智能复杂体系研究综述

随着互联网、大数据、人工智能等技术的快速发展，原来孤立的系统之间实现了紧密互联，一系列具有智能性的系统进行动态组合，构成了智能复杂体系。对智能复杂体系的研究可以帮助解决现有体系中存在的环境污染、能源浪费、资源配置不合理等问题，从而减轻污染，节约能源，提高资源利用率。智慧城市、智慧园区、智慧工厂、未来战场都可以视为某种特殊的智能复杂体系。

在智慧城市中，针对城市中存在的交通拥堵、环境恶化等问题，智慧城市可以通过物理系统、社会系统和信息系统的动态智能组合，使三个系统及其子系统协同运转，为城市提供包括规划、节能、环保、安全在内的一系列服务。在智慧园区中，对园区的系统进行功能性划分，将其分为能源、物流、安防、环保和地理信息等系统。目前这些系统之间往往互不关联，无法发挥系统的最大效用。如果实现互联互通，构成智能复杂体系，将实现园区的实时监控、优化调度、安全生产和智慧运输等功能。在智慧工厂中，针对现有工厂存在的不合理的资源调度，智慧工厂将各工艺流程视为不同的系统，通过统筹调度这些系统，合理安排生产过程，使生产效率最大化，从而能够显著提高企业生产效益。对于未来战场，面对未来战场瞬息万变的形势，海陆空作战域与武器装备、侦察、后勤保障等系统紧密配合，可以实现统一指挥，协同作战，为打赢未来战争保驾护航。

开展智能复杂体系的研究意义重大。传统的复杂系统研究重在研究某个特定系统的性能，而对于系统构成的网络，即体系的全貌，缺乏充分的认识。因此，精心设计的系统在体系中的表现受到了限制。研究智能复杂体系就是要突破这种限制，从系统网络的拓扑关系的角度出发，研究系统与系统之间的相互作用对整个体系的影响，从而发挥每个系统的效用，提升体系的整体性能。

近年来，人工智能的研究进入了崭新和蓬勃发展时期，以机器学习等新技术为代表的科技成果层出不穷。而这些成果对系统的复杂性研究有一系列行之有效的途径和方法。因此，人工智能新成果的出现，给智能复杂体系相关问题的解决开辟了新的道路。

一 体系的概念与特征

在现代汉语中，体系的含义十分宽泛，指的是“若干有关事物或思想意识互相联系而构成的一个整体”。工业体系、思想体系、作战体系、市场体系、管理体系等，都可以称为体系。在这个概念下的大部分体系，与本文探讨的内容有内里的联系，但同时有很大的区别。

“体系”对应的英文为system of systems（SoS），最早出现在1964年Berry B.J.L发表于的论文中。该文主要讨论城市系统中的系统。体系由系统发展而来，也是系统向越来越复杂，越来越智能化发展的必然产物。当系统论的思维模式无法满足现有的发展时，体系的思想便应运而生。

阳东升、张维明等认为，体系问题与现象，以及体系工程所面临的挑战已为越来越多的学者接受认可，并展开深入的研究。近年来，关于体系、体系对抗、体系测度、体系效能评价等等，成为学术研究领域的前沿课题和工业制造领域的热门字眼。尽管在体系与体系工程的认识上还没有形成统一的、为学术研究领域广泛接受的概念定义，但关于体系与系统、体系工程与系统工程的区别已经得到众多学者的认可。顾基发认为，以信息技术为代表的高新技术的快速发展，使得系统间的联系和交互变得愈发频繁和紧密。20世纪90年代末系统工程规模变得更大更复杂，以复杂自适应系统为理论指导的体系出现，体系及体系工程逐渐成为系统工程、管理科学等诸多领域新的研究领域。美国学者Boardman J和Sauser B认为，在研究系统的很长时间内，研究注意力集中在系统成员和成员之间的关系上，但对系统网络本身，包括拓扑结构和尺寸研究较少，而这才是看到系统整体全貌的关键。长期以来，系统思维一直专注于系统的内部设计、成员及其关系。与此同时，外部设计、整体环境以及这些在系统影响力、所有权和适应性等方面的意义都被忽略了，或者被简化为决定系统内部设计的描述。体系的出现将从另外的视角解决这个问题。

