精华内容
下载资源
问答
  • 资源名称:复杂系统建模理论方法内容简介: 《复杂系统建模理论方法》较系统地介绍了复杂系统的理论、复杂系统建模的基本理论方法和途径,初步构建了复杂系统建模的理论体系。书中将复杂系统建模方法划分成基于...
  • 进一步,本文从流程架构中迭代和重叠的建模,到流程DSM的排序优化与仿真;从组织架构中团队之间依赖度的测度,到组织DSM聚类准则的确定;从产品架构中部件之间依赖度的测度,到产品DSM的模块化设计以及聚类算法的演变和...
  • 尤其是“阿尔法狗”战胜人类,为复杂系统建模仿真研究提供了启示。社会管理、战争决策、经济治理、指挥控制、医疗健康等复杂系统领域,一直存在着对经验、直觉等认知建模的需求。“阿尔法狗”所采用的人工神经元网络...

    原文链接:https://mp.weixin.qq.com/s/BQ1lpYF5hu58n6YEs0HKGg

    近几年来,人工智能受到广泛关注。尤其是“阿尔法狗”战胜人类,为复杂系统建模仿真研究提供了启示。社会管理、战争决策、经济治理、指挥控制、医疗健康等复杂系统领域,一直存在着对经验、直觉等认知建模的需求。“阿尔法狗”所采用的人工神经元网络方法,能否为解决这个问题带来曙光,这值得研究和探讨。

       

     

    复杂系统性质与深度学习启示

     

    人类在对复杂系统的研究中,存在大量关于直觉、经验、认知等无法用形式化方法表示的特性,这意味着仅依赖传统基于相似性原理及形式化知识的建模仿真方法,难以真正表达复杂系统的深层次规律。如何获取和表达非形式化的知识,并将这些知识用于复杂系统的理解和建模,一直是各领域复杂系统研究中亟待解决的难题。“阿尔法狗”(AlphaGo)通过深度增强学习方法,成功解决了围棋这一复杂博弈系统的认知和决策问题,为用智能建模方法去深入理解复杂系统提供了新的思路。

       

    复杂系统及面临的建模难题

     

    根据系统论,世界可分为简单系统与复杂系统,简单系统主要是诸如“1+1=2”的那些系统,也就是整体等于各部分之和。所有的系统都像钟表一样,即使结构再复杂,也可以分解还原。系统的性质表现在其结构不会变化,因果关系确定,结果可重复、可预测,状态稳定等方面,如自行车就是这样的系统。复杂的事物,如航空母舰,只要是可以分解还原的,就都是简单系统。

       

    复杂系统就是那些“1+1≠2”的系统,即整体不等于各部分之和,研究每一个组成部分,并不能得到整体性质。如人体,死人和活人所有的物质都是一样的,但是一个有生命,一个没生命。从性质上看,它的系统结构是可变,因果不明确,结果不可预测、也不可重复,而且会产生出新的系统性质。社会系统、经济系统、战争系统、人体系统等,凡是与人有关的系统都是典型的复杂系统。“社会危机的不可预测性”“战争中的偶然性”“结果的不可重复性”等都在说明复杂系统的复杂性特点。复杂系统在各种信息关系网络的交互作用下,会不断地产生演化。因此,要想管控这些系统,就不可回避地需解决系统复杂性问题。

       

    系统复杂性表现为3种主要性质,其他性质可从这3种性质中衍生出来。

       

    1)适应性。Holland认为“适应性产生复杂性”,其最大特点是“环境会导致系统结构不断发生改变”。为适应环境,系统自身结构会不断调整,演化出新的系统结构,从而导致系统产生出新的性质和功能。这是由系统学“系统结构决定系统功能和性质”这一原理所决定的。

       

    2)不确定性。不确定性存在的直接结果就是“会导致因果不再一一对应,也不会是完全唯一”。从物理学角度来说,海森堡测不准原理就指出了“不确定性的客观存在性”,即状态的不确定性与人的认识多少无关。从社会学角度来说,由于自由意志的存在,导致人或者人的组织有了选择的自由,因而也会产生不确定性。

       

    3)涌现性。涌现性最直接的后果是“会得到新的整体性质,并且这种性质不可预测”。由于系统的自组织、自适应和不断演化,新的系统性质会分层次涌现,且涌现的结果具有非线性,所以它是不可预测的,既有不可预测的随机性,但是也有总体的规律性,而且不以人的意志为转移。往往是“意料之外,情理之中”的结果。看起来好像不可思议,但细想又是很有道理的。

       

    复杂系统的上述性质给建模带来了诸多困难。传统建模依据相似性原理,基本原则是结果可重复。对实际系统完成建模后,只要有相同的输入,就会得到相同的输出结果,所以能够用仿真系统的输出来代表实际系统的输出,这是仿真系统运行最基本的原理。但是,复杂系统结构动态可变,结果不重复,且涌现不可预测,这些复杂性特点严重动摇了传统建模的基础,导致采用传统思路对复杂系统建模从根本上就出现了问题,那么,对社会、经济、战争、城市、人体等复杂系统的建模就会变得非常困难。

       

    具体来说,复杂系统建模主要存在以下4个方面的困难。第一,复杂系统不可分解,其整体性质不具备局部可加性,因此必须进行整体性建模,而不能先局部建模、再通过局部模型的简单叠加来得到整体。第二,复杂系统具有适应性,结构动态可变,这就要求模型的结构也必须动态可变,也就是要求模型是“活”的,能“变”是对复杂系统建模的基本要求。第三,复杂系统的因果关系不明确,结果具有不确定性,这就要求模型必须能反映出多种可能的结果,而不是只有一种固定的结果。第四,复杂系统演化具有非线性和涌现性,这要求模型能反映出这种非线性的演化和涌现过程。

       

    要解决上述这些问题,仅靠传统的建模方法是不可能实现的。中国科协主办的第58期、第82期“新观点新学说”学术沙龙中曾对这一问题进行过深入研讨,研讨得出的基本结论是:基于相似性原理的建模仿真方法从根本上并不适合复杂系统建模。

       

    哪些方法比较适合复杂系统建模呢?目前,通过学术界的多方尝试,在复杂系统建模方面已取得了一些进展,提出了一些新的建模方法,主要有以下4种,这些方法虽然解决了复杂系统某一方面的建模难题,但也或多或少存在着一些瓶颈或不足。

       

    1)多智能体建模。这种建模方法依赖多智能体之间的相互作用,虽然可以反映出复杂系统内部要素的适应性行为及相互影响,但目前的“智能体”实际上并不智能,大多数都过于简单,还反映不了实际情况,因而建立的系统模型也就比较简单。

       

    2)复杂网络建模。它用复杂网络来反映系统的整体性质,是一种比较合适的理论和方法。但现在复杂网络的研究与应用大多数都是单向的,也就是对已有的复杂系统数据进行分析,来确定它是否属于复杂系统,或者具有什么结构或性质等,因而利用复杂网络方法对复杂系统进进行实证研究的多,但反向过来做实际建模工作的还比较少。

       

    3)大数据建模。大数据建模是用数据模型来代替数学模型,利用大数据的相关性,来回避复杂系统因果性难找的难题。这种方法可以解决许多复杂系统问题,但复杂系统具有不可预测性,因而这种方法最大的难点是用“过去”很难代替“未来”。建模的重要价值就是得到有预测功能的模型,也就是建立能够预测未来的模型,这对于大数据建模来说可以做,但仍然存在很多困难。

       

    4)平行系统建模。平行系统是指由某一个自然的现实系统和对应的一个或多个虚拟或理想的人工系统所组成的共同系统。平行系统建模方法是解决复杂系统管理的一种比较实用的理论和方法。这种方法采用虚、实平行的建模方式来解决复杂性问题,并将人引入模型运行过程之中。但是,采用这种方法仍然需要在“虚”系统里对复杂系统进行建模,因而以上的建模难题也同样存在。

       

    究其原因,不管采用上述哪种方法,均与缺乏对非形式化知识的建模方法有关。类似于经验、直觉、记忆之类的知识,其本质都是建立在各类知识相互纠缠基础上的,所以很难用简单的因果形式,比如某个数学公式或者“IF-THEN-ELSE”等形式表现出来,这就需要找到一种非形式化知识的建模方法,才能解决复杂系统的建模难题。

       

    “阿尔法狗”带来的曙光

     

    “阿尔法狗”(AlphaGo)采用深度增强学习的方法,不仅在围棋上战胜了人类,而且揭示了一种复杂系统建模的可能。尤其是“阿尔法狗”采用的深度学习方法,被认为是人工智能领域的重大突破。然而,对深度学习既不能有过高的估计,认为它是万能的,能解决一切人工智能问题;也不能过低估计,认为它只是一种普通的技术进展,而忽视它在智能认知方法上取得的突破,以及蕴含在这一突破中的颠覆性意义。

