复杂系统风险熵的涌现与动力学传播分析_汪送
复杂网络上的传播动力学研究
胡柯
湘潭大学硕士学位论文
摘要
Байду номын сангаас摘要
复杂网络已经被普遍认为是刻画和研究自然界和人类社会中各种复 杂体系结构的一种全新而有效的工具。近年来,人们见证了这一统计物 理热点研究课题的飞速进展。由一些具有代表性的模型产生的复杂网络 已取代了随机图,为复杂体系的结构提供了更精确的描述。自然地,复 杂体系的功能及其动力学行为成为了复杂网络研究的一个新热点。作为 一个饱含物理学原理和方法的研究课题,复杂网络上的传播动力学得到 了物理学、社会学和计算机科学等众多领域的科学工作者的广泛关注。 其研究对于理解不同复杂系统中各种病毒、信息和其它事物的传播行为 以及探索控制这些行为的有效方法具有非常重要的指导意义。目前,由 于复杂网络结构及其动力学研究的理论体系尚不完备,对复杂网络上传 播行为与控制策略的研究仍处于探索阶段。本文基于传统的流行病传播 模 型 ,从 传 播 阈 值 , 微 观 传 播 机 制 和 免 疫 策 略 等 方 面 对 复 杂 网 络 上 的 传 播 动力学行为进行了较为系统的研究,并且基于随机行走机制提出了两种 仅需网络局域连通信息的免疫策略。 本文共分六章。在第一章中,我们简要地回顾了复杂网络的研究概 况,介绍了本文主要研究内容。在第二章中,我们介绍了复杂网络的基 本概念。同时,我们也给出了真实网络的主要统计性质和相应的几个典 型的网络模型,以及发生在复杂网络上的几个传统的动力学过程。在第 三章,我们对三类经典的流行病传播模型作了一个简单的介绍。基于这 些传播模型,我们较为系统地介绍了复杂网络的传播动力学行为。在这 一章中,结合几个典型网络结构,我们还系统地调查了流行病阈值的有 限尺寸效应,得到了小世界网络的传播阈值不依赖与系统尺寸和无标度 网 络 上 传 播 阈 值 随 体 系 增 长 而 趋 于 零 等 一 些 有 意 义 的 结 果 。在 第 四 章 中 , 我们在分析了观点形成过程的微观机制之后,提出了一种依赖邻居感染 强度和传播时间的流行病传播概率。并且在这种感染概率下,我们研究 了流行病传播的时间行为,得到了三种截然不同的等级传播模式。在第 五章中,我们基于随机行走研究的已有结论,提出了一种无需网络任何 全局知识的免疫策略, 并 在 不 同 的 网 络 模 型 和 真 实 的 I n t e r ne t 上 数 值 地 证 实了这些策略是有效的。最后,我们对本文的工作进行了总结,并对本 领域的研究进行了展望。
物理学中的复杂系统与动力学研究
物理学中的复杂系统与动力学研究在我们所生活的这个世界中,物理学无疑是一门揭示万物运行规律的重要学科。
而在物理学的广袤领域里,复杂系统与动力学的研究正逐渐成为备受关注的焦点。
它不仅帮助我们更深入地理解自然界中的各种现象,还为解决许多实际问题提供了理论基础和方法。
什么是复杂系统呢?简单来说,复杂系统是由大量相互作用的部分组成的整体,其行为难以通过对单个部分的简单分析来预测。
比如生态系统,其中包含了无数的生物物种、它们之间的食物链关系、以及与环境的相互作用;再比如社会系统,由众多的个体、家庭、组织等构成,其发展和变化充满了不确定性和复杂性。
复杂系统的一个重要特点就是涌现性。
这意味着系统整体会表现出单个部分所不具备的特性和行为。
以蚁群为例,单个蚂蚁的行为相对简单,但整个蚁群却能够展现出复杂的集体行为,如寻找食物的最优路径、建造精巧的蚁巢等。
这种涌现出的集体行为并非由某个中央指挥者控制,而是源于蚂蚁之间的简单相互作用。
在复杂系统中,动力学研究的是系统的状态如何随时间变化。
这就涉及到各种物理量的变化规律,比如速度、位置、能量等。
通过对这些物理量的研究,我们可以了解系统的稳定性、混沌性以及分岔现象等。
稳定性是指系统在受到小的扰动后能否恢复到原来的状态。
如果能,则系统是稳定的;否则,就是不稳定的。
例如,一个立在针尖上的鸡蛋是不稳定的,稍有风吹草动就会倒下;而放在平面上的鸡蛋则相对稳定。
混沌性则是指系统的行为看似随机,但实际上是由确定性的规律所支配。
一个经典的例子是蝴蝶效应,即在一个动力系统中,初始条件的微小变化可能会导致后续结果的巨大差异。
这就好像一只蝴蝶在巴西轻拍翅膀,可能会在美国得克萨斯州引起一场龙卷风。
分岔现象则是指系统在某些参数变化时,其行为会突然发生本质的改变。