自体系这个词汇出现以来，各类文献中关于体系的概念与定义层出不穷。阳东升、张维明等在文献，顾基发在文献中提到，体系的典型概念与定义不下40种，描述了不同领域的问题背景与对体系的不同理解与认识，并进行了相应的总结和归纳。例如，Kotov V认为，体系是大规模分布、并发系统的集成体，组成体系的系统本身就是复杂单元。这一定义的应用背景是企业信息系统。PEI R.S认为，体系是系统的综合，系统综合以系统的演化发展、协同与优化为目的，最终达到提高整体效能的宗旨。这一定义的背景是未来战场环境信息系统的综合集成。Delaurentis D等认为，体系是分布环境中异构系统组成网络的集成，体系中这些异构系统表现出独立运作、独立管理和区域分布特征，在系统和系统间交互被单独考虑的情况下，体系的“涌现”与演化行为不太明显。这一定义的应用背景是交通系统、军事体系和空间探索。体系的组成不同于一般系统的内部结构（紧耦合），它是一种系统间的交互而非重叠。Keating C等认为，体系是一种“元系统”，其自身由多个自主的、嵌入的系统构成，这些自主的、嵌入的系统在技术、环境、地理区域、运作方式以及概念框架等方面是不同的。Maier M.W认为，体系是相互协作的系统的集成，这些组成系统具备两种附加特性，即运作的自主性与管理的自主性。Kilicay N.H等关于体系的概念框架是从网络中心战的需求出发给出了对体系的理解与定义，认为体系的框架包括健壮的物理、社会、信息网络，3个网络可以加强网络化与信息共享，改善态势感知与理解，增强协作与交互，体系元素具有自主与敏感型，实现体系效能的提高。美国国防部认为，体系是互相依赖的系统组合链接，提供的能力远大于这些系统的能力之和。美国参谋长联席会议主席给出的体系定义为，体系是相互依赖的系统的集成，这些系统的关联与链接以提供一个既定的能力需求。去掉组成体系的任何一个系统将会在很大程度上影响体系整体的效能或能力。体系的演化需要在单一系统性能范围内权衡集成系统整体。美国陆军部在关于陆军软件模块化法规中对体系的定义为，体系是系统的集合，这些系统在协同交互过程中实现信息的交换与共享。阳东升、张维明等认为，体系应该是一种完整的框架，它需要决策者充分综合考虑相关的因素，不管这些因素随着时间的演变而呈现出何种状态。体系方法并不倡导某种工具、方法手段或实践，相反，它追求一种新的思维模式，这种思维模式能够迎接体系问题的挑战。

在对体系概念和定义进行描述时，有些学者是通过体系的特征阐述来进行的。Maier M.W较早提出了体系的5个关键特性，包括构件系统运行独立性、构件系统管理独立性、地理分布、涌现行为、进化的发展过程。Gorod A等列举了许多关于体系的定义和特征，认为，通过特征理解体系是一种更理想的方法。阳东升、张维明等对体系定义8个方面的主要特性：组成个体的独立性、组成个体的异构性、关系复杂与演化性、边界模糊与动态、区域的分布性、涌现行为非线性、影响的关联性、自组织与适应性。顾基发认为，体系区别于其他系统的10个主要特性为独立性、异构性、自主性、分布性、演化性、非线性、关联性、自组织、适应性、模糊性。Boardman J和Sauser B认为，虽然关于体系的特征可能还未完全达成共识，但已经出现了趋同性。他们通过交叉引用超过40个定义，提出了体系有别于一般系统的5个特征，包括独立性、归属性、互联性、异构性、涌现特性。