       

    1)“阿尔法狗”在4 个方面的突破值得关注。第一,通过深度学习方法掌握了对弈知识,所有的围棋规则和方法都不是编在程序里,而是它通过大量棋谱和自我对弈学习出来的。第二,发现了人类没有的围棋着法,意味着可能突破了人类已有的知识极限,具备了超出人类的可能。第三,在一定程度上捕捉棋感直觉,得到了一种对经验知识的获取方法。棋感,是人类通过训练得到的一种经验直觉,某种意义上说“只可意会,不可言传”。所以,经验直觉并没有形式化的表现形式,也不能用传统的方法来进行处理,因而这种能力过去被认为是人类独有、计算机难以做到的。第四,这种方法具有一定通用性,因而极具参考价值。

       

    2)“阿尔法狗”的深度强化学习启示了一种对智能的建模方法。它主要依赖4种方法完成走子。一是策略网络。主要功能是通过学习前人棋谱来获取走子经验,预测下一步棋的走子策略,并且可以通过自我对弈不断进化出更高级的策略网络版本。二是估值网络。主要功能是通过大量的自我博弈,来完成对整个棋局胜负的判定预测。三是快速走子。主要功能是加快走棋速度,采用局部特征匹配与线性回归相结合的方法,通过剪枝来提高快速走子速度。上述3种方法虽然都能下棋,但是它们的融合和协同运行才是最高水平,所产生的能力才能打败人类。四是蒙特卡洛树搜索,主要功能是搜索计算后续步的获胜概率,它相当于1个总控和调度,来控制对前3个算法的选择,完成对策略空间的搜索,确定出最终的落子方案。

       

    “阿尔法狗”采用的核心方法是深度学习方法,通过建立人工神经元网络,来理解概念和捕捉经验。学习方法主要是有监督训练、无监督训练等,实质就是分类和聚类。学习条件是通过大批量的训练样本,也就是数据,从而总结出特征。学习结果就是形成对应的人工神经元网络。从输入的各种数据出发,通过整合,建立起网络内部的各个连接,最后得到正确的下棋结果。这些连接的逐步整合,就意味着对问题的逐渐理解。

       

    “阿尔法狗”的设计者也不知道策略网络和价值网络内部是如何连接的,因为这是它自己学习训练不断优化得到的。所以,这个网络对我们来说就是一个“黑箱”。人工智能开山鼻祖之一的Minsky曾指出:“智能的诀窍就是没有诀窍。”其实是说,智能实际上是自然的,不知道要怎么建立这些网络,但却把它建立起来了,这才最符合智能的本质。这启示了智能的建模过程其实就是“涌现”,只有涌现出现了,也才能做从简单到复杂的事情。

       

    深度学习下的认知是什么?

     

    深度学习下的认知是一种非常接近人类的认知方式。知识主要以公式、规则、文本等形式化方式表达,基本上都是通过抽象化方式、以理性方式学习到的。如从小学、中学、大学直到研究生,无论是学习牛顿定律、运动方程等各个学科知识,还是阅读的各类书籍,这些知识都能够被表示成形式化的方式。但是,除此而外,我们学到的更多知识,是从眼睛、耳朵、皮肤等各个感官中间获得的。如,人的眼睛相当于每200毫秒拍一幅图像,到3岁时就已经看过几亿张图片了。这个过程也是学习的过程,只不过是以直觉感性的方式进行的。再如,球扔过来,伸手就能抓得住,不必知道任何抛物线定律、引力定律,也不用计算空气阻力,凭的是感觉经验。这说明可以通过试错的方法学习知识,而且学习到的知识远超过在学校里学到的形式化知识。

       

    对环境的感知是最常见的学习,这种经验学习是是不能言传的,必须亲身体会。结果可能有对有错,理解也可能会有偏差。很多复杂系统根本找不到对应的因果关系和形式化表达方式,依据的主要就是感觉和经验。事实上,在处理复杂系统问题时,所谓“高手”和“低手”的差别,除了基本能力以外,主要就是在经验与直觉上的差别。以围棋对弈为例,棋手都会按照规则去计算和走子,但关键的差距在于经验和棋感不同样。

       

    既然AlphaGo能模拟人的经验和直觉,那训练得到的人工神经元网络是否可以作为一种知识的表达形式呢?人类大脑的神经元大致是由细胞体、树突、轴突和突触等构成,把它们都转化为数字的形式就变成了人工神经元网络。通过人工神经元网络,可以识别猫,也可以下围棋,还可以作为飞行员去开飞机。目前,这些都已经先后取得了成功,并且可以表现为不同的形式,其基础都是人工神经元网络模型。因此,知识可以转变成以神经元网络为基础的特定表达形式。也就是说,知识并非一定要用符号、公式或者文字等方式去表达,人工神经元网络本身也可以是一种特殊的知识表达形式。

       

    人工神经元对知识的表达能够完善人类知识的数字化表达形式。形式化知识表达方法主要有规则、公式、文本等,人类长久以来积累下来的知识基本上都属于这一类。用人工神经元网络表达可以表达出非形式化知识,即经验、直觉等,如我们看到、听到、感知到并理解的东西,人类的很多知识要依靠这种方式积累。因此,我们既可以用形式化表达的知识,创造出“深蓝”“沃森”这一类智能系统,也可以用非形式化的经验类知识,创造出“阿尔法狗”和“AI飞行员”等为代表的另外一类智能系统。

       

    这就相当于对认知进行了建模。那么,什么叫认知建模呢?国防大学认知智能学习小组对此给出一个简单的定义:通过捕获人类经验、直觉和记忆等非形式化知识,与形式化知识一起,构建能够反映复杂系统特征的认知模型,实现对复杂系统的深度理解和仿真,从而实现对复杂系统的演化预测和管控。这里的“认知”,实际上包括了理解、预测和决策3大环节。如何对复杂系统进行认知建模与仿真,就是需要讨论的主要问题。

       

     

    认知仿真带来的问题与思考

     

    智能技术的不断发展,在增强人类获得认知、积累知识能力的同时,不仅会改变我们对复杂系统的认知能力,同时也为我们提供了用认知仿真方法去深入理解复杂系统的新思路。认知仿真的核心是模拟人类的认知方法,深入分析和探讨认知仿真的相关问题,将进一步拓展和丰富复杂系统建模仿真理论与技术方法。

       

    经验直觉认知复杂系统建模的特殊模式吗?

     

    1)经验直觉认知:是意识还是物质?经验直觉认知是对事物运行规律的深刻理解,是对各种因素的综合权衡,难以用形式化的方式表达。

       

    主要有以下3个方面的困难:第一,它是主观的,从属于个人。每个人的认知必定是主观的,是对事物的一种理解;第二,经验认知并没有统一的形式化表示方式,难以记录和传递。第三,经验认知难以用直接方式传授,接受者要有“悟”的过程,能否接受、接受多少,很大程度上取决于个人的理解能力,高手与低手的差别往往在于认知水平的差距。很多传统领域对复杂系统的理解和管控,往往依赖于人们认知经验的积累。如“宰相必起于州部”“猛将必发于卒伍”说明了在社会治理和战争指挥中经验积累的必要性和重要性。经验积累是对客观事物规律的认知,虽然复杂系统的规律是一种客观存在,而人们认识规律却是一种主观的行为。传统复杂系统建模是将其规律模型化,而直接对规律的认知进行建模可能是另一种复杂系统建模的有效途径。一旦经验和直觉能够通过某种物质模型(如神经网络)表示出来,经验直觉的意识属性也就会物质化,将直接带来意识与物质的统一。

       

    目前来看,以深度神经元网络作为经验直觉物质载体和表现形式的认知模型似乎越来越成功。“阿尔法狗”的突破在于找到了一种生成人工神经元网络的方法,可以将对围棋的经验直觉这种非形式化的知识捕捉下来,进入走子网络和估值网络之中,并用多层网络描述了经验的综合性。这种方法目前已经可以适应视频游戏、德州扑克、星际争霸等多种游戏形式,从看别人玩游戏中进行总结,或在不完全信息博弈中进行估算,几乎战无不胜。最近用神经网络构建的认知模型又开始挑战自动编程、写诗写书。这种方法之所以能达到了顶级玩家的水平,其实还是那句话:规则谁都懂,差的就是经验和直觉,差就差在神经元网络的训练效果和所用数据质量上。

       

    2)复杂系统建模:是对认知的捕捉吗?

