科学的一个基本问题是物体的表征，

例如序列、图像、网络和蛋白质。

复杂性测量使科学家能够以系统的方式进行一些表征，

以更好地理解甚至操纵这些物体。

然而，大多数度量并不独立于

描述对象的不同方式。

例如，网络可以

通过其邻接矩阵或其度数序列来描述。

只有基于计算机程序概念的

通用复杂性度量

才能描述对象，

而与描述网络的方式无关。

这些由数学家提出的普遍而有力的衡量标准是存在的，

但它们很难用数字来估计。

编码理论方法

基于 Kolmogorov 和 Chaitin 的工作，

是我们为了表征

基于这些通用算法测量的

对象的复杂性。

这个想法是，

如果一个对象可以由简短程序生成，

那么它比由长的程序生成的对象

更有可能是偶然生成的。

例如，考虑数学常数 pi。

如果你想生成 pi 的前 1000 位数字，

通过随机输入来做到这一点的机会非常低 -

但产生的不是数字而是

产生任意位数 pi 的公式的机会要高得多 -

因为 pi 有许多简短的公式来生成它的数字。

然后我们要做的就是运行大量的小型计算机程序，

为了计算输出产生的次数。

由此，我们能够估计一个物体

被生产的可能性有多大, 通过计算机程序构建发行版。

这种分布有助于我们描述物体的特征

并设计出以前无法想象的应用程序。

块分解方法是一种扩展编码定理方法能力的方法，

以近似较大对象

（例如序列、图像和网络）的

算法复杂度。

该方法基于

Solomonoff (所罗门诺夫)和Levin(莱文)的算法概率理论，

将对象的产生频率及其内在属性联系起来。

块分解方法的作用是将一个对象

分解成更小的块，然后

我们巧妙地将它们用公式粘在一起。

这些作品中的每一个都是由一个

小型计算机程序产生的，因此我们知道小型计算机程序的

序列产生了较长的作品。

因为分解并不总是产生相同类型的碎片，

有很多方法可以将各个部分粘在一起 -

例如重叠各个部分，

将原始对象嵌入拓扑环面中，

或者为具有相似统计属性的对象分配

相似的算法复杂性。

块分解方法最有趣的特性之一

是它在长范围内全局计算香农熵，

但它提供了短范围内节奏复杂性的局部估计。

这种复杂性的混合测量方法可以

帮助科学家以更完整的方式表征物体，

从而增强理解和新发现。