История изменений

Из того что я понял по ссылке, алгоритм Метрополиса никакой физической модели не содержит, ему нужна некая функция распределения вероятности, что система из такого состояния с такой вероятностью поменяется в то состояние, и с такой вероятностью - в другое состояние и проч. Мой вопрос был именно про то, как это пространство вероятностей для одного шага найти.

Вот цитата с хабра

Марковская цепь будет обходить дискретное пространство состояний, образуемое тремя состояниями погоды:
state_space = ("sunny", "cloudy", "rainy")
В дискретном пространстве состояний оператор перехода – это просто матрица. В нашем случае столбцы и строки соответствуют солнечной, облачной и дождливой погоде. Выберем относительно разумные значения для вероятностей всех переходов:
transition_matrix = np.array(((0.6, 0.3, 0.1),
                              (0.3, 0.4, 0.3),
                              (0.2, 0.3, 0.5)))

И как мне понять, какие для моей задачи будут относительно разумные значения переходов (в моей задаче - изменение положения частицы в пространстве в зависимости от окружения в ее окресности и текущей скорости)?

Допустим, есть некая частица, для простоты моделируемая клеточным автоматом

   ???
  ?????
 ???????
 ???@???
 ???????
  ?????
   ???

Знаком ? отмечены позиции, которые частица может занять после 1 шага симуляции. Допустим, мы добавили стену

  #
  #???
  #????
  #?????
  #?@???
  #?????
  #????
  #???
  #

И теперь количество возможных позиций ограничено, и вероятности нахождения в доступных позициях отличаются от тех, которые были раньше при свободном плавании. Если раньше частица полетела бы налево и заняла б крайне левую позицию, то теперь она уткнется в стенку, отскочит, потеряет часть энергии и займет позицию справа. Как (по какому принципу) мне это подбирать?

Из того что я понял по ссылке, алгоритм Метрополиса никакой физической модели не содержит, ему нужна некая функция распределения вероятности, что система из такого состояния с такой вероятностью поменяется в то состояние, и с такой вероятностью - в другое состояние и проч. Мой вопрос был именно про то, как это пространство вероятностей для одного шага найти.

Вот цитата с хабра

Марковская цепь будет обходить дискретное пространство состояний, образуемое тремя состояниями погоды:
state_space = ("sunny", "cloudy", "rainy")
В дискретном пространстве состояний оператор перехода – это просто матрица. В нашем случае столбцы и строки соответствуют солнечной, облачной и дождливой погоде. Выберем относительно разумные значения для вероятностей всех переходов:
transition_matrix = np.array(((0.6, 0.3, 0.1),
                              (0.3, 0.4, 0.3),
                              (0.2, 0.3, 0.5)))

И как мне понять, какие для моей задачи будут относительно разумные значения переходов (в моей задаче - изменение положения частицы в пространстве в зависимости от окружения)?

Допустим, есть некая частица, для простоты моделируемая клеточным автоматом

   ???
  ?????
 ???????
 ???@???
 ???????
  ?????
   ???

Знаком ? отмечены позиции, которые частица может занять после 1 шага симуляции. Допустим, мы добавили стену

  #
  #???
  #????
  #?????
  #?@???
  #?????
  #????
  #???
  #

И теперь количество возможных позиций ограничено, и вероятности нахождения в доступных позициях отличаются от тех, которые были раньше при свободном плавании. Если раньше частица полетела бы налево и заняла б крайне левую позицию, то теперь она уткнется в стенку, отскочит, потеряет часть энергии и займет позицию справа. Как (по какому принципу) мне это подбирать?

Из того что я понял по ссылке, алгоритм Метрополиса никакой физической модели не содержит, ему нужна некая функция распределения вероятности, что система из такого состояния с такой вероятностью поменяется в то состояние, и с такой вероятностью - в другое состояние и проч. Мой вопрос был именно про то, как это пространство вероятностей для одного шага найти.

Вот цитата с хабра

Марковская цепь будет обходить дискретное пространство состояний, образуемое тремя состояниями погоды:
state_space = ("sunny", "cloudy", "rainy")
В дискретном пространстве состояний оператор перехода – это просто матрица. В нашем случае столбцы и строки соответствуют солнечной, облачной и дождливой погоде. Выберем относительно разумные значения для вероятностей всех переходов:
transition_matrix = np.array(((0.6, 0.3, 0.1),
                              (0.3, 0.4, 0.3),
                              (0.2, 0.3, 0.5)))

И как мне понять, какие для моей задачи будут относительно разумные значения переходов (в моей задаче - изменение положения частицы в пространстве в зависимости от окружения)?

Допустим, есть некая частица, для простоты моделируемая клеточным автоматом

   ???
  ?????
 ???????
 ???@???
 ???????
  ?????
   ???

Знаком ? отмечены позиции, которые частица может занять после 1 шага симуляции. Допустим, мы добавили стену

  #
  #???
  #????
  #?????
  #?@???
  #?????
  #????
  #???
  #

И теперь количество возможных позиций ограничено, и вероятности нахождения в доступных позициях отличаются от тех, которые были раньше при свободном плавании. Если раньше частица полетела бы налево и заняла б крайне левую позицию, то теперь она уткнется в стенку, отскочит, потеряет часть энергии и займет позицию справа. По какому принципу мне это подбирать?