     

    复杂系统具有多面性,需要从多个方面对其进行认识:第一方面,来源于认识世界的3大方法:理论推导、科学实验和仿真建模,这是我们认识复杂系统最基础的方法。第二方面,来源于后来出现的复杂网络和大数据方法,复杂网络被用来描述复杂系统的结构,大数据被用来挖掘复杂系统的特性,目的都是为了找到复杂系统的运行规律。第三方面,与深度学习方法的出现有关,从复杂系统的角度来看,它并不只是简单的智能技术,还可以看作是一种复杂系统的建模方法,也就是通过捕捉经验直觉建立神经元网络模型,来描述和表达出复杂系统的运行规律。不管从哪个角度认知事物规律,反映出来的都是认知的某个侧面,只有将它们都结合起来,才有可能更逼近于最后的真相。

       

    对复杂系统认知表现出来的这些特殊性,虽然在很大程度上制约了采用传统形式对其建模的可能性,但同时也带来了复杂系统建模的新机遇。这可以看作是认知物质化带来的直接后果,也就是意识与物质在人工神经元网络上的统一,使得对经验直觉等认知的捕捉,成为新的建模可能形式。值得思考的是,当年处于导体与绝缘体之间的半导体带来了信息革命,处于理论推导和科学实验之间的仿真计算(虚拟实践)带来了第三条认识世界的道路。今天,处于意识和物质之间的认知捕捉,也可能会给我们带来对复杂系统建模的新突破。

       

    3)经验直觉捕捉:是新出现的特殊建模形式吗?

     

    关于经验直觉捕捉是否是一种复杂系统建模的特殊模式,现在主要有两种观点。

       

    第一种观点认为,是一种复杂系统建模的特殊模式,因为经验直觉能够捕捉下来,并更好地反映出复杂系统性质。比如“阿尔法狗”,它学习的不是下围棋的逻辑,而是建立在几千万盘棋上的试错经验。捕捉获取的是只可意会的非形式化知识,形成的结果是人工神经元网络。这种方法相较于其他建模方法更具有整体性、适应性、不确定性等复杂性特点。

       

    这个观点的核心是要把所谓的经验直觉等非形式化的知识捕捉下来。从“阿尔法狗”的成功来看,深度学习、增强学习等一系列经验直觉捕捉技术手段,已显现出了初步曙光,卷积神经网络(convolutional neural network,CNN)、长短时记忆(longshort-term memory,LSTM)、深度玻尔兹曼机(deep boltzmann machine,DBM)等方法也都在不断完善进步,“阿尔法狗”的创始人Demis Hassabis认为,人工智能就是深度学习加上增强学习。现出现了一些更新型的模型,如DeepMind公司提出的想象力模型。该模型认为,单纯的试错学习其计算量太大,仅靠给定规则又可能丢失创新性的结果,因此,将两者结合就出现了想象力模型,模拟的是人类思考问题的经验方式:给定一个问题后,先想象这么做会产生的结果,然后才开始行动。这对复杂系统意义重大,因为复杂系统的规则往往不会像围棋博弈那么明确,信息经常是不完全、不可预知,就需要先设想可能会发生什么情况再采取行动。如在“推箱子”游戏中,智能Agent在不了解规则的情况下,就需要先通过想象来看看这样做的后果,然后再根据结果行动。“宇宙飞船导航”游戏也是一样,要先想象一下各个星球对飞船的吸引力结果,再决定如何规划航行的轨迹。类似这种模拟人类思考模式的新模型,可能在今后会见到更多。

       

    第二种观点认为,经验直觉的捕捉并不是一种复杂系统建模的特殊形式。认为“阿尔法狗”获取的其实不是真正的经验直觉,而是一种大数据分析和抽取经验的方法。本质上还是一种剪枝和搜索方法,而非人的模糊直觉。“阿尔法狗”虽然扫荡了围棋的定式,改写了棋形,但并没有动摇围棋的棋理。一个没有感情的机器,是没有办法完全获得完整的人类经验和直觉的。依赖经验的模型是否可信本身也存疑。很多经验和直觉有时并不可靠。正因如此,构建的认知模型是否可信值得怀疑,尤其是在战争决策、社会管理这样的高敏感度场合。同时,有研究证明,现在很多学习算法模型其实很容易被误导。比如,一个通过深度学习算法产生出来的识别“猫”的神经元网络,只要稍微修改其中的数据,就会把“猫”识别为“烤面包机”,这意味着所产生的认知极易被误导。

       

    神经元网络是否为复杂系统模型的表达形式?

     

    1)复杂系统与人工神经元网络的相似性。

       

    复杂系统模型主要用于描述复杂系统的运行规律,且取决于其内部的结构和演化。由于复杂性的存在,模型的内部结构应该反映多层网络、节点之间相互纠缠影响,并且可以涌现出整体运行规律。无论是对人体、社会、战争,还是互联网、作战体系等复杂系统进行建模,都应该反映出这些特征。从相似性角度来说,如果用人工神经元网络作为复杂系统的模型表达形式,至少在形式上是比较接近的。

       

    人工神经元网络又完全不同于传统的模型,它是一种所谓的“认知表达”形式,是由人自己认识并通过人工神经元网络表示出来的,可以被看成是一种应用类似大脑神经突触联接结构进行的信息处理数学模型,通过调整内部大量节点之间相互连接的关系,实现对事物的理解。因此人工神经元网络表示的是对复杂系统规律的某种认知,并将这种认知以模型的形式展现出来。但人工神经元网络是否能反映出复杂系统规律的核心原理呢?众所周知,飞机的发明是人类掌握了鸟类飞翔的空气动力学原理,人工神经网络是不是也是复杂认知智能的原理,目前尚未有定论。从性质上来看,人工神经元网络与复杂系统高度相似,这为复杂系统建模奠定了基础。

       

    人工神经元网络建模不同于传统模型,主要表现在以下4个方面。第一,整体性建模,是对整体特征的抽象;第二,结构是动态的,对数据的特征进行动态适应性调整;第三,结果是不确定的,训练过程本身也存在随机性;第四,可以描述出概念涌现,低层次特征的抽象组合会涌现出对高层概念的理解,就象从众多的动物特征中识别出具体的“猫”。

       

    神经元网络可以被看成是复杂系统的模型表达形式主要有两方面。第一,符合相似性原理。用人工神经元网络的黑箱模型来模拟复杂系统的黑箱,两者之间具有天然的相似性,当然这是在高层次上的整体相似;第二,不同认知可以有不同结构的差异性。发展不同的人工神经元网络和它的组合,就可以表示出不同类型的复杂系统,就像可以利用不同模型的差异性进行组合,表示不同类型的飞机一样,如小飞机、大飞机、民用飞机、战斗机等。有人把人工神经元网络的结构进行了划分,不同的结构组合之后,就会形成各种各样的结构形式,组合出很多不同类型的复杂系统认知模型。

       

    但是认知模型的建模,最后到底是建一个还是建多个?对于认知智能来说,不会只有一个方面,比如只会下棋,它还必须会其他东西,因为这些知识对一个人的认知来说,是完全纠缠在一起的。因此,对复杂系统的理解,也不能只关注一个或几个方面。但是,这样就引出另外一个必须回答的问题:复杂系统的模型到底应该是一个极为复杂的统一整体模型,还是由若干个不同类型模型构成的组合?群体认知是不是多种模型的综合?这些问题都直接挑战了复杂系统模型本身的结构性问题。

       

    2)人工神经元网络的黑箱特性。

       

    人工神经元网络的黑箱特性,增加了人类理解模型的难度。为了看清楚神经元网络内部发生了什么变化,DeepMind 开发了tensorflow 牧场,但还是很难看清内部发生了什么。有报道说,“阿尔法狗”自我对弈的棋谱人类已经无法理解了。那么,是不是打开了这个黑箱,就可以帮助我们更接近围棋之神呢?换言之,打开了这个黑箱,我们是不是也能从中得到复杂系统更深层次的规律或者是知识呢?目前还难以回答这一问题。为了破解黑箱特性带来的理解难题,现在又出现了一个新的研究热点,就是对深度学习产生的人工神经元网络黑箱进行探测。有人建议对这些计算机里面的人工神经元网络进行“脑外科手术”,目的当然是要想弄清楚里面到底是什么。Voosen指出,应该发展出一门新的学科,叫“人工智能神经科学”,可能也是出于同样的考虑。

       

    人工神经元网络黑箱之所以是个难题就与它与复杂系统性质密切相关。一是人工神经元网络的所有连接极为复杂,而且整体纠缠,牵一发而动全身。有人形容这些信息是“全息”的,也就是“人人有我,我有人人”,每一部分都关系到整体,整体又都影响每个局部;二是人工神经元网络的连接还是动态的,因为认知总是在不断变化,模型也会跟着不断变化,基本上是“此一时,彼一时”,不会总是固定不变。比如,有很多网民在和微软“小冰”对话时,就不断教它说脏话,结果小冰真的就学会了说脏话。但是,要把它改回来并不容易,不是调哪个软件参数就改得回来的,需要用大量数据重新再去对它进行训练。这是因为在训练好的人工神经元网络中,每一个连接都相互关联,动一处必然会引发一大片都要随动。

       

    可进化是否是智能认知模型的固有属性?