比如,当我们逐渐增加对一个钟摆的驱动力时,钟摆的运动可能会从规则的摆动变成混沌的运动,这就是一种分岔。
那么,为什么要研究复杂系统与动力学呢?首先,它有助于我们更好地理解自然界中的各种现象。
复杂系统风险熵的涌现与动力学传播分析
( 1 . 武警 工程 大 学装备 工程 学院 , 西安 7 1 0 0 8 6 ; 2 . 空 军z - 程 大学装备 管理 与安 全工 程 学院 , 西安 7 1 0 0 5 1 )
摘 要 :随 着 系 统 复 杂 程 度 和 耦 合 程 度 的 提 高 , 基 于 还 原 论 思 想 的 因果 失 效 律 不 足 以解 释 复 杂 系 统 安 全 事 故 的 致
s a t i on f a c t or s o f s a f e t y a c c i de nt s a n d t he r e l a t i o ns hi p b e t we e n t he f a c t o r s b a s e d on c o mpl e x s y s t e m, c o n— s t r uc t s t h e r i s k e nt r op y f un c t i on ba s e d o n t h e r i s k s t a t e o f c a us a t i o n f a c t o r s, a nd a n a l y z e s t h e e me r g e n c e pr o c e s s of r i s k e nt r o p y. At t he e n d,t he pa p e r e s t a bl i s he s t h e a c c i de nt c a u s a t i o n ne t wor k o f c o mp l e x s y s — t e n, r a n d f o r ma l l y d e s c r i b e s t he d y na mi c t r a ns mi s s i o n p r oc e s s o f r i s k e n t r o py i n t hi s n e t wo r k.The r e s u l t pr o vi d e s a n e w i d e a f o r t h e a na l ys i s a n d pr e ve nt i on o f s a f e t y a c c i de nt s i n c o mpl e x s y s t e m.
不确定多体系统动力学分析及可靠性预测
不确定多体系统动力学分析及可靠性预测不确定多体系统动力学分析及可靠性预测在工程领域中,多体系统是指由多个相互作用的物体组成的系统。
这些物体之间的相互作用可以是力学、电磁学、热力学或化学等方面的相互作用。
由于各种外界因素的影响以及系统内部因素的不确定性,多体系统的动力学行为往往是非线性的且含有一定的随机性。
因此,对多体系统的动力学分析及可靠性预测成为了一个重要的研究课题。
为了对多体系统进行动力学分析,首先需要建立系统的运动方程。
运动方程描述了系统中各个物体的运动规律,它们可以根据牛顿力学、拉格朗日力学或哈密顿力学等方法得到。
对于具有较复杂的相互作用关系的多体系统,通常需要借助计算机来进行数值模拟。
根据物体间的相互作用力或能量,可以采用不同的计算方法,如有限元法、分子动力学方法、离散元方法等等。
然而,多体系统的动力学行为受到多种因素的影响,包括外界环境的不确定性和系统内部的不确定性。
外界环境的不确定性可以来自于载荷、边界条件、初始条件等方面,而系统内部的不确定性可以来自于模型参数的不确定性、物体的运动状态的不确定性等。
这些不确定性会导致多体系统的行为在不同的情况下出现不同的变化,使得预测系统的性能以及失效概率变得困难。
因此,可靠性预测成为了多体系统动力学分析的重要内容之一。
可靠性预测旨在评估系统在给定的工作条件下能够正常运行的概率。
基于不确定多体系统动力学分析的可靠性预测需要综合考虑多种因素,包括外界环境的不确定性和系统内部的不确定性。
这需要利用概率统计理论和随机过程理论来描述不确定性,并借助数值方法进行求解。
对于具体的多体系统,例如机械系统、电力系统、交通运输系统等,可靠性预测的方法和工具各有不同。
