Генератор зубр: Генераторы ZUBR. Купить генератор ZUBR (Зубр).

Есть потребность?
Получите лучшую цену

НАИМЕНОВАНИЕ

     bison - генератор парсера проекта GNU (замена yacc)


 

ОБЗОР

     bison [-b  файл  - префикс  ] [--file-prefix =  файл  - префикс  ] [-d
     ] [--defines] [-k] [--token-table] [-l] [--no-lines
     ] [-n] [--no-parser] [-o  Outfile ] [--output-
     file =  outfile ] [-p  prefix ] [--name-prefix =  prefix ] [-r]
     [--raw] [-t] [--debug] [-v] [--verbose] [-V] [
     --version] [-y] [--yacc] [-h] [--help] [--fixed-
     output-files] файл


 

ОПИСАНИЕ

       Bison  - генератор парсера в стиле  yacc (1) .Это
     должны быть совместимы снизу вверх с входными файлами, предназначенными для
       yacc .

     Входные файлы должны соответствовать соглашению  yacc  об окончании на
     .y. В отличие от  yacc , в сгенерированных файлах нет исправлений
     имена, но вместо этого используйте префикс входного файла. Для
     Например, файл описания грамматики с именем parse.y будет
     создать сгенерированный парсер в файле с именем parse.tab.c,
     вместо  yacc  y.tab.c.Это описание опций, которые можно дать бизон  
     адаптирован из узла Invocation в bison.texinfo
     руководство, которое следует рассматривать как авторитетное.

       Bison  поддерживает как традиционные однобуквенные варианты, так и
     мнемонические длинные имена опций. Указаны длинные названия опций
     с - вместо -. Сокращения для названий опций:
     разрешены, если они уникальны. Когда длинный вариант
     принимает аргумент, например --file-prefix, подключите параметр
     имя и аргумент с =.ПАРАМЕТРЫ
     -b  файл - префикс 
     --file-prefix =  файл - префикс 
          Укажите префикс, который будет использоваться для всех выходных файлов  bison 
          имена. Имена выбираются так, как если бы входной файл был
          с именем  файл  - префикс   .c.

     -d
     - определяет
          Напишите дополнительный выходной файл, содержащий определения макросов
          для имен типов токенов, определенных в грамматике и
          семантическое значение типа YYSTYPE, а также несколько внешних
          объявления переменных.Если выходной файл парсера называется  name  .c, то это
          файл называется  имя  .h.

          Этот выходной файл необходим, если вы хотите поместить
          определение yylex в отдельном исходном файле, потому что
          yylex должен иметь возможность ссылаться на коды типов токенов и
          переменная yylval.

     -р
     --сырой
          Номера токенов в файле  name  .h обычно
          Yacc-совместимые переводы. Если этот переключатель особенный
          fied, вместо этого выводятся номера токенов Bison.(Yacc
          числа начинаются с 257, за исключением одного символа
          жетоны; Bison присваивает номера токенов последовательно для
          все жетоны начиная с 3.)

     -k
     --token-table
          Этот переключатель заставляет вывод  name  .tab.c включать
          список имен токенов в порядке их номеров токенов;
          это определено в массиве  yytname . Также создано
          #defines для  YYNTOKENS ,  YYNNTS ,  YYNRULES  и  YYN- 
            ГОСУДАРСТВА .-l
     --нет строк
          Не помещайте в парсер никаких команд препроцессора #line
          файл. Обычно  bison  помещает их в файл парсера, поэтому
          что компилятор C и отладчики будут связывать ошибки
          с вашим исходным файлом, файлом грамматики. Этот вариант
          заставляет их связывать ошибки с файлом парсера,
          рассматривая его как независимый исходный файл сам по себе
          Правильно.

     -n
     --no-parser
          Не генерируйте код парсера в выводе; ген-
          оформлять только декларации.Созданный файл  с именем  .tab.c
          будут только постоянные объявления. Кроме того,
            имя  .act файл сгенерирован, содержащий состояние переключателя -
          Тело мента, содержащее все переведенные действия.