     

    1)复杂系统的进化与反身性。

       

    根据复杂系统理论,适应性是进化的动力。但是,如果从建模角度考虑,还要回答一个问题,到底是谁进化了,是复杂系统,还是人类的认知?

     

    客观上,复杂系统在适应环境中是不断进化的,因而反映复杂系统原理的模型也需要不断进化。但主观上,对复杂系统的认知也在不断进化,因为理解在不断加深,所以认知模型也需要进化。这两个侧面,一个客观,一个主观,无论是复杂系统本身,还是我们对复杂系统的认知,其实都在进化。因而,认知也应该成为建模必须要考虑的核心问题之一。

       

    要理解这个问题,首先需要了解复杂系统的另一个重要性质——“反身性”。这是复杂系统的一个非常关键核心的性质,但被很多研究者所忽视。“反身性”是人也是系统的组成部分之一,人的任何行为(包括认知),都会对系统造成反作用,都会导致系统的状态发生改变,任何与人有关的复杂系统都具有这个特性。

       

    对于自然界中的系统,人对其影响不大,因此可以假设人不在系统之中。如,无论人们预测明天是否会下雨,都不会影响明天气象的自然规律。但是,如果证监会主席或某些重要的知情者评论股市,甚至是某人造出的谣言,就可能会影响股市的波动,因为人本身就属于股市所在的系统。这就是反身性。同样,战场上指挥员对战场态势的认知,也会构成对战场系统的影响。因此,复杂系统与认知是分不开的。对自然界中的简单系统,我们可以不考虑反身性的问题,但是只要是与人相关的复杂系统研究,就必须要体现认知的反身性影响。因此,模型的进化很自然就与系统本身和认知都有关系。

       

    “阿尔法狗”的成功依赖于其策略网络、价值网络、增强学习的不断发展。策略网络通过学习人类16万盘棋中蕴藏的有限容量经验知识而不断进化;价值网络通过自我对弈的3000万棋面中蕴藏的经验知识而不断进化,而且还脱离了人的限制;增强学习则是“左右互博,见多识广”,人类已经很难理解其对弈的招数,进化出来的新版本,已经远远超出了它自己的初始版本。

       

    因此,可得出一个结论:进化是智能认知模型的固有属性。不会进化的模型,显然满足不了仿真的需要。同时,也可以得到一个推论:认知模型应该是动态的,也就是结构应该是不固定的。从结论和推论来看,人工神经元网络是比较符合这一特点的。

       

    2)模型进化的极限与方向。如果模型要进化,还应解决“极限”和“方向”两个问题。“极限”探讨的是进化是否有尽头。如,“阿尔法狗”的能力会不会一直增长?它一直在“左右互搏”,新版本跟老版本对抗,不断学习,提高自己,会不会有能力提升的极限呢?如果到了这个极限,会不会还继续进化?如果再进化,它还是不是认知模型呢?比如,据说“阿尔法狗”现在相当于22段,那它会不会达到50段、100段?这都是需要探讨的问题。人类现在已经进化成了直立行走的动物,但我们现在也不知道人类的行走方式是不是已经停止了进化,也不知道这是不是就是人类行走进化的极限。

       

    “方向”探讨的是进化方向是否是唯一确定的,也就是说,进化会不会有几种不同的结果?是不是都能从低手进化成高手?提出这个问题,是因为复杂系统有一个固有问题,即混沌从复杂系统来看,系统的演化可能会进化涌现出更有序的系统结构,也可能掉入混沌状态中去,进化的方向就会有很大的不确定性。

       

    认知模型的进化是否会突破人类容忍的极限?

     

    1)智能模型的容忍极限与超越可能。作为深入理解和管控复杂系统的一种新思路,将智能技术用于复杂系统建模仿真研究会出现哪些可能性,有以下2种观点。

       

    第一,智能建模完全有可能超越人类的容忍极限。现在的技术已经显现出了端倪,“阿尔法狗”对围棋这一复杂博弈系统的认知和控制已经超出了人类。深度学习技术与算法还在不断改进完善,在图像理解、语音识别、围棋博弈、德州扑克、飞机驾驶、星际争霸等等诸多领域,攻克了一个个人类的智能堡垒,现在自主编程又出现了,将来只会越来越多。

       

    第二,智能建模只能不断逼近人类认知,根本无法超越。“阿尔法狗”也只能在单一智能上超过人类,在综合智能、创造性等方面差距还很大,目前也还没有见到任何算法可以“真正”理解它所处理的内容。如果仅仅是单独训练不同的人工神经元网络,而不是把它放到认知整体上来看,它永远不会成为真正的智能。只有当很多神经元网络模型能够做到像复杂网络一样交错纠缠在一起之后,才能在更高层次上涌现出真正的智能。更重要的一点是,没有自主的直觉和意识,就根本谈不上“超越”人类,但是自主的直觉和意识,就目前的进展而言,还根本一点也看不出有这种可能性。

       

    2)认知智能研究的矛盾与悖论。认知智能研究会带来一系列值得思考的问题。对认知智能模型的研究,或许可以解决复杂系统理解和管理问题,但也可能带来更多的新问题。例如,我们建立的认知模型,会不会比我们更了解复杂系统?与之相关的另外一个很值得讨论的问题是,被认知后的复杂系统会带来什么变化?

     

    一般说来,我们对一个系统的认识和理解加深了,掌控它的程度也会更进一步。比如,我们认识了一台机器的原理和结构,就很容易对它进行拆解、组装或维修。但是,对于复杂系统而言,这个问题可能就不是那么简单,甚至还可能出现一个悖论:我们为了掌控复杂系统,就必须对它充分认识;但对它认识越多,却发现不是离真相越近,反而可能是越远了。这个悖论之所以产生,就是因为反身性原理,我们认知的本身会导致系统发生演化,而这种演化又具有非线性、不确定性等特点,而蝴蝶效应又会使结果具有很强的不可预测性。因此,当我们利用认知智能去解决社会、经济、战争等复杂系统问题时,是否会激发系统产生更复杂的演化,导致新的安全、社会等问题,就非常值得我们深入思考。

       

    因此,人工智能的发展面临着新的“囚徒困境”:谁来决定该不该发展它?发展它可能面临很大的风险,但你不发展别人发展也许更加危险!这背后的核心问题其实是理性发展与非理性发展两种观点的博弈。所以,马斯克不断呼吁限制人工智能,但他也是最积极的投资者之一,恐怕就是这个道理。

       

     

    结 论

     

    复杂系统的认知仿真是否可以成为解决社会、经济、战争等复杂系统的终极手段,其结论不得而知。但是,不断深入的研究包括建模仿真,会使人们逐步认识和理解复杂系统的运行规律,在掌握和控制复杂系统的道路上不断进步;同时这些认知也可能会激发出更复杂的演化,导致复杂系统产生出更多的新问题,使得对复杂系统的认识和管理更加困难。比如,在智能化程度上先进与后进国家间的差距如果过大,就很可能带来不可预知的巨大危险性。

       

    因此,深入地研究认知建模与仿真问题可能是解决复杂系统问题的一条可行途径,但同时也必须从复杂系统观点出发,从理论上有所突破,才有可能取得较大的进展。复杂性与智能认知,是不是殊途同归,还是一个值得思考的问题。

       

    基金项目:军民共用重大研究计划联合基金项目(U1435218);国家自然科学基金项目(61174156,61273189,61174035,61374179,61403400,61403401)

     

    参考文献(略)  

     

     

     

    本文作者:胡晓峰,贺筱媛,陶九阳

     

    作者简介:胡晓峰,国防大学联合作战学院,教授,研究方向为战争模拟、军事运筹、军事信息系统工程。

     

    本文发表于《科技导报》2018 年第12 期,敬请关注。

     

    (责任编辑  卫夏雯)