随着时代的发展，人工智能和数据科学在不断进步，也给了人类从数据传输与运行的角度来理解体系概念和定义的可能性。本文认为，现在的体系，是系统的动态组合，系统之间可以通过数据等方式进行联接、交互、协同、优化，使体系能够涌现或演化出组分系统不具备的能力，从而完成更高层次的任务和使命。

同时，本文也给出从数据传输与运行的角度来理解的体系特征。体系应当具备以下一些特征：

（1）组成体系的组分系统具有独立性、异构性、复杂性、分布性：独立性表明组分系统是可以独立运行的单元。异构性表明组分系统之间的差异可能很大，数据的形式和运行模式也千差万别。复杂性表明组分系统本身复杂，组成体系之后复杂性将成倍甚至成指数型增加。分布性表明各组分系统可能分布在不同的空间位置。

（2）体系运行和管理的动态性：动态包含两层含义，既可以指组分系统为动态的、可变的系统；也可以指体系的开放性，允许系统的进入、退出、动态繁衍，可以进行体系的动态调整。

（3）组分系统间通过数据等方式进行充分的联接与交互：体系内组分系统之间需要有数据或类似物体作为“通货”，贯通整个体系，并能够反映系统间联接、交互、协同、优化、涌现等动作的过程与结果。

（4）体系的演化与涌现特性：组分系统间通过一系列以数据为流通方式的动作，使体系出现组分系统不具备或不能表现出的能力和行为。

二 体系的涌现行为

涌现的概念和描述由来已久，这个概念背后的思想至少可以追溯到亚里士多德著名的“整体大于部分之和”。人们在认识自然的过程中已经认识并总结出很多自然界的涌现行为，比如大量的无生命物质在特定的条件下相互作用的过程中形成最古老的原生生命，智慧生物的产生与大脑的进化，化学反应中生成物的性质是反应物单个原子或分子不具有的等。这些现象都可以看作是涌现。系统科学中，对整体涌现性的研究已开展多年。魏巍、郭和平在《关于系统“整体涌现性”的研究综述》中提到，整体涌现性对于现代系统科学的重要性，最突出地表现莫过于其开创者Bertalanffy不但最先在现代系统科学引进涌现概念，还在临终前明确指出要把研究涌现现象作为系统科学的根本问题。他意在给后继者指明系统科学的发展方向。整体涌现性也是当代前沿的复杂性科学中的少数几个最重要概念之一。

系统科学把这种整体才具有，孤立部分及其总合不具有的性质称为整体涌现性。涌现性是组成成分按照系统结构方式相互作用、相互补充、相互制约而激发出来，是一种组成成分之间的相干效应，即结构效应。涌现并不破坏单个个体的规则，但是用个体的规则却无法加以解释。不同的结构方式，不同的相互激发产生不同的整体涌现性，是系统非加和的属性。

本文在第2节中列举了体系的诸多概念与特征，可以看到，很多的观点都认为，涌现行为是体系的重要特征。但在现有的文献中，对体系涌现性的描述并非特别充分，主要原因是对于体系涌现的实现较为困难，更遑论对涌现的控制、引导与调节。

Boardman J和Sauser B认为，体系与系统的关键区别在于二者在涌现行为上的不同。系统涌现可以人为有意识的设计，其目的是检测出涌现可能带来的意外后果。而体系的涌现行为超出了可预见范围，因此可能带来无法想象的结果。一个体系需要多种多样的涌现行为来提升能力。因此，体系的设计者面临的挑战是，为体系建立或创造合适的环境，使体系可以较为丰富地展现其涌现行为，同时能够更迅速地检测和中止计划外行为。

涌现在智慧城市可以表现为整体谐生智能。夏昊翔、王众托阐述了对智慧城市未来发展方向的思考，并认为未来的智慧城市将表现出由“生理智能”、“社会智能”和广义“人工智能”等三种智能形式综合形成的“整体谐生智能”。智慧城市应当看作为由人和机器深度融合而形成的“超有机体”。未来，人工智能弥散式地深入城市物理系统和社会系统的形态。三种智能共同演化，逐步交汇形成整体层面的“融合”式智能。