     -o  Outfile 
     --output-file =  аутфайл 
          Укажите имя  Outfile  для файла анализатора.

          Имена остальных выходных файлов состоят из  из .
            файл , как описано в параметрах -v и -d.-p  префикс 
     --name-prefix =  префикс 
          Переименуйте внешние символы, используемые в парсере, так, чтобы
          они начинаются с префикса   вместо yy. Точный список
          символов, переименованных в yyparse, yylex, yyerror, yylval,
          yychar и yydebug.

          Например, если вы используете -p c, имена станут четкими,
          clex и так далее.

     -t
     --отлаживать
          Выведите определение макроса YYDEBUG в
          файл парсера, так что средства отладки объединены
          сложены.-v
     --подробный
          Напишите дополнительный выходной файл, содержащий подробное описание.
          состояния парсера и что делается для каждого
          тип упреждающего токена в этом состоянии.

          В этом же файле описаны все конфликты, как те,
          решается приоритетом операторов и нерешенными
          единицы.

          Имя файла получается путем удаления .tab.c или .c из
          имя выходного файла парсера и добавление .output
          вместо.Следовательно, если входной файл - foo.y, то парсер
          По умолчанию файл называется foo.tab.c. Как следствие,
          файл подробного вывода называется foo.output.

     -V
     --версия
          Выведите номер версии  bison  и выйдите.

     -час
     --помощь
          Распечатайте сводку опций на  bison  и выйдите.

     -у
     --yacc
     --фиксированные-выходные-файлы
          Эквивалентно -o y.tab.c; выходной файл парсера
          называется y.tab.c, а остальные выходы называются
          y.output и y.tab.h. Назначение этого переключателя -
          имитируйте соглашения об именах выходных файлов  yacc . Таким образом
          следующий сценарий оболочки может заменить  yacc :

          бизон -y $ *


 

ФАЙЛОВ

     /usr/local/lib/bison.simple простой парсер
     /usr/local/lib/bison.hairy сложный парсер


 

ПЕРЕМЕННЫЕ ОКРУЖАЮЩЕЙ СРЕДЫ

     BISON_SIMPLE
          Если он установлен, он указывает местоположение, в котором
          зубр.простой парсер можно найти.

     BISON_HAIRY
          Если он установлен, он указывает местоположение, в котором
          Можно найти парсер bison.hairy.


 

СМОТРИ ТАКЖЕ

       yacc (1) 
      Bison   Ссылка   Руководство , в виде файла
     bison.texinfo в исходном дистрибутиве  bison .


 

ДИАГНОСТИКА

     Само собой разумеется.

 

Bison для Windows

Bison: Yacc-совместимый генератор парсеров

2.4,1

Bison — генератор синтаксического анализатора общего назначения, преобразующий грамматику описание контекстно-свободной грамматики LALR (1) в программе на C, чтобы проанализировать эту грамматику. Bison можно использовать для разработки широкого спектра языковые парсеры, от тех, что используются в простых настольных калькуляторах до сложных языки программирования. Bison совместим снизу вверх с Yacc, поэтому любой правильно написанная грамматика Yacc должна работать с Bison без каких-либо изменения. Если вы знаете Yacc, у вас не должно возникнуть проблем с использованием Бизон. Вам нужно быть очень опытным в программировании на C, чтобы иметь возможность использовать Bison.Bison требуется только в системах, которые используются для разработка.

Если ваша система будет использоваться для разработки на C, вам следует установить Бизон.

