复杂系统体系结构 课件 第三章 复杂适应系统

第三章

复杂适应系统探索系统奥秘，领略复杂之美contents复杂适应系统的产生01开发复杂智能系统04复杂适应系统基本理论02复杂适应系统的应用033.1复杂适应系统的产生2024Santafe研究所成立于1984年，旨在促进跨学科研究，特别是复杂性科学研究；其诞生源于一次成功的经济学与物理学交叉会议。诞生背景研究所支持跨学科研究，出版多种专著和刊物，包括《复杂性》和《研究所通报》；同时编发内部工作论文，加速领域交流。研究特色钱学森教授是中国复杂性科学研究的先驱，早在1990年就提出了综合集成法；近年来，复杂适应系统理论在中国得到应用和研究。中国复杂性研究复杂适应系统的产生背景01CAS定义关键特性复杂适应系统的定义01复杂适应系统（CAS）是由许多相互作用的独立个体组成的系统，通过简单规则产生复杂的整体行为。个体能与环境及其他个体进行交流个体根据经验不断调整行为规则系统表现出自组织、学习和进化特性CAS理论提出：复杂适应系统概念于20世纪末由约翰·霍兰德提出，作为第三代系统论，继承并发展了贝塔朗菲、普利高津和哈肯的理论。CAS理论基础：该理论由霍兰教授于1994年正式提出，为认识、理解、控制和管理复杂系统提供了新思路，包括微观和宏观两个方面。CAS理论的提出02复杂适应系统概念复杂适应系统理论CAS理论的提出02CAS微观宏观具有适应性、主动性，根据行为结果调整行为规则。个体根据环境的反馈进行自我调整，以适应环境的变化。由这样的主体组成的系统，将在主体之间以及主体与环境的相互作用中发展，表现出宏观系统中的分化、涌现等种种复杂的演化过程。3.2复杂适应系统基本理论2024适应性主体与智能体01复杂适应系统关键在于适应性主体，个体独立学习演化，展现智能，被称为智能体，它们在共同大环境下，根据局部小环境调整行为策略，满足环境需求。智能体与环境共进化02智能体通过学习调整自身结构和行为，相互作用涌现新结构、现象和行为，与环境相互影响、进化，形成复杂适应系统，不断演化，个体和环境共进化。多主体系统自组织03复杂适应系统由多元多主体构成，个体积极竞争合作，无中央指挥下，通过相互作用和适应形成整体有序状态，圣塔菲研究所采用多主体建模和非中心化思维。01复杂适应系统的基本概念0210系统中的主体（个体）具有适应性，能够通过与环境及其他主体的持续交互作用“学习”并根据经验调整自身的结构和行为。主体的适应性与交互作用主体的主动性和与环境的反复交互作用是系统发展和进化的基本驱动力，宏观层次的变化（如分化、新主体的出现等）源自个体行为规律的积累和适应过程。适应推动系统演化复杂适应系统的主体复杂适应系统的核心思想复杂适应系统的特征03复杂适应系统适应性主体规则描述、相互作用新层次的产生、分化多样性的出现新的、聚合而成的、更大的主体的出现主体不断适应环境变化基于适应性主体适应性主体具备感知、效应能力，有目的性、主动性和活性，能与环境及他主体交互，自动调整状态以适应，争取最大生存利益。但有局限，会犯错，其适应性造就了复杂系统。共同演化适应性主体从正反馈中加强存在并带来变化机会，演化成多样性统一形式；共同演化产生完美适应的主体，像花朵与蜜蜂、花蜜与生命；共同演化是复杂系统突变和自组织的强大力量。趋向混沌的边缘复杂适应系统具有将秩序和混沌融入某种特殊的平衡的能力，其平衡点在混沌的边缘；适应性主体间相互配合，共同演化，使系统稳定又充满活力，涌现现象频现。产生涌现现象涌现现象本质特征是由小到大、由简入繁，复杂行为源自简单元素群在简单规则下相互作用；涌现结构具有动态性和层次性，简单涌现可生成更高层次结构，是复杂系统层级间的动态现象。01020304复杂适应系统的特征03系统的复杂性也正是主体的适应性造就了纷繁复杂的系统复杂性，每个主体的行为和交互作用共同构成了系统的整体动态行为。适应性主体的特性具有感知和效应的能力，自身有目的性、主动性和积极的“活性”，能与环境及其他主体随机进行交互作用。适应与复杂性适应性主体能自动调整自身状态以适应环境，或与其他主体进行合作或竞争，争取最大的生存和延续自身的利益。适应性主体的局限性主体并非全知全能，可能会犯错或判断失误，错误的预期和判断将导致它趋向消亡，体现主体的局限性。