    展开全文
  • 石家庄炼化分公司燃料动力系统设备配置复杂、蒸汽系统压力等级及用户较多,采用燃料动力优化系统软件,建立了符合企业实际的优化模型,并对燃料动力系统实施优化,动力运行成本降低2 086万元。同时介绍了燃料动力优化...
  • 由于增加了空气分离系统(ASU)和烟气净化压缩系统(CPU),富氧燃烧电站的热力系统较常规系统更为复杂,存在较大的优化空间。利用Aspen Plus软件对富氧燃烧进行全流程建模并展开效率分析,对空气分离子系统、热力发电子...
  • 提出的面向生产目标的智能集成建模与优化控制技术,较好地解决了多输入、多输出、强非线性、强耦合性复杂工业过程的优化控制问题,实现了高产、低耗、优质的生产目标,为复杂工业过程的建模与优化控制提供了一种实用的...
  • 机械优化设计方面的资料!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
  • 为此,提出一种改进遗传算法基于支持度的规则约简相结合的模糊系统优化建模新方法——遗传模糊系统(GFS),通过优化模糊系统的结构及隶属函数参数,由目标函数的不同组合构成GFS1、GFS2GFS3这3种模型的具体实现...
  • 为了简化电梯系统建模问题的复杂性,国内外学者一直将电梯系统作为离散事件动态系统来分析,然而实质上电梯群控系统是一种典型的混合系统,包含了连续状态和离散状态以及复杂的人为逻辑策略。针对这一情况,打破此...
  • 论文研究-半导体设备预防性维护建模与优化方法研究.pdf, 半导体生产线造价昂贵,制造工艺复杂.其维护具有维护费用高、维护难度大等特点.为了降低生产系统的整体维护成本...
  • 针对矿井巷道复杂受限环境中电磁波传播多径衰落问题,基于多波模信道模型,建立了矿井巷道放大转发(amplifying-and-forwarding,AF)协作通信系统模型,分别推导出矿井巷道单中继和多中继AF协作通信系统的信道容量公式。...
  • 随着计算机应用技术的发展,大多数计算量大、复杂且难度高的仿真分析计算可以借助现代化的计算模型...结果表明,采用有限元方法进行建模仿真,不仅可以满足设计要求,且为后续优化设计、疲劳寿命计算等提供了理论依据。
  • 针对多级维修保障系统建模与优化问题,分析了3级维修3级库存维修保障系统模型,运用复杂适应系统(C0mplex Adaptive System,CAS)理论,建立了多Agent系统的刺激反应模型,从规则描述、信用分派和规则发现等方面...
  • 针对带弹性筏体和弹性基础的三维复杂弹性耦合冲击隔离系统,综合运用多体动力学理论、结构动力学理论、子结构方法、有限元方法,考虑系统刚体运动弹性振动的耦合,建立了三维复杂弹性耦合冲击隔离系统的动力学模型;...
  • 在通过稳态数据建模而得系统模型后,再采用优化算法获取最优控制参数,已成为目前复杂工业过程通用的体系结构,但目前这类软件都是针对某一具体过程开发的。为了实现通用性,目标函数和约束条件都必须由用户输入,...
  • 通过探讨复杂机电系统的全局动态模型的建模方法过程,为进一步的动态仿真、机理分析、全局优化等工作做准备,并分析了动态方程的类型,提供了建模的具体实例.实例所建全局耦合模型反映了高速轧机垂振系统与扭振...
  • 为了对复杂系统中物流网络进行规划,在分析复杂制造系统物流网络特点的基础上,用多级有向图来对物流配送问题进行建模。针对物流路径的流量和时间限制,以寻找满足约束条件的最小成本的路径为目标,利用改进的蚁群算法对...
  • 制造执行系统(简称MES)由多个子系统组成,其建模方法比较混乱和复杂。介绍了系统工程建模语言SysML的特点,并结合实例给出了基于SysML的MES建模方法,重点描述了需求图和功能图。此建模方法既有利于前期客户讨论...
  • 系统建模

    千次阅读 2012-10-14 22:30:51
    结构化系统建模 1.数据流图 DFD(Data Flow Diagram) 数据流图由数据流(data flow),加工(process),文件(data store),源 / 宿(Source / Sink)四部分组成。 数据流是有一组固定成分的数据组成,...

    结构化系统建模


    1.数据流图 DFD(Data Flow Diagram)

    数据流图由数据流(data flow),加工(process),文件(data store),源 / 宿(Source / Sink)四部分组成。
    • 数据流是有一组固定成分的数据组成,表示数据的流向,用箭头表示。它可以从源、文件流向加工,也可以从加工流向文件和宿,还可以从一个加工流向另一个加工。
    • 加工描述了输入数据留到输出数据了之间的变换,也就是输入数据流做了什么处理后变成了输出数据流,用圆或椭圆表示。每个加工有一个名字和一个编号。
    • 源/宿中,源是指系统所需数据的发源地,宿是指系统所产生的数据的归宿地,用方框表示。源或宿均对应于外部实体。
    • 数据的存储用双杠表示。

    实例:

    Level-0 Diagram:


    Level-1 Diagram:


    数据流图约束:

    加工(Process):
    • 加工必须有数据流入,否则你加工的数据从何而来,在流图中,只有输出的对象是源(Source)
    • 加工必须有数据流出,否则会产生数据黑洞(black hole). 在流图中,只有输入的对象是宿(Sink)
    • 加工是一个动作,里面含有动词
    文件(Data Store):
    • 数据不能从一个文件直接流向另一个文件,必须通过加工处理
    • 数据不能从源(Source)直接流向文件,likewise,数据不能冲文件直接流向宿(Sink)
    • 文件是名词表达式。
    源 / 宿 (Source/Sink):
    • 数据不能从源直接流向宿,必须通过加工处理。
    • 源/宿 是外部实体,是名词。
    数据流 (Data Flow):
    • 数据流不能直接回到其刚离开的加工。
    • 数据流进入数据存储(Data Store)意味着Create/Update
    • 数据流离开数据存储意味着Retrive
    • 数据流是内部实体,也是名词。

    判定表

    对于复杂逻辑可以使用判定表(Decision Table)。

    定表通常有以下四个部分组成:
      1)条件桩(Condition Stub):列出了问题得所有条件。通常认为列出的条件的次序无关紧要。
      2)动作桩(Action Stub):列出了问题规定可能采取的操作。这些操作的排列顺序没有约束。
      3)条件项(Condition Entry):列出针对它左列条件的取值。在所有可能情况下的真假值。
      4)动作项(Action Entry):列出在条件项的各种取值情况下应该采取的动作。
    实例:


    实体联系图ER (Entity-Relationship)

    对于DFD中名词,也就是实体,描述这些实体之间的关系用ER图,其实ER图和UML的概念类图(Conceptual / domain class diagram)有很多相似之处。


    流程图(Flow Chart)

    A flowchart is a type of diagram thatrepresents an algorithmor process, showing the steps as boxes of various kinds, and their order by connecting these with arrows.

    ž  Oval(椭圆形) – Start and end Symbols

    ž  Rectangles(矩形) – Generic processing steps

    ž  Diamonds – Conditional or decision

    ž  Parallelogram(平行四边形) – 输入输出 input/output

    实例:



    面向对象系统建模


    需求建模( Modeling Requirements) - Use case View

    可以为用户需求创建多种不同的视图。 每个视图都提供特定类型的信息。 当您创建这些视图时,最好经常在各个视图之间进行切换。 创建时,可以从任何视图开始。


    关系图或文档

    需求模型中描述的内容

    用例图

    谁使用系统以及使用系统执行什么操作。

    描述系统的使用方式

    概念类图

    用于描述需求的类型的术语表;可在系统界面看到的类型。

    定义用于描述需求的术语

    活动图

    由用户与系统或其部件执行的活动之间的工作流和信息。

    显示用户和系统之间的工作流

    序列图

    用户与系统或其部件之间的交互的序列。 活动图的替代视图。

    显示用户和系统之间的交互

    附加文档或工作项

    性能、安全性、可用性和可靠性条件。

    描述服务质量要求

    附加文档或工作项

    非特定于具体用例的约束和规则

    显示业务规则


    当用于此目的时,UML 类图的内容称为“概念类图“,也称为域模型(Domain Model)

    用例图

    用例之间的关系:
    • 泛化Generalization

    • 包含Include :   包含关系用来把一个较复杂用例所表示的功能分解成较小的步骤。指向分解出来的功能用例

    • 扩展extend:扩展关系是指用例功能的延伸,相当于为基础用例提供一个附加功能。指向基础用例

    包含(include)、扩展(extend)、泛化(Inheritance) 的区别:

            条件性:泛化中的子用例和include中的被包含的用例会无条件发生,而extend中的延伸用例的发生是有条件的;

            直接性:泛化中的子用例和extend中的延伸用例为参与者提供直接服务,而include中被包含的用例为参与者提供间接服务。

            extend而言,延伸用例并不包含基础用例的内容,基础用例也不包含延伸用例的内容。

            Inheritance而言,子用例包含基础用例的所有内容及其和其他用例或参与者之间的关系;


    逻辑建模 (Modeling a System's Logical Structure)- Logical View

    Class Diagram,Sequence Diagram, State machine Diagram

    层关系图可直观显示系统的高级逻辑架构:http://technet.microsoft.com/zh-cn/dd409462(v=vs.89)

    一个Web应用的4层关系图:


    业务流程建模 (Modeling System Workflows)- Process View

    活动图(Activity Diagram)