Пакет также содержит библиотеку -ly, которая иногда используется программы, использующие синтаксические анализаторы, созданные Bison. Если вы разрабатываете программы используя Bison, вы можете захотеть связать с этой библиотекой. Эта библиотека не требуется для всех синтаксических анализаторов, генерируемых Bison, но может использоваться простые программы, обеспечивающие минимальную поддержку сгенерированных синтаксических анализаторов.

http://www.gnu.org/software/bison/bison.html

Источники: http://ftp.gnu.org/gnu/bison

Если вы загружаете программу установки пакета, любые требования для запущенные приложения, такие как библиотеки динамической компоновки (DLL) из зависимостей, перечисленных ниже в разделе Требования, являются уже включены. Если вы загружаете пакет в виде Zip-файлов, вы должны скачайте и установите zip-файл зависимостей самостоятельно. Файлы разработчика (файлы заголовков и библиотеки) из других пакеты, однако, не включены; так что если вы хотите разработать свой собственный приложения, необходимо отдельно установить необходимые пакеты.

Вы также можете загрузить файлы с GnuWin32 страница файлов. Новые релизы порта этого пакета может быть контролируется.

Bison может быть установлен в любой каталог при сохранении структуры подкаталогов. Также активна поддержка родного языка.

Общие инструкции по установке

Справка по GnuWin32 (запросы функций, ошибки и т. Д.)

• Win32, то есть MS-Windows 95/98 / ME / NT / 2000 / XP / 2003 / Vista / 2008 с msvcrt.dll и msvcp60.dll. Если msvcrt.dll или msvcp60.dll отсутствует в вашей Windows / системе папка, возьмите их из Microsoft, или (только msvcrt.dll) установив Internet Explorer 4.0 или выше.
• libintl-3
• libiconv-2
• регулярное выражение
• м4

бизон, 2.4.1, GNU, win32, win32s, win64, gnuwin32, i386, i486, i586, i686, ia64, x86-64, gnuwin64, gnuwin, mswindows, ms-windows, windows, 95,98, me, nt, 2000,2k, xp, 2003, перспектива, 2008

Пример рабочего процесса для степного зубра

Глобальная лаборатория ChEC

2021-04-23

В этой виньетке мы демонстрируем новые функции, которые paleopop добавляет к стихотворениям для моделирования популяций в палеоэкологических временных масштабах на примере степных бизонов в Сибири.Когда-то степной зубр был распространен по всему Северному полушарию. В региональном масштабе он вымер в Сибири 9500 лет назад, и считается, что он полностью исчез в Канаде 500 лет назад. Мы будем моделировать динамику ареала степных бизонов в Сибири от последнего ледникового максимума (21 000 лет назад) до 9 000 лет назад. Попутно мы узнаем, как paleopop обрабатывает регионы, шаблоны моделей, симуляции и результаты.

Здесь мы загружаем стихов и paleopop и устанавливаем количество параллельных ядер для моделирования и выходной каталог для результатов.

  библиотека (стихотворения)
библиотека (палеопоп)
parallel_cores <- 2
output_dir <- tempdir ()  

В этой виньетке мы сделаем следующее:

1. Создать палеорегион

2. Скорость рассеивания и пропускная способность

3. Создать шаблон модели

4. Пример пространства параметров с выборкой латинского гиперкуба

5. Запустить моделирование

6. Изучить результаты

В то время как poems реализует объект статической области, в палеопопе мы используем что-то другое, потому что регионы на палео-временных шкалах никогда не статичны.Океаны поднимаются, континенты сталкиваются, и контуры нашего пространственно явного ландшафта меняются. В случае степных зубров в Сибири уровень моря со временем повышается. paleopop включает динамический во времени стек растров Сибири, который мы можем использовать для создания объекта PaleoRegion . Растровое разрешение 2 на 2.