基于适应性主体03复杂适应系统的特征输入标题共同演化主体演化适应性主体通过正反馈加强其存在，并带来变化自己的机会，实现从一种多样性统一形式到另一种的转变，这个具体过程就是主体的演化。共同演化永远导向混沌的边缘，在这里，系统处于一种动态平衡的状态，既不过度有序也不过度混乱，使得系统能够不断进化和发展。共同演化产生无数完美适应其生存环境的主体，如同花朵与蜜蜂的互利共生，它是复杂适应系统突变和自组织的强大动力。主体不仅单独演化，还与其他主体共同演化，形成相互适应的关系，就像花朵和蜜蜂的互利共生关系，共同演化是复杂适应系统的重要特征。共同演化的方向共同演化的动力共同演化的特征复杂适应系统的特征03趋向混沌的边缘复杂适应系统的特征03系统平衡点：复杂适应系统具有将秩序和混沌融入某种特殊的平衡的能力，它的平衡点就是混沌的边缘。混沌的边缘特性：混沌的边缘是指系统中的各种要素从来没有静止在某一个状态中,但也没有动荡到会解体的地步。主体间的相互作用：每个适应性主体为了有利于自己的存在和连续,都会稍稍加强一些与对手的相互配合。系统共同演化：整个系统在共同演化中向着混沌的边缘发展，混沌的边缘是系统发展的关键区域。涌现现象：混沌的边缘远远不止是介于完全有秩序的系统与完全无序的系统之间的区界，而是自我发展地进入特殊区界。系统区界的动态性：在这个区界中,系统会产生涌现现象，使得系统能够自我组织并形成新的结构和模式。相互作用涌现现象产生的根源是适应性主体在简单规则支配下的相互作用。耦合性主体间的相互作用具有耦合性的前后关联，而且更多地充满了非线性作用。整体复杂性涌现的整体行为比各部分行为的总和更为复杂，具有动态性和层次性。030201产生涌现现象复杂适应系统的特征03复杂适应系统的特征03聚集适应性主体和CAS理论流标识积木块非线性流内部模型适应性主体和CAS理论涉及到7个基本点，它们包括4个特性和3个机制。复杂适应系统的特征03复杂适应系统系统具有明显的层次性个体具有智能性、适应性、主动性层与层间具有相对的独立性个体具有并发性

个体具有随机性复杂适应系统不同于一般复杂系统的特点，也是它吸引大量研究者进行研究的原因复杂适应系统的特征04通过在局部细节模型与全局模型(整体行为、突现现象)间的循环反馈和校正，来研究局部细节变化如何突现出整体的全局行为。核心思想复杂适应系统与传统建模方法对比结果3.3复杂适应系统的应用2024经济理论的困境CAS理论的应用CAS理论应用于经济领域，通过模拟股票市场程序研究泡沫与崩盘，强调主体信念学习与市场共同进化，揭示经济管理系统复杂性，为新古典经济学无法解释的现象提供理解。股票市场的复杂性股票市场作为一个复杂适应系统，展现出宏观经济、企业价值、交易者行为、公司业绩与股价波动、消息与股价涨跌之间复杂的非线性关系，难以用传统经济学模型描述。经济学领域的应用经济学界面临经济理论验证难题，一般均衡理论假设各经济行为主体最优化互动，但现实无法实现全面信息掌握与计算能力，引发对传统经济学假设的质疑。01股市的多面性体现在生物学、行为学、数学、投资学和投机学等多个角度，是对人类本性、未来预期、涨跌概率、企业价值、股价趋势的全方位博弈。股票市场的多面性演化证券学，作为生物学与证券学交叉领域的理论，摒弃机械论，揭示股市波动为复杂多变的“生命运动”，其特征包括代谢性、趋利性、适应性等，难以预测，但具一定规律。演化证券学理论经济学领域的应用01适应性企业模型Haeckel认为适应性企业应将客户作为价值链源头，通过感知-解释-决定-行动模型超前响应市场变化，其适应能力源于模块化反应机制，而非内部计划与预期。CAS理论应用兴起国内CAS理论在管理领域的应用研究逐年增多；刘洪等探讨复杂适应组织的企业生存策略，强调自治、关联、变革的实现途径；朱爱平等分析企业创新系统的复杂适应性。CAS理论应用广泛国内学者运用CAS理论研究企业信息系统项目风险、可持续发展动力机制、动态能力构建等，并在企业战略管理和供应链管理等领域进行初步探索，取得初步成果。进化型组织观点JunKamo和FredPhillips提出进化型组织观点，认为符合CAS四个特征的多主体、新颖性、重组和多样性，实证分析显示Microsoft、Intel、Netsecape符合标准。