生命游戏 CA

1D形式

限制左边界

1. 由于规则是计算出来的，实际上不需要用匹配的方式
2. 长度可以是固定的，不必动态
3. 人工append，没有完全按照游戏规则生成。在长度未知情况下，将更新过程分为append和refresh两部分。append拓展边界，refresh更新其他部分，但是要注意新增边界不能在一轮中更新两次

# -*- coding: utf-8 -*-
#二种情况01
import numpy as np

import matplotlib.pyplot as plt

def addone(x):
    tmp = reverse(x[-1])
    x=np.append(x,tmp)
    return x
    
#
def refresh(x):
    '''更新前面的
        类似卷积，取三个匹配模板
    '''
    
    tmp = x.copy()
    #补0
    cal = np.insert(x,0,0)
    cal = np.append(cal,0)
    lenth = len(cal)
    #这样x、cal对齐了
    #卷积核
    ConvKernal = np.array([[0,0,0],[0,0,1],[0,1,0],
                           [0,1,1],[1,0,0],[1,0,1],
                           [1,1,0],[1,1,1]])
    
    thisValueTable = [1,0,1,0,1,1,1,0]#编码表
    thisOnehot = [0,0,0,0,0,0,0,0]
    #获取切片 thisSlice
    if(lenth<3):
        #需要特殊处理[1](不可能，来了就是错的)
        #[1,1] 边界补0
        pass
    #滑动窗口
    a = lenth-2#-3?
    
    X_row=np.size(ConvKernal,0)  #计算 X 的行数
    
    for i in range(a):
        
        thisSlice = cal[i:i+3]
        #print(thisSlice)
        
        
        #遍历卷积核
        for j in range(X_row):
            
            #模板匹配得onehot
            #array([0, 0, 1])
            
            if((ConvKernal[j,:] == thisSlice).all()):
        #按照输出LUT
                x[i]=thisValueTable[j]
                
        #边界条件
        print(thisSlice,x[i])
    '''    tmp = x.copy();
    for i in (x.len-1) :
        if(tmp[i]==tmp[i+1]):
            x[i] = reverse(tmp[i])
    '''
    
    
    #完成更新

    return x
        
def reverse(a):
    '''类似激活函数
    '''
    if( a==0 ):
        return 1
    if( a==1 ):
        return 0
    
def graph(arr):
    #1D CA
    rows = 5
    cols = 11
    array = np.zeros((rows, cols), dtype=np.uint8)
    array[0, 5] = 1
    array=arr
    print(array)
    
    def plot_ca(array):
        cmap = plt.get_cmap('Blues')
        plt.imshow(array, cmap=cmap, interpolation='none')
        
    plot_ca(array)
    plt.show()        
                
    
    
if __name__ == '__main__':
    x=np.array([0])  
    finalLength=0#最后一行size
        
    for i in range(10):
        print(i)
        print("轮数")
        x=addone(x)
        x=refresh(x)
        
        print('本轮结果',x)
        a = x.copy()
        finalLength = len(x)
        #a = a[:,np.newaxis];
        if i==0:
            final=a
            
        #final = np.concatenate((final,a),axis=1)
        #final = np.vstack((final,a))
        
    #graph(final)
        

左右不限制

# -*- coding: utf-8 -*-
"""
Created on Wed Dec  1 15:15:54 2021

@author: 天房
"""

import numpy as np
from matplotlib import pyplot as plt

class Table:
    
    def __init__(self,weight=15,height=31):
        thistable = np.zeros((weight,height))
        thistable[0][15] = 1
        ruleTable = np.zeros(8)
        ruleDic = {}
        
        
    #def rule(self):
        
        
def refresh(x,thisValueTable):
    '''更新前面的
        类似卷积，取三个匹配模板
    '''
    
    tmp = x.copy()
    x=x.copy()
    #补0
    cal = np.insert(x,0,0)
    cal = np.append(cal,0)
    lenth = len(cal)
    #这样x、cal对齐了
    
    ConvKernal = np.array([[0,0,0],[0,0,1],[0,1,0],
                           [0,1,1],[1,0,0],[1,0,1],
                           [1,1,0],[1,1,1]])
    
    #thisValueTable = [0,1,0,1,1,1,1,1]#编码表
    thisOnehot = [0,0,0,0,0,0,0,0]
    #获取切片 thisSlice
    if(lenth<3):
        #需要特殊处理[1](不可能，来了就是错的)
        #[1,1] 边界补0
        pass
    
    #滑动窗口
    a = lenth-2#-3?
    
    X_row=np.size(ConvKernal,0)  #计算 X 的行数
    
    for i in range(a):
        
        thisSlice = cal[i:i+3]
        #print(thisSlice)
        
        
        #遍历卷积核
        for j in range(X_row):
            
            #模板匹配得onehot
            #array([0, 0, 1])
            
            if((ConvKernal[j,:] == thisSlice).all()):
        #按照输出LUT
                x[i]=thisValueTable[j]
                
        #边界条件

    
    #完成更新

    return x       
        
if __name__ == '__main__':
    #初始化rule
    weight=12
    height=31
    thistable = np.zeros((weight,height))
    thistable[0][15] = 1
    thistable
    thisValueTable=[0,1,0,1,1,1,1,1]
    for typeNum in range(0,255):
        for j in range(0,8):
            thisValueTable[j] = (int)(typeNum/(2**(7-j)))
            typeNum -=  thisValueTable[j]*(2**(7-j))
        print(thisValueTable)
            
        #更新
        for i in range(0,weight-1):
            thistable[i+1]=refresh(thistable[i],thisValueTable)
            
        #绘图
        array=thistable
        
        def plot_ca(array):
            cmap = plt.get_cmap('Blues')
            plt.imshow(array, cmap=cmap, interpolation='none')
            
        plot_ca(array)
        plt.show()     
    

白嫖的各种算法：

写了类

计算规则种子,好

加速计算 利用Torch

class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

    in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度
    out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积
    kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels
    stride(int or tuple, optional) - 卷积步长
    padding (int or tuple, optional)- 输入的每一条边补充0的层数
    dilation(int or tuple, `optional``) – 卷积核元素之间的间距
    groups(int, optional) – 从输入通道到输出通道的阻塞连接数
    bias(bool, optional) - 如果bias=True，添加偏置

torch.nn.Conv1d(in_channels=weights, out_channels=8, kernel_size=3, padding=1, bias=false)

2D形式

加速计算 利用Torch

卷积滑动更新状态

减少内存消耗 利用状态机

压缩编码，在同一地址更新
https://www.cnblogs.com/grandyang/p/4854466.html