  библиотека (растровая)
#> Загрузка необходимого пакета: sp
raster :: plot (paleopop :: siberia_raster [[1]], main = "Растр Сибири (LGM)",
             xlab = "Долгота (градусы)", ylab = "Широта (градусы)",
             colNA = "синий")  

  raster :: plot (paleopop :: siberia_raster [[1001]], main = "Растр Сибири (9000 лет назад)",
             xlab = "Долгота (градусы)", ylab = "Широта (градусы)",
             colNA = "синий")  

Мы можем использовать этот объект RasterStack в качестве шаблона для создания объекта PaleoRegion , который будет устанавливать индексы занятых ячеек на каждом временном шаге и маскировать ячейки, которые не заняты на временном шаге (в случае этого Например, потому что эти клетки теперь находятся под водой.Когда мы строим region_raster в объекте PaleoRegion , мы видим максимальный экстент области, показывая все ячейки, которые могут быть заняты на любом временном шаге. Метод temporal_mask_raster генерирует RasterStack , который отмечает занятые ячейки на каждом временном шаге с помощью 1.

  регион <- PaleoRegion $ new (template_raster = paleopop :: siberia_raster)
raster :: plot (region $ region_raster, main = "Максимальный размер области Bison (индексы ячеек)",
             xlab = "Долгота (градусы)", ylab = "Широта (градусы)",
             colNA = "синий")  

Эта часть рабочего процесса идентична стихотворениям : мы создаем объекты Generator для динамического генерирования разброса между ячейками сетки, начальной численности и пропускной способности в каждой точке пространства и времени.

2.a. Сгенерировать матрицу рассеивания

Мы сокращаем время вычислений во время моделирования, заранее создавая матрицу, которая описывает потенциальные скорости распространения между каждой попарной комбинацией ячеек в исследуемой области. Скорость рассеяния рассчитывается с использованием функции рассеяния на основе расстояния, а также, необязательно, ландшафта проводимости / трения, который отображает препятствия для распространения, такие как лед или горы. (В этом примере мы опускаем ландшафт трения.)

  dispersal_gen <- DispersalGenerator $ new (region = region,
                                        dispal_max_distance = 500, # км
                                        distance_classes = seq (10, 500, 10), # разделить на ячейки
                                        distance_scale = 1000, # устанавливает единицы в км
                                        dispersal_friction = DispersalFriction $ new (), # пусто
                                        входы = c ("дисперсия_p", "дисперсия_b"),
                                        десятичные дроби = 3)
dispal_gen $ calculate_distance_data (use_longlat = TRUE) # предварительно рассчитать матрицу расстояний между ячейками
test_dispersal <- генерация_дисперсии $ generate (input_values ​​=
                                                       список (дисперсал_п = 0.5,
                                                            dispal_b = 200)) $ disal_data
голова (test_dispersal [[1]])
#> target_pop source_pop emigrant_row immigrant_row disal_rate
#> 1 2 1 1 1 0,076
#> 2 3 1 2 1 0,065
#> 3 4 1 3 1 0,056
#> 4 9 1 4 1 0.028
#> 5 10 1 5 1 0,028
#> 6 11 1 6 1 0,026  

2.b. Создание ландшафта пропускной способности

Здесь мы сгенерируем динамический ландшафт на основе растрового стека значений пригодности среды обитания (от 0, полностью неподходящий, до 1, идеально подходящий). paleopop имеет пространственно-временную явную пригодность среды обитания RasterStack для Сибири от 21 000 до 9 000 лет назад.

  raster :: plot (bison_hs_raster [[1]], main = "Пригодность среды обитания зубров (LGM)",
             xlab = "Долгота (градусы)", ylab = "Широта (градусы)",
             colNA = "синий")  

Однако моделирование PaleoPop не основано на значениях пригодности среды обитания. Скорее они оперируют исходными популяциями и производительностью. Следовательно, нам необходимо ввести эти ландшафты пригодности для среды обитания в генератор, который может преобразовать их в исходный ландшафт изобилия и в динамический ландшафт несущей способности.

Для этого мы должны создать объект poems :: Generator . Поскольку каждая симуляция предъявляет разные требования, мы должны установить наши собственные входы, выходы и функции генератора для преобразования входов в выходы. Здесь мы очень просто используем параметр максимальной плотности и умножим его на пригодность среды обитания.