    何时使用活动图

    活动图中的主要元素

    • 活动(Activity):如果活动只包含一个动作,则此活动(Activity)是动作(Action)
      例如“付款”这个活动,可能包含“检验账号余款”,“选择付款方式”,“确认付款”等动作。
    • 泳道(swimlane):根据每个活动的职责对所有活动进行划分。
    • 对象流:类似于DFD中数据流,只不过在OO中Entity叫对象。
    • 分支与合并(Decision and Merge Nodes)

    • 分叉与汇合(Folk  and Join Nodes)

    案例


    Reference:
    1. 如何在Visio中画活动图: http://technet.microsoft.com/zh-cn/dd409465(v=vs.89)

    构建和部署 - Deployment View

    Component, Package,  Deployment Diagrams


    数据库建模


    数据库基础知识

    超键(Super Key):能唯一确定一组属性

    候选键(Candidate Key):最小属性集的超键,减少一个属性,其就不是超键了,但增加一个属性,其任然是超键,但不是候选键。

    主键(Primary Key):从候选键中选择一个即为主键。

    子键(Subkey):Super key函数确定关系中所有属性,这是好的函数依赖(FD),但如果有这样的FD,其只能函数确定关系中部分属性,而不是全部属性,那么次局部Super key就是subkey。

    如何消除子键(http://www.tomjewett.com/dbdesign/dbdesign.php?page=subkeys.php

    无损连接分解(lossless join decomposition)

    1.    把所有函数依赖子键的属性移到一个新表

    2.    将子键复制到新表中,并将其标识为新表中得主键。

    3.    在老表中保留子键作为新表的外键(Foreign key),此时老表和新表满足many-to-one的关系

    数据库规范化(Normalization)

    当数据库中得所有表都没有子键,那么此数据库将满足3NF的要求。

    部分函数依赖:此时的subkey 是 primary key的一部分。

    传递函数依赖:此时的subkey 不是 primary key的一部分。

    数据库设计步骤

    1. 需求分析:形成DFD 
    2. 概念结构分析:E-R图
    3. 逻辑结构设计:将E-R图转换为指定的数据模型,数据库规范化,确定完整性约束,确定用户试图。
    4. 物理结构设计:结合DBMS,优化存储结构和数据存储路径
    5. 应用程序设计


    展开全文
  • 水泥熟料烧成系统模型对于理解水泥熟料煅烧过程...对此,针对水泥熟料烧成系统建模问题,综述国内外已有的建模方法和技术,分析各种方法的优势及存在的问题.最后,分析并指出水泥熟料烧成系统建模领域未来的研究方向和前景.
  • 基于Creator的煤矿变电站三维建模优化,于丽梅,史丽萍,虚拟煤矿变电站系统的构建是以现实矿井变电站及其周边环境为基础进行三维模型建立。Creator是专门为复杂的虚拟场景实时漫游设计的�
  • 利用复杂适应系统自身特点遗传算法特点的相似性,采用嵌套、多目标等方法较好的解决了复杂系统中不同层次交互、不同部门间适应性矛盾等问题.将该方法应用于三江平原区域农业水土资源复杂适应性优化配置演化研究中, ...
  • etap实验 系统建模.doc

    2020-08-19 18:01:54
    系统建模 ETAP软件是一种非常全面的工程解决方案可以进行设计仿真进行发电传输配电和独立电力系统等方面的分析经过不断地优化和发展使用户可以在同一界面窗口下图形化的完成对包含多重子系统如交流系统和直流系统...
  • 基于复杂网络理论的离散制造车间生产物流网络建模与分析,高玲,尹超,针对离散制造车间环境复杂、加工任务多变、生产异常频发等特点致使生产物流系统难以支撑产线优化运行任务高效执行的问题,本文
  • 基于Arena的车间作业排序问题建模方法及其仿真优化系统设计,潘燕春,周泓,针对生产车间作业排序问题的固有复杂性、目标函数难于解析求解等特点,建立了一个优化与仿真的集成系统框架。为解决传统方法中直
  • 《电力系统建模理论方法》(鞠平著)1(提取码:0lnh) 目录参考资料第一章 绪论1.1 电力系统建模的重要意义1.2 电力系统建模的基本概念1.2.1 电力系统模型1.2.2 电力系统建模1.2.3 电力系统辨识1.2.4 电力系统...

    参考资料

    《电力系统建模理论与方法》(鞠平著)1(提取码:0lnh)
    《动态电力系统的理论和分析》(倪以信著)2(提取码:gt5w)

    第1章 绪论

    1.1 电力系统建模的重要意义

    • 基础:电力系统仿真3计算不但是电力系统动态分析与安全控制的基本工具,也是电力生产部门用于指导电网运行的基本依据。电力系统建模是仿真计算的基础。
    • 效益:建立合适的电力系统模型,能够提高传输能力,或者消除安全隐患,具有显著的经济和社会效益。
    • 支持:计算机技术、通信技术、广域测量技术(WAMS),为电力系统建模提供了新的技术支持。

    1.2 电力系统建模的基本概念

    1.2.1 电力系统模型

    • 物理模型:根据相似原理构成的一种物理模拟,通过模拟实验来研究系统的特性,如动态模拟
      代价高、费时费力,很难模拟大规模电力系统。
    • 数学模型:以数学表达式来描述实际系统的特性,通过数字仿真计算来分析其过程。
      简便、灵活、代价小
      ==>混合仿真技术

    1.2.2 电力系统建模

    在这里插入图片描述

    • 正确描述系统本质
    • 尽量简单

    1.2.3 电力系统辨识

    • 实质:从一组模型类中选择一个模型,按照某种准则,使之能最好地拟合所关心的实际过程的动态特性。
    • 分类
      在这里插入图片描述

    1.2.4 电力系统建模对象

    在这里插入图片描述

    1.3 电力系统建模的研究概述

    1.3.1 研究的难点

    (1)电力系统特点:

    • 非线性
    • 高阶复杂
    • 随机(运行状态、干扰等)
    • 动态过程时间分布广

    (2)电力系统建模的困难:

    • 电力负荷建模(时变性、随机性、分布性、多样性、非连续性等)
    • 参数的平稳性(可辨识性、鲁棒性、频谱)
    • 系统模型校核(系统无法停运试验)

    1.3.2 研究的历程

    电力系统建模发展与电力系统数字模拟计算基本同步!

    1.3.3 研究的趋势

    在这里插入图片描述

    第2章 电力系统建模的基本理论

    2.1 电力系统建模的基本途径

    2.1.1 基于元件机理的方法

    根据电力系统元件的内在机理,按照基本的物理、化学等定理和定律来到处模型方程,再采用数值计算的方法来获得参数,所得模型成为机理模型

    优点:

    • 具有机理内涵
    • 物理概念清晰
    • 便于分析应用

    缺点:

    • 模型局限
    • 不适合复杂过程和因素

    2.1.2 基于测量辨识的方法

    **测辨法:**通过测量建模对象的运行或实验数据来辨识模型。
    在这里插入图片描述
    特点:

    • 无需确切知道系统的内部结构和参数
    • 可计及实际因素
    • 适用于动态过程

    2.1.3 基于仿真拟合的方法

    步骤:
    (1)实测反映动态行为的曲线
    (2)典型参数,仿真输出与实际曲线对比分析
    (3)参数修正,拟合
    优点: 参数确定过程与程序计算时选择参数的过程一致

    缺点: 试凑法,难以保证参数的唯一确定

    2.1.4 混合方法

    原理:

    • 基于机理推导方程
    • 基于测量获得数据
    • 基于辨识获得参数
    • 基于故障仿真进行校核

    2.2 电力系统模型的结构特性

    2.2.1 灵敏度

    定义: 随着模型参数的变化,输入-输出特性变化的程度

    2.2.1.1 时域灵敏度

    1. 轨迹灵敏度
    定义: 系统中参数发生微小变化时系统动态轨迹的变化程度,能反映系统轨迹与参数的相互关系。(轨迹关于参数的导数)
    在这里插入图片描述
    为了提高数值计算精度,采用中值法计算导数,得到计算轨迹灵敏度(相对值):
    在这里插入图片描述
    比较各灵敏度的大小:
    在这里插入图片描述
    2. 指标灵敏度
    在这里插入图片描述
    在这里插入图片描述
    指标灵敏度是轨迹灵敏度的线性组合

    2.2.1.2 特征根灵敏度

    特征根是系统动态特性的一个重要表征,可以用来判断系统的稳定性、系统振荡的衰减快慢等,能够反映系统动态的内在特性。

    2.2.1.3 频域灵敏度

    定义:

    • 传递函数灵敏度:
      在这里插入图片描述
      在这里插入图片描述

    • 灵敏度幅值:
      在这里插入图片描述

    • 灵敏度相位:
      在这里插入图片描述

    • 幅值灵敏度:
      在这里插入图片描述

    • 相位灵敏度:
      在这里插入图片描述
      频域灵敏度计算:

