|||
广义的克劳修斯熵的洞见:熵和广义熵都是信息量
美国归侨冯向军博士,2017年8月17日写于美丽家乡
《关于决定性事件的概率论》为了摆脱导致物理意义十分明确的信息熵违背因果律的拉格朗日乘数法,为信息熵和其老祖宗玻尔兹曼熵应用于复杂系统另谋出路,提出了广义的克劳修斯熵和最大广义玻尔兹曼熵原理。
给定欲成就的概率分布f(x) = af1(x),
广义的克劳修斯熵 = - log (f(x)/a) = log(1/f1(x)) (1-1)
这也就是说: 广义的克劳修斯熵是分布f1(x)的信息量,也是欲成就的概率分布f(x) 的信息量 + 常数。
这种洞见包含说热力学中的克劳修斯熵是玻尔兹曼分布的信息量 + 常数。
【备考】这里不是哲学上的泛泛而谈,而是精准指出:克劳修斯熵是玻尔兹曼分布的信息量 + 常数;广义克劳修斯熵是欲成就分布的信息量 + 常数。
【附录】
|||
根本不一样的科学研究发展方向:广义的克劳修斯熵
美国归侨冯向军博士,2017年8月14日写于美丽家乡
【摘要】广义的克劳修斯熵和无拉格朗日乘数法的最大广义玻尔兹曼熵原理代表着一种与基于拉格朗日乘数法的最大Tsallis广义熵原理根本不一样的科学研究方向。
【无拉格朗日乘数法的最大广义玻尔兹曼熵原理】
克劳修斯熵是可逆过程中平衡态的熵。因为平衡态的熵具有最大值,所以克劳修斯熵就是玻尔兹曼熵的最大值。当我们命:
玻尔兹曼熵变 = 克劳修斯熵变 (1-1)
就等于是命玻尔兹曼熵取最大值。由方程(1-1)式所导出的概率分布就是具有最大玻尔兹曼熵的概率分布。这就是无拉格朗日乘数法的最大玻尔兹曼熵原理。在无拉格朗日乘数法的最大玻尔兹曼熵原理基础上,将克劳修斯熵变推广为广义的克劳修斯熵变,又去掉玻尔兹曼熵变中的玻尔兹曼常数,就成就了无拉格朗日乘数法的最大广义玻尔兹曼熵原理。
【与“果"分布相对应的广义的克劳修斯熵的一般形式】
与“果"分布f(x)相对应的广义的克劳修斯熵的一般形式是:
广义的克劳修斯熵 = -log(f(x)/a),这其中a是“果”分布系数。(1-2)
【举例】
对于负指数分布f(x) = aexp(-bx),
广义的克劳修斯熵 = bx (1-3)
对于玻尔兹曼分布,x=能量E,b=1/(kT),f(x)=aexp(-E/(kT)),则有:
广义的克劳修斯熵 = 克劳修斯熵新型式 = E/(kT) (1-4)
广义的克劳修斯熵增 = 克劳修斯熵增新型式 = (E2-E1)/(kT) (1-5)