  # Преобразовать растр пригодности среды обитания в матрицу
bison_hs <- bison_hs_raster [регион $ region_indices]
# Создаем генератор
capacity_gen <- Генератор $ new (description = "Генератор мощности",
                              example_hs = bison_hs,
                              input = c ("density_max"),
                              output = c ("начальное_изобилие", "несущая_емкость"))
# указывают, что требуются начальная численность и несущая способность
capacity_gen $ add_generative_requirements (список (initial_abundance = "function",
                                              Caring_capacity = "функция"))
# определяем пользовательские генеративные функции
capacity_gen $ add_function_template ("несущая_емкость",
                                   function_def = function (params) {
                                     раунд (params $ density_max * params $ example_hs)
                                   },
                                   call_params = c ("density_max", "example_hs"))
capacity_gen $ add_function_template ("начальное_изобилие",
                                   function_def = function (params) {
                                     params $ carry_capacity [, 1]
                                   },
                                   call_params = c («несущая_емкость»))
# тестовый забег
test_capacity <- capacity_gen $ generate (input_values ​​= list (density_max = 2000))
raster :: plot (область $ raster_from_values ​​(test_capacity $ initial_abundance), main = "Начальная численность",
             xlab = "Долгота (градусы)", ylab = "Широта (градусы)",
             colNA = "синий")  

Создаем шаблон модели для симуляции с помощью объекта PaleoPopModel .Проверим необходимые атрибуты объекта.

  шаблон_модели <- PaleoPopModel $ new ()
model_template $ model_attributes # все возможные атрибуты
#> [1] "координаты" "random_seed" "time_steps"
#> [4] "years_per_step" "populations" "initial_abundance"
#> [7] "transition_rate" "standard_deviation" "compact_decomposition"
#> [10] "грузоподъемность" "зависимость_плотности" "макс_скорость_ роста"
#> [13] "dispal_data" "discal_target_k" "урожай"
#> [16] "урожай_макс" "урожай_g" "урожай_z"
#> [19] "урожай_макс_n" "человеческая_плотность" "порог_изобилия"
#> [22] "порог_ занятости" "выбор_результатов"
model_template $ required_attributes # обязательные атрибуты для запуска моделирования
#> [1] "time_steps" "years_per_step" "populations"
#> [4] "исходное_изобилие" "скорость_перехода" "стандартное_отклонение"
#> [7] "грузоподъемность" "урожай" "results_selection"  

Первоначальные данные о численности, пропускной способности и рассредоточении будут предоставлены указанными выше генераторами.Здесь мы определим матрицу корреляции окружающей среды, чтобы в моделировании могла быть пространственная автокорреляция.

  # Корреляция окружающей среды на основе расстояний (с помощью компактного разложения Холецкого)
env_corr <- SpatialCorrelation $ new (регион = регион, амплитуда = 0,4, ширина = 500)
корреляция <- env_corr $ get_compact_decomposition (десятичные дроби = 2)  

Обычно у нас есть пространственно-временные динамические данные о плотности населения с течением времени, которые функция добычи, зависящая от добычи и хищников, переводит в количество добытых бизонов.Функция сбора урожая в палеопопе определяется параметром урожай_z , который определяет, является ли сбор функциональным ответом Типа II или Типа III, урожай_g , константа, добавляемая к знаменателю, которая снижает темпы сбора урожая, и урожай_макс_n , потолок на максимальной плотности добычи, которую можно добыть.

Для простоты этого примера мы создадим матрицу постоянной низкой плотности населения.

  human_de density <- массив (rep (0.1), c (913, 1001)) # строки = совокупности и столбцы = временные шаги  

Теперь у нас есть все компоненты, необходимые для построения шаблона модели, за исключением атрибутов модели, которые будут выбраны позже с помощью Latin Hypercube Sampling.

