6的矩阵，data(:, [2:4])将返回一个5x3的子矩阵，其中包含第2列到第4列的所有行的值。

`zeros` 函数

X = zeros

如果不提供参数，zeros函数返回一个标量0。比如 X = zeros 会返回0。

X = zeros(n)

如果提供一个标量n，zeros函数返回一个n×n的全零矩阵。例如，zeros(3) 将返回一个3x3的全零矩阵：

X = zeros(3);
% X =
%      0     0     0
%      0     0     0
%      0     0     0

X = zeros(sz1, ..., szN)

如果提供多个维度，zeros函数返回一个具有这些维度的全零数组。例如，zeros(2, 3) 将返回一个2x3的全零矩阵：

X = zeros(2, 3);
% X =
%      0     0     0
%      0     0     0

X = zeros(sz)

如果sz是一个向量，zeros函数返回一个具有该向量指定大小的全零数组。例如，zeros([2 3]) 也会返回一个2x3的全零矩阵：

X = zeros([2 3]);
% X =
%      0     0     0
%      0     0     0

X = zeros(___, typename)

如果提供了typename，zeros函数会返回一个具有指定数据类型的全零数组。例如，zeros(2, 'int8') 返回一个2x2的全零矩阵，数据类型为8位整数：

X = zeros(2, 'int8');
% X =
%      0     0
%      0     0

X = zeros(___, 'like', p)

如果提供了一个示例数组p，zeros函数会返回一个与p具有相同数据类型和其他属性的全零数组。例如，如果p是一个single类型的数组，zeros(2, 'like', p) 将返回一个single类型的全零数组：

p = single([1 2; 3 4]);
X = zeros(2, 'like', p);
% X =
%      0     0
%      0     0
% (X的类型是single)

条件语句

if expression, statements, end

在MATLAB中，if语句用于根据表达式的真假来控制程序的执行。如果expression的值是非空且所有元素都为非零，则条件为真，statements部分将被执行。

elseif 和 else

elseif 和 else 是可选的部分。如果if的条件不满足，可以通过elseif检查其他条件，或者通过else在所有条件都不满足时执行某些操作。
```
x = 5;

if x < 0
    disp('x is negative');
elseif x == 0
    disp('x is zero');
else
    disp('x is positive');
end
```
在这个示例中，根据x的值，程序会打印出“x is positive”，因为x的值是5，满足else部分的条件。

4.算法代码

为了实现想法并在MATLAB中探索生命游戏的演化模式，我们可以采用如下步骤：

扩展棋盘

为确保实验中不同细胞之间的干扰尽可能小，我们可以增加棋盘的大小。这样可以使不同区域之间的干扰降到最低。

随机初始化

生成大量随机的初始状态，并记录每个状态的演化过程。

观察与分析

在模拟一定数量的周期后，记录哪些区域的状态仍在变化，并将这些区域提取出来进行进一步验证。

提取稳定模式

对于那些长时间内状态没有变化的区域，分析其演化过程并尝试提取和总结出稳定的模式。

以下是一个实现这些步骤的MATLAB代码：

% 参数设置
s = 200; % 棋盘大小（更大尺寸以减少干扰）
w = 8; % 每一个元包的像素宽度
num_iterations = 1000; % 总迭代次数
initial_density = 0.4; % 初始化细胞的生存概率
threshold = 0.01; % 稳定性阈值，用于识别稳定模式

% 初始化棋盘和状态
board = zeros(w*s, s*w); % 棋盘图片
state = rand(s, s) < initial_density; % 随机初始化

% 准备记录演化状态
history = zeros(s, s, num_iterations);
history(:,:,1) = state;

% 主循环
for k = 1:num_iterations
    % 更新状态
    newState = state;
    for i = 1:s
        for j = 1:s
            % 计算邻居着活着的个数
            cnt = sum([
                state(max(i-1,1), max(j-1,1)), state(max(i-1,1), j), state(max(i-1,1), min(j+1,s)), ...
                state(i, max(j-1,1)),                               state(i, min(j+1,s)), ...
                state(min(i+1,s), max(j-1,1)), state(min(i+1,s), j), state(min(i+1,s), min(j+1,s))
            ]);
            
            % 更新状态
            if state(i,j) == 0 && cnt == 3
                newState(i,j) = 1;
            elseif state(i,j) == 1 && (cnt < 2 || cnt > 3)
                newState(i,j) = 0;
            end
        end
    end
    
    % 记录当前状态
    history(:,:,k) = newState;
    
    % 更新状态
    state = newState;
    
    % 更新棋盘图像
    board((1:s)*w, (1:s)*w) = state * 255;
    imshow(board);
    pause(0.1);
end

% 分析稳定模式
for i = 1:s
    for j = 1:s
        % 检查当前区域的状态稳定性
        stable = true;
        for k = 2:num_iterations
            if norm(history(i,j,k) - history(i,j,k-1)) > threshold
                stable = false;
                break;
            end
        end
        
        if stable
            fprintf('区域 (%d, %d) 稳定\n', i, j);
            % 可以进一步提取并分析稳定区域
        end
    end
end

参数设置：
- s：棋盘的尺寸，设置得更大以减少不同区域之间的干扰。
- w：每个细胞的像素宽度，用于可视化。
- num_iterations：模拟的总周期数。
- initial_density：初始化时细胞的生存概率。
- threshold：用于判断细胞是否稳定的阈值。
初始化：
- state：根据给定的生存概率随机初始化细胞状态。
主循环：
- 更新每个细胞的状态。
- 记录每一代的状态。
- 使用imshow实时显示棋盘状态。
稳定模式分析：
- 检查每个细胞区域的状态在一定周期后是否稳定。
- 如果稳定，输出该区域的位置，并进行进一步分析。