尽管目前的城市尚未发展出整体谐生智能，但城市计算对来自信息系统和物理系统的信息的融合已经产生了整体大于部分之和的效果，微软亚洲研究院在此方面做了大量的工作，给体系的涌现提供了例证研究。他们认为，城市计算是一个对城市空间中多种多样的数据源产生的异构大数据进行获取、集成、分析的过程，这些数据源包括传感器、设备、汽车、建筑和人类活动等，其目的是解决城市面临的主要问题，例如空气污染，持续增长的能源消耗和交通拥堵等。城市计算将城市中无处不在的感知技术、先进的数据管理和分析模型、新颖的可视化方法相融合，以此创造三赢的解决方案，从而改善城市环境，提高人类生活质量，改进城市运行系统。简而言之，在城市这个体系中，可以利用多个系统的数据共同解决某一个问题。如将环保系统结合交通系统，地信系统的U-Air方法可以实现实时的空气质量预测，方便城市居民的出行；地信系统和交通系统的结合可以帮助发现城市的功能区域，挖掘城市道路布局的不足之处，辅助城市规划，将交通系统产生的实时出租车轨迹数据和地信系统结合的T-Drive系统可以为出租车司机动态规划路线，减轻城市拥塞；CityNoise结合地信系统和信息系统中的签到数据分析城市各区域在不同时间段上不同类别噪声的污染指数，可以辅助政府决策，缓解城市噪音污染，信息系统和物理系统交互产生的新功能还体现在社交，娱乐，经济，安全等方面。在社交和娱乐方面主要表现为各种推荐系统，在经济方面，地信系统中的道路数据，兴趣点数据和交通系统中的人口流动数据可以用于辅助商业选址和房价估值，来自物理系统的数据和信息系统的数据，特别是社交媒体数据融合可以用于发现城市中的突发事件，保障城市安全。Wang J.Y等利用城市中由通讯网络反映的人群密度数据和GPS反映的危险品运输车辆的数据进行融合，测算出城市中的危险区域，并以北京和天津的城市数据为例进行实际验证。

涌现是公认的体系的重要特征，但现阶段关于涌现的研究，限制在理论层面或较为简单的实例形式，对于体系涌现机理的解释研究较少，还未曾研究体系涌现的主动牵引或控制。因此，体系的涌现行为及其主动牵引或控制将会是未来的研究热点。与体系的概念和特征类似，我们希望能够充分利用当前时代下大数据和人工智能研究的热点，从数据流动的视角分析涌现的形成机理与发展模式，并尝试对涌现做出符合需求的引导与控制。

三 智能复杂体系

在前面的描述中多次提到，当今大数据和人工智能技术的发展，给了研究者从数据运行与流动的角度探索体系的可能性。因此，今后研究工作的重点，将会是智能复杂体系。智能复杂体系拥有体系的基本概念和基本特征，同时将展现自己独有的特征，特征的核心在于智能性。在此，本文给出智能复杂体系的概念与特征描述。

1.智能复杂体系的概念

本文认为，智能复杂体系，是一系列具有智能性系统的动态组合，系统之间可以通过数据等方式进行比一般体系更为复杂多变的联接、交互、协同、优化，使智能复杂体系能够涌现或演化出组分系统不具备的能力，集中表现为具有更强的智能性，从而完成更高层次的任务和使命。

2.智能复杂体系的特征

1）组成智能复杂体系的组分系统的特征，包括独立性、异构性、复杂性、分布性、智能性：与一般体系相比，智能复杂体系的组分系统需要具有更强的智能性，也就是说，组分系统本身是有智能性的，可以根据环境和状态的变化进行自我组织、管理、调节、适应。