    • 基于传递函数的计算方法(适用于低阶):
      (1)针对具体电力系统模型,推导出传递函数;
      (2)采用中值插值法计算传递函数灵敏度;
      (3)采用中值插值法计算幅值灵敏度和相位灵敏度。

    • 基于傅氏变换的计算方法:
      (1)利用仿真软件获得输入/输出的时域动态曲线;
      (2)对输入/输出进行傅里叶变换
      (3)采用插值方法计算频域灵敏度
      在这里插入图片描述

    2.2.2 可辨识性

    内涵: 根据输入/输出动态数据,能否唯一确定模型的参数。

    2.2.2.1 可辨识性的基本概念

    定义:

    • 唯一(全局)可辨识:参数存在唯一解
    • 无穷不可辨识:参数存在无穷多个解
    • 0不可辨识:参数不存在解
      注意: 0不可辨识和无穷不可辨识是两个不同的概念。0不可辨识实际上意味着模型结构需要更换。

    2.2.2.2 线性模型的可辨识性分析

    线性系统模型的描述方式:

    • 状态方程

    • 传递函数

    • 差分方程
      1. 拉普拉斯传递函数方法
      在这里插入图片描述
      对上式进行拉普拉斯变换,可得:
      在这里插入图片描述
      结论:

    • 可辨识性与测量的信号个数关系很大,适当增加输出变量有时可以改善可辨识性

    • 可辨识性与输入变量个数有一定的关系

    • 拉式传递法具有直观清晰、容易掌握等特点,因为经常被采用

    • 也存在缺点:
      (1)关系式往往非线性,要判断是否多解不容易
      (2)不可辨识时,需通过反复试凑修改模型、输入、输出
      (3)从特殊情况得出的结果可能难以推广
      2. 输出量高阶求导方法
      又称泰勒级数展开法:先将输出变量泰勒展开,再取拉普拉斯变换。
      此方法与拉普拉斯传递函数法有相同的缺点,对线性系统用得不多,可用于非线性或时变系统。
      3. 马尔可夫参数矩阵方法
      当马尔可夫参数矩阵的雅克比矩阵等于参数数目时,是可辨识的,但不一定唯一。
      该方法即使对于二阶简单系统,可辨识性分析也是复杂的。

    2.2.2.3 非线性模型的可辨识性分析

    没有通用的解析方法,难,复杂。
    1. 基于线性化的解析方法
    线性化模型在理论上有局限,但可辨识性的结论对原模型应该是适用的,因为参数的可辨识性与干扰大小没有本质关系。
    2. 基于输出量高阶求导的解析方法
    (1)输入、输出变量已知,理论上可获得n阶导数
    (2)有可能通过求导来增加参数条件,“解析”出部分或全部参数的可辨识性
    (3)在实际辨识过程中,并不用高阶导数进行参数辨识,因为噪声在高阶导数中会被放大。
    3. 基于等高线的数值方法
    步骤:
    (1)用全局辨识算法(如模拟进化算法)辨识出一个全局最优参数向量及对应的误差函数
    (2)在误差函数的超曲面上进一步搜索,如果得到误差相同的其他参数与原全局最优的参数的范数基本重合,则此模型的参数唯一可辨识;否则存在多组参数向量使得误差函数达到最小,该模型不唯一可辨识。
    4. 基于灵敏度的数值方法
    (1)如果几个参数的轨迹灵敏度同时过零点(线性相关),这些参数不是唯一可辨识的;
    (2)如果几个参数的轨迹灵敏度不同时过零点(线性相关),这些参数是唯一可辨识的;
    (3)如果轨迹灵敏度是振荡曲线,同时过零点意味着振荡过程看上去同相或反相;
    (4)实际工程中,一般只需要检验轨迹灵敏度是否过零点,即同相或反相。
    注意: 对于不能唯一辨识参数的系统,增加后稳态过程(暂态过程后的新稳态)作为附加条件可以进一步辨识参数,并且不同扰动下动态过程可能得到不同参数。

    2.2.3 可区分性

    对比:
    (1)可辨识性:给定模型结构,给定输入输出,判断参数是否唯一
    (2)可区分性:给定输入输出,模型是否唯一
    注意: 两个模型之间的可区分性和各模型的可辨识性无关,可辨识的模型之间可能是可区分的,也可能是不可区分的

    2.2.4 可解耦性

    定义: 系统连接在一起的各个子模型,能否分别单独进行辨识。
    注意: 解耦性难以有统一的方法,需要具体情况具体对待。

    2.2.5 可观性

    模式可观性: 根据输入输出的测量数据,能否观测到模型中的模式。
    功率谱密度 (PSD)表示信号功率随频率的变化情况,即信号在频域的分布情况。
    在实际工程中,都是离散采样,有多种估计方法,其中Welch方法估计效果较好。
    白噪声: 功率谱密度在所有频率上都恒定,好比白色光在所有频率都有相同强度的光。
    总结:
    (1)工程中其他自然扰动信号,其功率谱一般都是低频段大,高频段小;
    (2)较低频率的振荡模式容易辨识,较高频率的振荡模式难以辨识;
    (3)如果模式不可观测,可以增大输入信号的频域覆盖宽度或者增加新的输出变量。

    2.2.6 难易度

    定义: 根据测量数据,精确辨识参数的可能性,并不等同于参数辨识精度。
    灵敏度对于参数辨识的难易度:
    (1)频域灵敏度和时域灵敏度是互补的;
    (2)时域灵敏度与输入、输出变量均有关,时域灵敏度的大小反映了输入变量对参数辨识的影响;
    (3)频域灵敏度与输入、输出变量均无关,仅与系统参数有关,频域灵敏度要与输入变量的功率谱密度一起来分析参数辨识的影响。
    如何看:

    时域灵敏度频域灵敏度参数辨识
    容易准确
    不容易准确
    大小不一致大小不一致进一步分析
    长时间区间数值较大有利
    短时间区间数值较大不利
    某频段较大该频段灵敏
    功率谱密度较大有利
    低频段较大容易辨识

    2.3 电力系统线性模型的辨识方法

    参数辨识是测量辨识建模的基础
    在这里插入图片描述

    2.4 电力系统非线性模型的辨识方法

    频域方法只能够适用于线性模型,对于非线性模型大多是以时域模型和优化为基础
    优化搜索方法:
    (1)爬山(梯度)类方法:

    • 搜索精度高,效率高
    • 但不一定所有问题都能求导,即有“方向”
    • 难以处理噪声和随机干扰
    • 鲁棒性差

    (2)随机类方法:如蒙特卡罗法

    • 直接找到最优点的概率几乎为零
    • 良好的全局性、收敛性和鲁棒性
    • 计算量巨大

    (3)模拟进化类方法:如遗传算法、进化算法、蚁群算法

    • 适用范围广
    • 易于并行实现
    • 全局性较好
    • 计算效率较高

    4 同步发电机组的建模

    4.1 概述

    同步发电机组: 同步发电机 + 励磁系统 + 原动机及其调速系统
    电力系统: 同步发电机组 + 电力网络 + 电力负荷
    凸极同步发电机:
    在这里插入图片描述
    两个方面:
    (1)同步发电机的模型方程
    精确的电机参数比详细的模型更重要
    (2)同步发电机的参数获取
    a. 数值计算法:有限元、磁路磁导法
    b. 试验测试法:三相稳态短路试验、低转差法、电压恢复法
    c. 频域响应法:直接衰减法、静态频域法、在线频域法
    优点:成熟,稳定性好
    缺点:测算非线性参数有困难;对输入扰动要求高
    d. 时域响应法:抛载试验法,励磁电压扰动试验法
    研究趋势:
    (1)对同步发电机参数随工况变化的研究
    (2)对同步发电机阻尼问题的研究
    阻尼来源:
    a. 转子运动中摩擦和汽滞引起的机械阻尼
    b. 发电机阻尼回路产生的阻尼
    c. 发电机励磁绕组和系统产生的阻尼
    (3)对同步发电机饱和问题的研究
    (4)同步发电机新的辨识方法

    4.2 同步发电机模型

    同步发电机磁链方程:
    在这里插入图片描述
    同步发电机电压方程:
    在这里插入图片描述
    电磁转矩方程:
    在这里插入图片描述
    各阶实用模型:
    在这里插入图片描述

    4.2 同步发电机建模的抛载方法

    抛载的动态过程可以看做两部分分量的叠加:
    (1)抛载前的稳态分量
    (2)机端突然并联一个电流源后电机的动态响应


    1. 书籍资源来自网络(链接↩︎

    2. 书籍资源来自网络(链接↩︎

    3. Simulation译为“模拟”可能更恰当点 ↩︎

    展开全文
  • 系统建模与仿真-方水良在线阅读百度网盘下载(dsko)书名:系统建模与仿真作者:方水良格式:EPUB, HTMLZ, PDF路径:点击打开出版:浙江大学排序作者:方水良排序书名:系统建模与仿真日期:09 12月 2018uuid:2471cc87-9ca3-...