管理学领域的应用02大模型与复杂系统复杂系统科学研究者们对涌现概念熟悉，人工智能大模型展现涌现能力，成为复杂系统；其灵活适应环境、in-context学习能力及深层次结构表明大模型为复杂系统。大模型耦合动力学大模型分快速前馈与慢速学习反馈两个耦合动力学；同时具备像生物体那样的“规模法则”和临界相变等表现，显示复杂系统特征，预计成为复杂系统研究新热点。ChatGPT神经网络基础ChatGPT是庞大神经网络系统，神经元构成基础单元，形成复杂网络；与常规复杂网络不同，神经网络是变动加权有向网，训练中神经元权重异质化，局部结构多样化。ChatGPT和大语言模型03复杂适应系统中生态位概念起源于生态学，指物种独特地位；生态位上的物种消失后，可能演化出功能相似的新物种；生态系统可看作由生态位（功能）组成系统。生态位概念拓展神经网络是复杂动力系统，其激活状态构成节点，前馈运算表现为高维空间动力学演化；通过动力系统吸引子，前馈神经网络能够赋予网络记忆能力。神经网络动力学复杂适应系统指具备适应学习能力的系统，如生物群落、自由市场；大模型通过与外界互动总结图式，形成新边界，展现类似生物进化与大脑学习的适应性。复杂适应系统特性ChatGPT和大语言模型3生态位与类比现象三叠纪鱼龙与现代海豚类似生态位；枪乌贼眼睛与哺乳动物眼睛相似；互联网生态中，Google与百度等产品占据类似生态位，体现生态位相似性。语言模型的类比基础语言大模型基于词汇间类比关系实现理解；通过上下文预测下一个单词的浅层模型能训练出令人叹为观止的词语之间的类比能力。类比推理的挑战男人-女人=国王-王后词向量差值表明语言体系中生态位相似性；侯世达和米歇尔研究机器类比推理；ChatGPT等大语言模型在类比推理上仍有待提升。ChatGPT和大语言模型03词向量差值表示“男人-女人=国王-王后”范畴论认为事物定义由关系决定；未来类比推理和生态位等概念可能由范畴论定义；90年代流行非神经网络的遗传算法及其分类器系统。范畴论的影响分类器系统由大量分类器构成，通过遗传算法优化；每个分类器包含规则和信用值；系统通过激活分类器链处理复杂任务；信用值高的分类器产生输出。分类器系统原理Holland用自由市场买卖隐喻分类器系统；消息激活分类器链相当于产品生产链；信用是分类器手中的货币；成功输出获得正向奖励的分类器获得高信用值。水桶链算法隐喻ChatGPT和大语言模型03基于遗传算法和水桶链算法的分类器系统梯度反传的类似神经网络前馈过程与分类器系统类似；神经元是神经网络中的小商贩；反向传播算法相当于分类器系统中的信用分配；二者区别是反向传播基于梯度自动微分。ChatGPT和大语言模型03梯度反向传播算法示意图梯度反传的类似神经网络前馈过程与分类器系统类似；神经元是神经网络中的小商贩；反向传播算法相当于分类器系统中的信用分配；二者区别是反向传播基于梯度自动微分。以复杂适应系统视角对比分类器系统与神经网络都实现了一个两个互为反方向的流动过程。一个是正向的消息接续激活的信息流，另一个则是从输出到输入的流。本质ChatGPT和大语言模型03双向“对冲”前向的流动是组织成员接续的决策而产生的执行/行动流，反向的流动则是对决策进行评价的评价流要点三复杂适应系统的特性复杂适应系统具备适应学习能力，单元具备自学习能力；复杂适应系统通过与外界互动，总结图式并指导行为，形成新边界，如生物进化、大脑适应新任务。要点一要点二生态位与类比现象生态位指物种在生态系统中独特地位；物种消失后，生态位可能诞生新物种，功能相似；互联网中类似产品占据类似生态位，语言中类比现象表明不同语言都有表达抽象数字的特殊单词。语言大模型与类比现代语言大模型基于词汇间相互关联的类比关系实现理解；浅层模型如CBOW或Skipgram能训练出令人叹为观止的词语之间类比能力，实现公式如男人-女人=国王-王后的词向量差值表示。要点三复杂适应系统视角下的AI大模型04类比推理与范畴论侯世达和米歇尔关注机器类比推理，侯世达认为类比是人类创造性的核心；ChatGPT等大语言模型在类比推理上仍有距离，因符号生态位隐藏复杂关系；范畴论或为未来定义类比推理和生态位提供理论框架。