如何求解连续时间布尔延迟方程的精确跃迁时间解

核心逻辑 #

异或操作等价于模2加法，对应到跃迁行为上：

• 每次有效跃迁（状态翻转）会派生两个未来跃迁事件：t+tau1 和 t+tau2
• 同一时间点出现偶数次跃迁时，翻转效果抵消，不会产生状态变化，也不会派生新事件
• 仅同一时间点出现奇数次跃迁时，才是真实的状态跃迁，需要生成后续事件

算法实现步骤 #

我们采用事件驱动的优先级队列方案来实现，避免离散采样的精度损失和无效计算：

• 用**最小堆（优先队列）**按时间升序存储所有待处理的跃迁事件，保证每次优先处理最早发生的事件
• 用字典统计每个时间点的跃迁次数，处理浮点数精度误差的同时，方便判断该时间点的跃迁是否抵消
• 提前设置最大计算时间上限，避免无限运算

Python 实现代码 #

import heapq

def calculate_transition_times(tau1: float, tau2: float, initial_t: float = 0.0, max_T: float = 10.0, precision: int = 12) -> list[float]:
    # 待处理事件的最小堆
    event_heap = []
    # 统计每个时间点的跃迁次数，key为取精度后的时间，避免浮点误差
    transition_count = {}
    
    # 初始化初始跃迁
    heapq.heappush(event_heap, initial_t)
    initial_key = round(initial_t, precision)
    transition_count[initial_key] = 1
    # 存储有效跃迁结果
    valid_transitions = []
    
    while event_heap:
        current_t = heapq.heappop(event_heap)
        # 用固定精度的浮点数作为key，避免计算误差导致同一时间被判定为不同
        t_key = round(current_t, precision)
        
        # 超过最大计算时间直接终止
        if current_t > max_T:
            break
        # 如果这个时间的计数已经被处理过，跳过
        if t_key not in transition_count:
            continue
        
        count = transition_count[t_key]
        # 处理完就删除，避免重复处理
        del transition_count[t_key]
        
        # 偶数次跃迁抵消，跳过
        if count % 2 == 0:
            continue
        
        # 奇数次跃迁为有效跃迁，加入结果
        valid_transitions.append(current_t)
        
        # 生成两个后续跃迁事件
        for tau in [tau1, tau2]:
            next_t = current_t + tau
            if next_t > max_T:
                continue
            next_key = round(next_t, precision)
            # 更新计数
            transition_count[next_key] = transition_count.get(next_key, 0) + 1
            heapq.heappush(event_heap, next_t)
    
    return valid_transitions

# 测试示例：tau1=2/3，tau2=1.0
if __name__ == "__main__":
    tau1 = 2/3
    tau2 = 1.0
    transitions = calculate_transition_times(tau1, tau2, max_T=4.0)
    print("有效跃迁时间：")
    for idx, t in enumerate(transitions[1:]):  # 跳过初始的t=0
        print(f"t[{idx+1}] = {t:.5f}")

输出结果验证 #

运行上述测试代码，输出结果和你给出的预期完全匹配：

有效跃迁时间：
t[1] = 0.66667
t[2] = 1.00000
t[3] = 1.33333
t[4] = 2.33333
t[5] = 3.00000
t[6] = 3.33333
t[7] = 3.66667

方案优势 #

1. 完全避免离散采样的精度误差，得到的跃迁时间精度可通过precision参数自由调整
2. 仅处理存在跃迁的时间点，算力开销远低于等间隔采样方案，尤其是当跃迁稀疏时效率提升明显
3. 自动处理跃迁碰撞抵消逻辑，无需事后回溯删除派生事件，所有被抵消的事件直接不会生成后续跃迁，完全符合方程规则

内容的提问来源于stack exchange，提问作者Hugo Cavalcante