  шаблон_модели <- PaleoPopModel $ new (
  Simulation_function = "paleopop_simulator", # это значение по умолчанию; сделал это явным для примера
  region = регион,
  # координаты: вместо этого вы можете использовать координаты XY для определения региона
  time_steps = 1001,
  years_per_step = 12, # продолжительность поколения зубров
  populations = region $ region_cells, # извлекает количество популяционных клеток
  # initial_abundance: сгенерировано
  transition_rate = 1.0, # скорость перехода между поколениями
  # standard_deviation: sampled
  compact_decomposition = корреляция,
  # carry_capacity: сгенерировано
  density_dependence = "логистика",
  # growth_rate_max: sampled
  урожай = ИСТИНА,
  # gather_max: sampled
  урожай_g = 0,4, # константа
  # gather_z: sampled
  # gather_max_n: sampled
  человеческая_ плотность = человеческая_ плотность,
  discal_target_k = 10, # минимальная пропускная способность, привлекающая диспергаторов
  # dispal_data: сгенерировано
  # abuse_threshold: sampled
  # initial_n: sampled
  Occancy_threshold = 1, # threshold: # популяций для сохранения вида
  random_seed = 321,
  results_selection = c (
    # ema (ожидаемая минимальная численность), extirpation, окупаемость, человеческая_плотность,
    «изобилие», «собранный»
    )
)  

Здесь рабочий процесс такой же, как в стихах : мы выбираем диапазон значений, чтобы создать априорное, и используем их для параметризации различных симуляций.Здесь мы будем выполнять выборку каждого диапазона значений равномерно, , чтобы создать неинформативный априор , но объект генератора LHS предлагает варианты выборки по различным распределениям для создания информативного априорного значения . Для этого примера мы выберем 100 различных комбинаций параметров, но желательно выполнить больше, чтобы полностью выполнить выборку пространства параметров.

  nsims <- 100 # при необходимости настройте для запуска вашего собственного примера

lhs_generator <- LatinHypercubeSampler $ new ()
lhs_generator $ set_uniform_parameter ("стандартное_отклонение", нижний = 0, верхний = sqrt (0.06))
lhs_generator $ set_uniform_parameter ("growth_rate_max", нижний = журнал (1,31), верхний = журнал (2,84))
lhs_generator $ set_uniform_parameter ("пороговое_изобилие", нижний = 0, верхний = 500, десятичные знаки = 0)
lhs_generator $ set_uniform_parameter ("урожай_макс", нижний = 0, верхний = 0,35)
lhs_generator $ set_uniform_parameter ("урожай_z", нижний = 1, верхний = 2)
lhs_generator $ set_uniform_parameter ("density_max", lower = 500, upper = 3250) # псевдоним для gather_max_n
lhs_generator $ set_uniform_parameter ("дисперсионный_п", нижний = 0.05, верхний = 0,25) # для генератора диспергирования
lhs_generator $ set_uniform_parameter ("dispal_b", lower = 65, upper = 145) # для генератора рассеивания

sample_data <- lhs_generator $ generate_samples (число = nsims, random_seed = 123)
sample_data $ sample <- c (1: nsims)
голова (sample_data)
#> стандартное_отклонение рост_расход_макс.
#> 1 0,17996568 0,5978443 356 0,024664478 1,772628
#> 2 0.08511681 0,3680464 340 0,005932868 1,193633
#> 3 0,04236395 0,6346779 73 0,236465865 1,976887
#> 4 0,01406792 0,4795339 122 0,087687379 1,533396
#> 5 0,12360854 0,6934444 443 0,096502258 1,917038
#> 6 0,23995795 0,4923823 423 0,045919751 1,075503
#> density_max dispal_p dispal_b пример
№> 1 2149.138 0,19097699 96,58226 1
#> 2 2641,814 0,07555059 78,71136 2
#> 3 1251.060 0.23121117 78.59283 3
#> 4 3242.684 0,09800821 131.21753 4
#> 5 1150,574 0,08857870 134,67779 5
#> 6 1442.226 0.16579672 88.20734 6  

