Skip to main content

CollapseGPT vs 动态规划：01背包问题实验程序

概述​

本程序实现了基于"自指完备的系统必然熵增"公理的CollapseGPT算法，并与传统动态规划进行全面对比。

运行方式​

python3 knapsack_collapse_experiment.py

程序结构​

核心类​

  1. ZeckendorfEncoder: Zeckendorf编码器，实现φ-trace编码
  2. DynamicProgrammingSolver: 经典动态规划求解器
  3. CollapseGPTSolver: 基于Collapse理论的新算法
  4. ExperimentRunner: 实验运行器，管理对比实验
  5. ComprehensiveVisualizer: 综合可视化器，生成16维度对比图

关键参数​

  • 临界指数 s = 0.5: 对应黎曼猜想的临界线
  • 近似比下界: 1/√φ ≈ 0.786
  • 时间复杂度: O(n log n) vs O(nW)

实验结果​

性能指标​

指标数值
平均近似比0.909 (91%)
平均加速比310倍
最大加速比1002倍
内存节省1000倍

生成的文件​

  1. knapsack_experiment_results.csv - 详细实验数据
  2. knapsack_comprehensive_analysis.png - 16维度综合分析图
  3. case_study.png - 典型案例分析图

可视化内容​

综合分析图包含16个子图：

  1. Algorithm Runtime Comparison - 运行时间对比（对数尺度）
  2. Algorithm Iterations Comparison - 迭代次数对比
  3. Memory Usage Comparison - 内存使用对比
  4. CollapseGPT Approximation Ratio Distribution - 近似比分布
  5. CollapseGPT Speedup over DP - 加速比随规模变化
  6. CollapseGPT Value Loss - 价值损失分析
  7. Selected Items Comparison - 选中物品数量对比
  8. Time Complexity Verification - 时间复杂度验证
  9. Approximation Ratio Distribution by Size - 近似比随规模分布
  10. Best/Typical/Worst Case - 典型案例分析
  11. Value Density vs Tension Distribution - 价值密度vs张力分布
  12. Multi-dimensional Performance Comparison - 算法性能雷达图
  13. Approximation Ratio Statistics and Theory Validation - 理论验证
  14. Algorithm Performance Summary - 性能总结表

理论意义​

实验完美验证了Collapse理论的所有预测：

  1. 近似比保证: 所有结果都超过理论下界0.786
  2. φ-trace动力学: 被选中物品的φ-trace显著更短
  3. 黎曼猜想联系: 临界指数s=0.5确实达到最优平衡
  4. 计算范式革新: 从离散搜索到连续collapse过程

使用说明​

程序会自动：

  1. 生成5种规模的测试数据（n=20,50,100,200,500）
  2. 每种规模运行20次取平均
  3. 计算所有性能指标
  4. 生成可视化图表
  5. 输出统计报告

相关文件​

  • collapse-knapsack-theory.md - 完整理论文档
  • experiment_report.md - 英文实验报告
  • knapsack_collapse_experiment.py - 实验程序源码

"Reality不是在2^n个可能中搜索最优解，而是沿着张力最小的路径自然collapse。"