2）智能复杂体系运行和管理的动态性：与一般体系类似，但智能复杂体系的运行和管理的动态性可能更强，也更为复杂。

3）组分智能系统间通过数据等方式进行复杂多变的联接与交互：与一般体系类似，智能系统的智能性通过数据等方式表现的更为突出，之间的联接与交互也就更为复杂多变。

4）智能复杂体系的演化与涌现特性更强：智能复杂体系也将表现出涌现的行为特点。组分系统间通过一系列以数据为流通方式的动作，使智能复杂体系出现比组分系统层次更高、水平更高的智能性。

但是在当前阶段，对于涌现的研究更多的还是异构数据的组合，而未能从数据的耦合与融合的角度进行数据自身的运动。如今，深度学习等数据处理技术得到了广泛的研究和使用，但对于这些技术的理论原因的解释还处于研究阶段，这些就包含有数据耦合与融合的概念在内。未来，智能复杂体系的涌现行为将通过数据的配合、耦合与融合，互相渗透与弥散，逐步深入，能够自发地出现更强的信息与知识。同时，逐步解开涌现发生的机理，进而实现对智能复杂体系涌现行为的控制与引导。

四 智能复杂体系的建模、涌现与牵引控制研究

1.智能复杂体系的建模

在复杂性研究的过程中，仿真技术已成为了目前关于复杂性研究的一种有效可行的方法和工具。比如，微观世界的可视化、宏观世界的变迁机理、人的生理机能、社会的变迁，就可以通过对复杂系统进行建模与仿真来进行研究，从这意义上说，仿真技术经历了发展阶段（大约1940-1960）、成熟阶段（大约1970-1980）和高级阶段（大约自1980年开始）之后，现在有进入了以复杂仿真系统为主的新阶段。体系的建模是体系研究的重要课题，而体系建模势必也要从系统建模说起。因此，考察复杂系统的建模方法势在必行。

在复杂系统建模方法的主要成果中，大致分为五类，分别为基于智能技术的复杂系统建模、基于数学手段的复杂系统仿真、基于离散事件动态系统的建模、定性建模与仿真、复杂网络建模与仿真。基于智能技术的复杂系统建模，指的是采用人工智能，控制专家的知识、经验和技巧，建立系统的模型。主要的建模方法有神经网络建模、基于Agent的建模、基于CGP的建模、遗传算法、粒子群优化算法[31]等。基于数学手段的复杂系统仿真包括参数优化方法、模糊仿真方法、宏观仿真方法等。基于离散事件动态系统建模，主要是研究人造的系统，如柔性加工系统、大规模计算机和通信网络、机场交通管理系统等。这类系统的特点是对系统进程起决定作用的是一些离散事件，所遵循的是一些复杂的人为规则。主要的建模方法有Petri网、任务/资源图建模法、基于知识的建模与仿真和基于系统理论形式化的建模法等。定性建模与仿真，指的是建立定性物理模型的过程。是由经验规则、专家知识、模糊关系等定性描述手段建立知识库等作为复杂系统的定性模型。主要建模方法有定性因果方法、系统动力学、归纳推理方法等。复杂网络建模与仿真，包括随机图、小世界网络、无标度网络、加权网络、空间网络等。

现阶段，对于智能复杂体系的建模，有研究者进行了借鉴和尝试。Baldwin W.C和Sauser B利用集合论的相关知识，通过对体系特征的数学描述，利用基于Agent进行体系建模，对期刊出版物的作者之间的协作进行了模拟，认为基于Agent的建模对体系的模拟行之有效。Harrison W.K概述了图论在体系工程中的一些应用，包括部分已经开展的研究和部分新概念。他认为，图论算法和图形数据库固有的可扩展性和关系表示能力，可能会发展为体系工程领域的重要工具。Soyez J.B等人提出了基于Agent的多层体系建模方法，使用基于Agent的模型提供一种通用形式，以表征和控制体系的整体复杂性。在该模型中，体系的组织模式为Agent-Group-Role，模型包含了体系的静态和动态特征，并将由目标或组分系统容量变化而引起的体系重组纳入考虑范围内。张国宁等分析了神经网络模型的特点、复杂系统的特征与建模方法论要求，表明神经网络应用于复杂系统建模可行且适用，探讨了当前神经网络在复杂系统建模中应用的文本语言处理、语音识别、图像处理、故障诊断等。张维明、刘俊先等提出架构方法是解决大型复杂信息系统分析设计问题的一种行之有效的手段，分析了体系架构设计内容的变化，提出了一种复杂体系架构设计的新范式，探讨了人工智能和大数据等新技术在架构设计中的应用，分析了复杂体系架构设计新范式研究和应用中面临的挑战。