遗传算法与分类器系统机器学习曾流行非神经网络算法，如JohnHolland的遗传算法；遗传算法模拟自然进化，让高适应度物种繁殖，低适应度淘汰；分类器系统扩展了遗传算法，通过多分类器协同工作实现学习。分类器系统的运作分类器系统含多个分类器，每条规则形如if...then...；分类器监测字符串信号，匹配则激活执行部分；信用值高的分类器产生输出；分类器被遗传算法优化，实现从环境学习。复杂适应系统视角下的AI大模型04复杂AI大模型的研究AI大模型展现复杂系统现象，如涌现、规模法则等；可使用网络分析、动力系统等理论理解其动力学；涌现能力和规模法则现象可通过复杂系统相变理论深入探究。大模型与复杂系统视角复杂AI大模型可类比为生态网络，理解生态位、类比推理和适应学习原理；范畴论或提供高维数学工具，帮助我们更系统地理解复杂AI大模型。复杂适应系统视角下的AI大模型043.4开发复杂智能系统202401数据采集与处理建立知识图谱深度学习与强化学习多Agent系统人机交互与协同持续学习与优化开放性扩展性可维护性安全性隐私保护伦理问题开发复杂智能系统的构建流程数据来源及获取途径社交媒体数据：从微博、微信等社交媒体平台获取用户生成的数据。传感器数据：系统通过各类传感器实时采集数据，如温度传感器、压力传感器等。公开数据资源：利用政府、企业等公开的数据资源，如交通数据、气象数据等。合作伙伴数据：与业务合作伙伴共享数据资源，实现数据互补。数据采集与处理02数据清洗、预处理技巧数据归一化：将不同来源的数据进行归一化处理，消除量纲影响。数据校验：检查数据的有效性和完整性，确保数据质量。缺失值处理：采用插值、回归等方法处理缺失数据。数据去重：剔除重复数据，避免数据冗余。数据采集与处理02知识图谱是一种结构化的知识存储方式，由节点（实体）和边（关系）组成，可以表示现实世界中的实体及其相互关系。知识图谱的构建包括知识获取、知识表示、知识存储和知识利用四个主要环节。构建流程知识图谱定义建立知识图谱03123深度神经网络是由多层神经元构成的计算模型，通过逐层特征提取和转换，实现对输入数据的自动学习和表示。深度神经网络结构通过计算损失函数相对于每个参数的梯度，利用链式法则逐层传递误差，实现参数更新和模型优化。反向传播算法激活函数为神经元引入非线性因素，解决梯度消失问题，常用的激活函数包括Sigmoid、Tanh和ReLU等。激活函数与梯度消失深度学习与强化学习04强化学习基本框架智能体通过与环境进行交互，学习最佳策略以最大化长期回报，包括状态、动作、奖励和策略等关键要素。深度强化学习算法将深度学习与强化学习相结合，利用深度神经网络处理复杂状态空间和连续动作，如深度Q网络（DQN）和策略梯度方法等。强化学习在智能系统中的应用案例如AlphaGo等棋类游戏的突破，以及自动驾驶、机器人控制和智能推荐等领域的实际应用。深度学习与强化学习04多Agent系统的优势增强系统的智能水平、灵活性和鲁棒性，提高系统的效率和可靠性。多Agent系统的应用领域分布式控制、智能决策、协同工作、电子商务等。多Agent系统的定义由多个Agent组成的集合，每个Agent具有自己的知识、目标、能力和行为模式，通过协作完成任务。多Agent系统05多Agent系统通信方式：直接通信和间接通信，以及同步通信和异步通信。通信协议：定义Agent间通信的规则、格式和语义，包括消息传递、信息共享和协商等。协作策略：包括任务分解、任务分配、协作过程监控、冲突消解和结果整合等。Agent间通信与协作策略设计05简洁明了用户导向一致性反馈机制界面设计应简洁明了，避免信息过载和冗余，让用户能够快速理解并使用。界面应保持一致性，包括色彩、布局、交互方式等，以提高用户体验和效率。界面设计应以用户需求为导向，符合用户习惯和认知规律，提供个性化、定制化的服务。界面应提供及时、准确、有效的反馈机制，让用户能够清晰地感知自己的操作结果和状态。人机交互协同06持续学习与优化模型选择与评估：根据具体应用场景选择合适的模型，并使用评估指标进行性能评估。数据质量控制：确保输入数据的准确性和完整性，以提高模型的准确性。部署与监控：将模型部署到实际应用中，并进行实时监控和反馈，以便及时发现问题并进行优化。迭代优化：根据评估结果不断调整模型参数和算法，