国际泛系学派隆重宣告:支持张学文先生的组成论  

International Pansystems School Grandly Claims that We support Prof. Zhang Xue Wen's Constitution Theory

冯向军 博士

Dr. Leon Feng

冯向军博士历任美国某大公司高级开发工程师,高级研究员.IBM高级开发工程师/科学家. 中国华中理工大学正教授.IBM杰出技术成就奖两项,霍英东青年教师(研究类)奖一项.中国青年科技奖一项.中国国家自然科学奖一项. 中国教育部科学技术进步一等奖一项.

(200435 发表于 http://www.aideas.com

张学文先生是1957年中国北京大学物理系气象专业毕业生。毕业后一直在新疆从事扎扎实实的气象研究工作直到1998年退休为止。在长期的气象研究实践中,张学文先生不断深化对气象科学的基本原理和研究手段的认识。终于发现分布函数、熵、最大熵原理是气象学中具有很高的实用价值而又有跨学科意义的科学概念、方法和原理。

由此认识出发,张学文先生决心把毕生的研究心得推广为一种跨学科的新理论。这个理论乃是张学文先生多年科技实践中最后找到的一个落脚点,而非凭空而起的空中楼阁。这个理论就是我们将要大力宣(传)介(绍)的组成论。

张学文先生的组成论以三个概念一个原理为基石。这三个概念是广义集合,分布函数和复杂程度。

这个基本原理称之为复杂度定律它以最复杂原理为基石。张学文先生的组成论研究的是事物内部组成问题中的具有相对普适性、相对确切性和形式的相对具体性的一般科学原理。

所谓广义集合就是具备下列性质的总体 1。可以分成多个(>=0)地位相等的个体。2。对于某个(可能多个)标志而言,每个个体都有确定的标志值。从泛系理论的角度来看,广义集合就是以个体泛系为元素所形成的集合或泛空间。

个体泛系=(PSV),

PS乃个体所具有的泛对称,而V则是个体的标志值。每一个具有泛对称PS的个体都必须单独计数,不论它的标志值是否与其他个体相同。所谓分布函数就是建立在广义集合上的f(V)。其中 V 为个体的标志值。f 为具有该标志值的个体数量。 从泛系理论的角度来看,

分布函数与广义集合的关系是 一种形影关系。 f: V ---->具备标志值V的个体数量。

所谓复杂程度 就是

C C =-[ n1log(n1/N) + n2log(n2/N)+。。。+nklog(nk/N)]

其中 ni = f(Vi) (i = 1,2,...k), N = f(V1) +f(V2) +...+f(Vk), k为标志值的种类数。

由此可见ni为具有标志值Vi的个体数量,而N则是个体总数。C 与西方信息论中的熵H的关系是

C =NH

从泛系理论来看, 复杂度与广义集合的关系是另一类形影关系:

C Vi----->N倍熵 (i = 1, 2,, k)

所谓复杂度定律就是所有随机性的客观事物(广义集合)都自动使自己内部状态的复杂程度在限制条件下达到最大值。组成论证明了如下的等价关系:最大复杂度对应个体标志值的最大分散度; 最大复杂度也对应分布函数的最大概率。从泛系理论的角度来看,复杂度定律反映客观事物的一种集散关系:由不同因缘和合而成的客观事物自动使内部的复杂分散程度在限制条件下最大。从这个意义上而言,最复杂原理也是老子之道反者道之动的一种特例。因为广义集合的形成必须让内部的个体标志值分散度最大。这就是说集中与分散相生。另一方面,从整体上来看广义集合其复杂度为零,因为以该广义集合为个体的广义集合有且仅有一个个体即该广义集合。于是又有零复杂度与最大复杂度相生。沿着这条思路,我们发现最大复杂度原理也体现了如下的悖论:

自我非我。假如把作为一个广义集合,这个的构成就必须具有最大的复杂度。就相当于一堆最复杂的事物的假合。复杂度定律与广义集合的关系又是另一种形影关系。

于是我们可以令

GH = 广义集合

GS = S | S {分布函数,复杂程度,复杂度定律}

其中 S 包含一切关于广义集合的与组成问题有关的形影关系及其他广义关系。

整个过去现在未来的组成论 就自成一泛系 CT (The Pansystems of Constitution Theory)

CT = ( GH GS)

其中 CT 就是整个过去现在未来的组成论所形成的泛系。

GH CT的广义硬件,而GSCT的广义软件。

我们为泛系学术空间的学术新秀---组成论道贺

Fig. 1 The Relationship between Prof. Zhang’s Complexity and the Probability for a Binomial Distribution


Fig. 2 The Probability*100 and Prof. Zhang’s Complexity(Bits) vs. m for a Binomial Distribution. The m is the number of individuals which have the characteristic value of “Yes”. It was assumed that the probability of “Yes” = the probability of “No” = 0.5.