根据智能复杂体系概念及特征的描述，本文认为，智能复杂体系的建模应当满足如下一些条件：

1）智能复杂体系内各组分系统需要统一的建模框架与方法，实现组分系统间的共融。处理异构数据将是建模过程中的关键技术之一；

2）组分系统之间，系统内各主体之间的关系描述准确、全面；

3）模型能够体现智能复杂体系运行和管理的动态性，允许系统的进入、退出和动态繁衍，能够清晰地反映数据的联接、交互、协同、优化；

4）模型能够展示智能复杂体系的涌现特性，并能够将人纳入体系运行之中，使对体系涌现的引导与控制成为可能。

2.智能复杂体系的涌现与牵引控制研究

体系特征中最重要的是演化与涌现。在智能复杂体系建模的基础上，对体系的涌现创造激发条件。模型建立的过程已经对系统间和系统内成员间的关系进行了初步描述，但这些关系是我们已经了解和掌握的。因此，需要选择并建立体系内各组分系统间的数据连接模式，使来自各个系统的数据能够充分接触和交互，为体系的涌现创造平台和空间。在此过程中，赋予体系和组分系统以较为充分的智能，并通过需求导引，使体系能够自发地改变数据连接的模式，不断调整、反馈不同系统间连接与交互的紧密程度，自主探索、产生满足给定需求的涌现结果。需要不断改变体系的需求和外部环境，激发体系产生丰富的涌现结果，通过对涌现结果的分析验证，可以了解体系内哪些组分系统间可能有、或需要有较强的连接、交互与耦合，哪些组分系统间的关系较为薄弱和松散，利用数学语言度量与描述这些关系，关系的强度是否会随着需求与环境的变化而变化，总结智能涌现的激发条件。

在智能复杂体系涌现机理探索的基础上，对体系内部的关系有更为清晰的认识，体系面临的外部环境是动态变化的，而人工体系所需要达到的目的与需求也是在持续更新的，而且变化可能较为剧烈。因此，需要使智能复杂体系能够自发调节内部系统间、系统成员间的连接关系，调整连接的紧密程度，调整数据的连接、交互与融合方式，使得体系能够涌现出新的、与环境与需求的变化相适应的能力，具有更强的鲁棒性。在此过程中，强化学习将提供丰富的借鉴。强化学习是智能体以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏。强化学习把学习看作试探评价过程，智能体选择一个动作作用于环境，环境接受该动作后状态发生变化，同时产生一个强化信号（奖或惩）反馈给智能体，智能体根据强化信息和环境当前状态再选择下一个动作，选择的原则是使受到正强化（奖）的概率增大。因此，在涌现的牵引控制上，可以利用强化学习的思路和方法，当外部环境和体系目标发生变化的时候，使体系自主、自发地改变内部的连接，同时不断接收环境和目标给予的反馈信息，使体系得到的正反馈概率增大，以适应环境，满足新目标。智能复杂体系研究的整体架构如图 1所示。

图 1 智能复杂体系研究的整体架构

随着系统与系统工程领域研究过程中系统的复杂度与智能性越来越强，传统方法与理论已经不适应当今的发展。在云计算、机器学习、人工智能等数据科学发展的推动下，体系的概念得到了更广泛的推广与应用。虽然体系的词汇出现很早，其概念与特征的研究也早已有了很多的描述，但也仅仅停留在理论描述的阶段，缺少数学理论的支撑，更遑论实际应用的验证。因而，数据科学的发展给了体系研究新的发展思路。