熵 信息熵 与 熵定律

《熵 信息熵 与 熵定律》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、熵信息熵与熵定律熵  shāng  ◎物理学上指热能除以温度所得的商，标志热量转化为功的程度。◎科学技术上泛指某些物质系统状态的一种量（liàng）度，某些物质系统状态可能出现的程度。亦被社会科学用以借喻人类社会某些状态的程度。◎在信息论中，熵表示的是不确定性的量度。1.只有当你所使用的那个特定系统中的能量密度参差不齐的时候，能量才能够转化为功，这时，能量倾向于从密度较高的地方流向密度较低的地方，直到一切都达到均匀为止。正是依靠能量的这种流动，你才能从能量得到功。  江河发源地的水位比较高，那里的水的势能也比河口的水的势能来得大。由于这

2、个原因，水就沿着江河向下流入海洋。要不是下雨的话，大陆上所有的水就会全部流入海洋，而海平面将稍稍升高。总势能这时保持不变。但分布得比较均匀。  正是在水往下流的时候，可以使水轮转动起来，因而水就能够做功。处在同一个水平面上的水是无法做功的，即使这些水是处在很高的高原上，因而具有异常高的势能，同样做不了功。在这里起决定性作用的是能量密度的差异和朝着均匀化方向的流动。  熵是混乱和无序的度量.熵值越大,混乱无序的程度越大.我们这个宇宙是熵增的宇宙.热力学第二定律,体现的就是这个特征.生命是高度的有序,智慧是高度的有序.在一个熵增的宇宙为什么

3、会出现生命?会进化出智慧?(负熵)热力学第二定律还揭示了,局部的有序是可能的,但必须以其他地方更大无序为代价.人生存,就要能量,要食物,要以动植物的死亡(熵增)为代价.万物生长靠太阳.动植物的有序,又是以太阳核反应的衰竭(熵增),或其他的熵增形势为代价的.人关在完全封闭的铅盒子里,无法以其他地方的熵增维持自己的负熵.在这个相对封闭的系统中,熵增的法则破坏了生命的有序.熵是时间的箭头,在这个宇宙中是不可逆的.熵与时间密切相关,如果时间停止"流动",熵增也就无从谈起."任何我们已知的物质能关住"的东西,不是别的,就是"时间".低温关住的也是

4、"时间".生命是物质的有序"结构"."结构"与具体的物质不是同一个层次的概念.就象大厦的建筑材料,和大厦的式样不是同一个层次的概念一样.生物学已经证明,凡是到了能上网岁数的人,身体中的原子,已经没有一个是刚出生时候的了.但是,你还是你,我还是我,生命还在延续.倒是死了的人,没有了新陈代谢,身体中的分子可以保留很长时间.意识是比生命更高层次的有序.可以在生命之间传递.说到这里,我想物质与意识的层次关系应该比较清楚了.这里之所以将"唯物"二字加上引号.是因为并不彻底.为什么熵减是这个宇宙的本质,还没法回答.（摘自人民网BBS论坛）  不管对

5、哪一种能量来说，情况都是如此。在蒸汽机中，有一个热库把水变成蒸汽，还有一个冷库把蒸汽冷凝成水。起决定性作用的正是这个温度差。在任何单一的、毫无差别的温度下——不管这个温度有多高——是不可能得到任何功的。  “熵”(entropy)是德国物理学家克劳修斯(RudolfClausius,1822–1888)在1850年创造的一个术语，他用它来表示任何一种能量在空间中分布的均匀程度。能量分布得越均匀，熵就越大。如果对于我们所考虑的那个系统来说，能量完全均匀地分布，那么，这个系统的熵就达到最大值。  在克劳修斯看来，在一个系统中，如果听任它自然

6、发展，那么，能量差总是倾向于消除的。让一个热物体同一个冷物体相接触，热就会以下面所说的方式流动：热物体将冷却，冷物体将变热，直到两个物体达到相同的温度为止。如果把两个水库连接起来，并且其中一个水库的水平面高于另一个水库，那么，万有引力就会使一个水库的水面降低，而使另一个水面升高，直到两个水库的水面均等，而势能也取平为止。  因此，克劳修斯说，自然界中的一个普遍规律是：能量密度的差异倾向于变成均等。换句话说，“熵将随着时间而增大”。  对于能量从密度较高的地方向密度较低的地方流动的研究，过去主要是对于热这种能量形态进行的。因此，关于能量流

7、动和功－能转换的科学就被称为“热力学”，这是从希腊文“热运动”一词变来的。  人们早已断定，能量既不能创造，也不能消灭。这是一条最基本的定律；所以人们把它称为“热力学第一定律”。  克劳修斯所提出的熵随时间而增大的说法，看来差不多也是非常基本的一条普遍规律，所以它被称为“热力学第二定律”。2.信息论中的熵：信息的度量单位：由信息论的创始人Shannon在著作《通信的数学理论》中提出、建立在概率统计模型上的信息度量。他把信息定义为“用来消除不确定性的东西”。Shannon公式：I(A)=-logP(A)I(A)度量事件A发生所提供的信息量

8、，称之为事件A的自信息，P(A)为事件A发生的概率。如果一个随机试验有N个可能的结果或一个随机消息有N个可能值，若它们出现的概率分别为p1,p2,…，pN,则这些事件的自信息的平均值：H=-SUM(pi*l