Здесь мы создаем менеджер моделирования для управления выборочными данными, генераторами и шаблоном модели. Менеджер симуляции будет использовать функцию paleopop_simulator для запуска симуляций.

  sim_manager <- SimulationManager $ new (sample_data = sample_data,
                                     model_template = шаблон_модели,
                                     генераторы = список (capacity_gen,
                                                       дисперсал_ген),
                                     parallel_cores = parallel_cores,
                                     results_dir = output_dir)

sim_manager $ results_filename_attributes <- c ("образец", "результаты")

run_output <- sim_manager $ run ()
run_output $ сводка
#> [1] "100 из 100 пробных моделей успешно выполнили и сохранили результаты"  

Журнал моделирования, run_output , может быть исследован на предмет сообщений об ошибках и индексов сбоев, если какое-либо из имитаций не удалось.В выходном каталоге также создается подробный журнал моделирования.

Мы можем изучить результаты моделирования, используя удобную оболочку объекта PaleoPopResults . Каждый объект PaleoPopResults может содержать результат одного моделирования, и он может генерировать выходные данные, которые не были указаны в выборе результатов выше, например, время искоренения для каждой популяции.

  results1 <- PaleoPopResults $ new (
  results = readRDS (paste0 (output_dir, "/ sample_1_results.RData ")),
  region = регион, time_steps = 1001
  )
голова (results1 $ extirpation)
#> [1] 1 1 1 1 2 2  

Мы также можем использовать объект PaleoPopResults как своего рода шаблон для ResultsManager , объекта, который может вычислять сводные метрики для многих результатов одновременно. Как и в случае с генераторами, мы должны определить наши собственные пользовательские функции метрик, потому что каждый эксперимент in silico требует другого набора метрик для суммирования выходных данных.Мы можем использовать метрики, сгенерированные объектом PaleoPopResults , в качестве основы для наших настраиваемых сводных метрик.

  results_model <- PaleoPopResults $ new (регион = регион, time_steps = 1001, trend_interval = 1:10)
metrics_manager <- ResultsManager $ new (Sim_manager = sim_manager,
                                      имитация_результатов = модель_результатов,
                                      generators = NULL) # генераторы не нужны
metrics_manager $ summary_metrics <- c ("изобилие_тренд", "время_мертия")
metrics_manager $ summary_functions <- list ()

metrics_manager $ summary_functions $ extinction_time <- function (Simulation_results) {
  extinction_time <- -12 * (1001 - Simulation_results $ all $ extirpation) -9001 # преобразует временной шаг в годы BP
  Если есть.na (extinction_time)) {
    extinction_time <- -9001 # если NA, то дожило до конца симуляции
  }
  возврат (extinction_time)
}

metrics_manager $ summary_functions $ sizes_trend <- function (Simulation_results) {
  изобилие_тренд <- моделирование_результатов $ все $ изобилие_тренд
  return (ulfance_trend) # будет использовать интервал тренда, указанный выше
}

gen_log <- metrics_manager $ generate (results_dir = output_dir)  

Вы можете изучить журнал расчета сводных показателей, чтобы просмотреть сообщения об ошибках для ошибок в расчетах.

Теперь, когда мы рассчитали некоторые сводные метрики на основе выходных данных из PaleoPopResults , таких как время вымирания и тренд численности, мы можем изучить результаты моделирования.

  hist (metrics_manager $ summary_metric_data $ изобилие_тренд,
     main = «Гистограмма тренда численности», xlab = «Тренд численности»)  

  hist (metrics_manager $ summary_metric_data $ extinction_time,
     main = "Гистограмма времени угасания", xlab = "Время угасания (лет назад)")  

Глядя на эти результаты, обе эти сводные метрики, тренд численности за первые десять временных шагов и время угасания, могут быть подходящей метрикой для достижения цели валидации, поскольку существует разброс результатов.

Отсюда вы можете продолжить рабочий процесс poems , как описано в виньетке poems , создав объект Validator для шаблонно-ориентированного моделирования для проверки результатов моделирования.