    系统建模与仿真-方水良

                在线阅读                   百度网盘下载(dsko)


    image.png

    书名:系统建模与仿真

    作者:方水良

    格式:EPUB, HTMLZ, PDF

    路径:点击打开

    出版:浙江大学

    排序作者:方水良

    排序书名:系统建模与仿真

    日期:09 12月 2018

    uuid:2471cc87-9ca3-4777-a7cf-55088ed95235

    id:509

    出版日期:8月 2007

    修改日期:09 12月 2018

    大小:0.58MB

    语言:中文

    本书为浙江大学机械类本科教材。主要涉及生产系统或服务系统的建模及其仿真理论和方法,通过计算机建模和仿真工具进行建模和仿真,以便对系统进行计算机环境的模拟运行以及系统性能分析优化。


    preface

    Computer simulation is a discipline of designing a model of an actual or theoretical physical system,executing experiments on the computer,analyzing the simulated outputs,and optimizing the system.It is a powerful tool that is often applied to the design and analysis and optimization of complex systems.

    This book aims to give a fundamental knowledge about the system concepts,system modeling methodology,and computer simulation technology.The main contents of the book are about the technology and application of the Witness simulation software of the Lanner Groups.The ACD (Activity Cycle Diagram) based system analysis and modeling,and the computerized modeling with the Witness’ Elements,Rules,Actions,etc.,are discussed.Some examples have presented and explained in order to make the contents more understandable.

    This manuscript is firstly prepared in 2005.After two years’ teaching in the Industrial Engineering classes of Zhejiang University,several thorough modifications have been made and this is the third version.

    This book is hoped useful for the Chinese universities to have a bilingual course about the System Modeling and Simulation,and also useful for the users of the Witness software.

    References

    [1] Benjamin S.Blanchard,Wolter J.Fabrycky.Systems Engineering and Analysis (3rd ed).Englewood Cliffs,N.J.:prentice hall,2002

    [2]Blundell A.J.Bond Graphs for Modeling Engineering Systems.Chichester:horwood,c1982

    [3]Bratley paul.,Fox Bennett L.,Schrage Linus E.A Guide to Simulation.New York:Springer-Verlag,c1983

    [4]Charles harrell,Biman K.Ghosh,Royce Bowden.Simulation using proModel.Tsinghua University press,2005.(Originally published:Boston:McGraw-hill higher Education,c2004,2nd ed )

    [5]Cliff King.Nine Steps to Successful Simulation Study.http://www.flexsim.com/services/ training/online/articles/simstudy/,13 July,2005

    [6]Dewasurendra S.Devapriya,Bernard Descotes-Genon and pierre Lade.petri Net based Node Structures for Distributed problem Solving in FMS Control.Computer Integrated Manufacturing Systems,Volume 5,Issue 3,Aug.1992,pages229-238

    [7]Fang Shuiliang.Development of Simulation and Animation.ModularMachine Tool & Automatic Manufacturing Technique,No.12,1988,pages1-6 (In Chinese)

    [8]Grace Au and Ray J.paul.Graphical Simulation Model Specification based on Activity Cycle Diagrams.Computers & Industrial Engineering,Volume 26,Issue 2,April 1994,pages 295-306

    [9]Grace Au and Ray J.paul.Visual Interactive Modeling:A pictorial Simulation Specification System.European Journal of Operational Research,Vol.91,Issue 1,24 May 1996,pages 14-26

    [10] Gu Xinjian,Qi Guoning,Tan Jianrong,etc.Mechanical Manufacturing System Engineering.hangzhou:Zhejiang University press,1996 (In Chinese)

    [11]hans W.Nissen,Matthias Jarke.Repository Support for Multi-perspective Requirements Engineering.Information Systems,Vol.24,Issue 2,April 1999,pages 131-158

    [12]http://cass-sim.buaa.edu.cn/

    [13]http://www.aris.com/

    [14]http://www.fischertechnik.com/

    [15]http://www.lanner.com/

    [16]http://www.scs.org/

    [17]http://www.software.rockwell.com/arenasimulation/

    [18]Imre J.Rudas,László horváth.Modeling of Manufacturing processes using a petri-net Representation.Engineering Applications of Artificial Intelligence,Vol.10,Issue 3,June 1997,pages 243-255

    [19]Jerry Banks.Discrete Event System Simulation.China Machine press(Reprint),2005.Originally published:Upper Saddle River,N.J.pearson prentice hall,c2005,4th ed

    [20]Jerry Banks.Introduction to SIMAN V and CINEMA V.New York:

    [21]Karnopp Dean,Margolis Donald L.,Rosenberg Ronald C.System Dynamics:Modeling and Simulation of Mechatronic Systems.New York:Wiley 2000.3rd ed

    [22]Law,Averill M.Simulation Modeling and Analysis.New York:McGraw-hill,c2007.4th ed

    [23]pam Laney Markt,Michael h.Mayer.Witness Simulation Software:A Flexible Suite of Simulation Tools.proceedings of the 1997 Winter Simulation Conference,ed.S.Andradottir,K.J.healy,D.h/ Withers,and B.L.Nelson,1997,pages 711-717

    [24]peter Green and Michael Rosemann.Integrated process Modeling:AnOntological Evaluation.Information Systems,Vol.25,Issue 2,April 2000,pages 73-87

    [25]Qi Guoning,Gu Xinjian.Methodology for Computer Integrated Manufacturing System.Shanghai:Shanghai Science and Technology Literature press,1996(In Chinese)

    [26]Sabine Attinger,petros Koumoutsakos.Multiscale Modeling and Simulation.Berlin,New York:Springer,c2004

    [27]Vlatko Ceric and Ray J.paul.Diagrammatic Representations of the Conceptual Simulation Model for Discrete Event Systems.Mathematics and Computers in Simulation,Vol.34,Issues 3-4,Sept.1992,pages 317-324

    [28]W.David Kelton,Randall p.Sadowski,David T.Sturrock.Simulationwith Arena.New York:McGraw-hill higher Education,c2004

    [29]Wu Zuobao,Chen Yaodong,Fang Shuiliang.Object-Oriented Simulation for FMS.proceedings of the 4th International Conference on Computer-Aided Drafting,Design and Manufacturing Technology (CADDM’94),1994.Beijing,China

    [30]Young Jun Son,Albert T.Jones and Richard A.Wysk .Component Based Simulation Modeling from Neutral Component Libraries.Computers & IndustrialEngineering Volume 45,Issue 1,June 2003,pages 141-165

    [31]Zhang hao,Chen Binseng,Wang Suomin,etc.FMS Modeling and Simulation with petri-Net in WINDOWS.Modular Machine Tool & Automatic ManufacturingTechnique,No.10,1994,pages 40-46 (In Chinese)

    [32]Zhang Weijun,Theodor Freiheit,huashu Yang.Dynamic Scheduling inFlexible Assembly System based on Timed petri Nets Model.Robotics and Computer-Integrated Manufacturing,No.21,2005,pages 550-558Acknowledgements

    The author will express his sincerely thanks to Mr.Ying Qishen who is a senior professor of the College of Foreign Language,Zhejiang University,for his careful reading,checking and correcting of the manuscripts.

    Thanks will also be given to my students of the Industrial Engineering classes,for their works preparing some of the examples in the book.

    Thanks will be expressed to the Lanner Group for their provisions of the Witness 2006 under the Co-operation Agreement on “Logistic Simulation Lab” with Zhejiang University on the purposes of students’ educations and trainings,and also to my colleague professor Tang Renzhong for his helpful works.

    来源:我是码农,转载请保留出处和链接!

    本文链接:http://www.54manong.com/?id=1188

    '); (window.slotbydup = window.slotbydup || []).push({ id: "u3646208", container: s }); })();
    '); (window.slotbydup = window.slotbydup || []).push({ id: "u3646147", container: s }); })();
    展开全文
  • 第一章 系统建模 ETAP软件是一种非常全面的工程解决方案可以进行设计仿真进行发电 传输配电和独立电力系统等方面的分析 经过不断地优化和发展使用户可以在同 一界面窗口下 图形化的完成对包含多重子系统 如交流系统...
  • 论文研究-跨流域复杂水库群联合调度规则建模与求解.pdf, 跨流域水库群系统结构复杂、水库数目众多,加之每个水库辅之以相应的调度规则,使得优化调度模型决策变量数目剧增...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 60,741
精华内容 24,296
关键字:

复杂系统建模与优化