在机械系统中,可以采用可靠性设计、故障模式与效应分析、故障树分析等方法对系统进行可靠性评估。
在电力系统中,可以运用可靠性块图分析、状态估计、蒙特卡罗模拟等方法对系统进行可靠性预测。
在交通运输系统中,可以利用交通流模型、行为模型、碰撞模型等方法对系统进行可靠性评估。
传播动力学 博弈动力学
传播动力学博弈动力学
传播动力学和博弈动力学是两个不同的概念。
下面我将分别介绍一下这两个概念。
传播动力学是研究信息传播过程中的影响力、传播效应和扩散模式的学科。
它主要关注信息如何在人际网络中传播、扩散和影响个体行为的过程。
传播动力学通常使用数学模型和计算机模拟来研究信息的传播规律。
这个领域的研究可以帮助我们理解疾病传播、社交媒体上的信息传播以及新产品的市场推广等。
博弈动力学则是研究决策者在博弈中的行为和策略选择的学科。
它主要关注决策者之间的相互作用和策略决策对于结果的影响。
博弈动力学通过建立数学模型和博弈论的方法,分析博弈参与者的最佳决策策略及其演化过程。
该领域的研究可以帮助我们理解经济决策、竞争与合作关系以及政治博弈等。
总结起来,传播动力学研究信息传播的规律和影响力,而博弈动力学研究决策者在博弈中行为和策略的选择。
这两个领域都是复杂系统的研究方向,对于理解社会现象和人类行为具有重要意义。
复杂网络动力学分析
复杂网络动力学分析一、引言复杂网络动力学分析是一种用于研究复杂网络结构和网络动力学特征的分析方法。
随着信息技术的发展和应用场景的不断扩大,复杂网络动力学分析逐渐成为网络科学领域的热门研究方向。
本文将从基础概念、网络结构分析、网络动力学分析等方面进行探讨,旨在深入了解复杂网络动力学分析的相关知识。
二、基础概念1. 复杂网络复杂网络是指由大量节点和相互连接的边构成的网络,具有随机性、动态性、节点异构性和拓扑结构复杂性等特点。
常见的复杂网络包括社交网络、生物网络、交通网络、互联网等。
2. 节点度节点度是指节点在网络中的相邻节点数,与节点相连的边数称为节点的度。
节点度越大,代表节点在网络中的重要程度越高。
3. 小世界效应小世界效应是指在大规模的随机网络中,任意两个节点之间的距离很短,具有“六度分隔理论”的特点。
即任意两个节点之间的距离最多只需要经过六个中间节点。
4. 群体聚类系数群体聚类系数是指网络中任意一个节点的邻居节点之间存在联系的概率。
群体聚类系数越高,代表网络中存在更多的紧密联系的节点群体。
三、网络结构分析1. 度分布度分布描述网络中各个节点的度数分布情况,可以用横坐标表示节点的度,纵坐标表示该度出现的节点数目。
通过度分布可以发现网络的度分布是否呈现幂律分布的特点。
2. 网络中心性网络中心性是指节点在复杂网络中的重要性程度,包括介数中心性、接近中心性和度中心性等。
介数中心性表示一个节点与其他节点之间的最短路径数目之和,接近中心性表示一个节点到其他节点的平均路径长度,度中心性表示节点的度。
3. 网络聚类系数网络聚类系数是指复杂网络中群体聚集性的量化指标,反映了网络中节点间联系的紧密程度。
常见的网络聚类系数包括全局聚类系数和局部聚类系数,全局聚类系数是指网络中所有节点的聚类系数均值,局部聚类系数是指每个节点的聚类系数均值。
4. 强连通分量强连通分量是指在有向图中,所有节点之间均可相互到达的最大节点集合。
物理学中的复杂系统分析
物理学中的复杂系统分析物理学中的复杂系统分析是一门研究系统在不同尺度下的行为和相互作用的学科,涵盖了统计物理学、非线性物理学、混沌理论等多个领域。
这门学科不仅仅是研究物理学现象,而且也可以应用于其他领域,如生物学、社会学等。
下面将从统计物理学、非线性物理学和混沌理论三个方面介绍复杂系统分析的相关知识。
统计物理学统计物理学研究描述系统状态的物理量随时间演化的规律,其中最重要的物理量是系统的热力学状态。
在统计物理学中,我们可以通过节点、边、网络等方式来表示和建模复杂系统。
节点表示法就是将系统中的个体或原子等离散物体作为节点,而边则表示节点之间的相互作用。
例如,在社交网络中,我们可以将每个人看作一个节点,而他们之间的关系则通过边来表示。
网络的拓扑结构对系统的结构和行为有着重要的影响。
统计物理学中的研究重点则是通过各种模型来揭示网络拓扑结构和物理量之间的关系,并分析这些关系如何影响系统的演化和行为。
非线性物理学非线性物理学研究非线性系统的行为。
简单来说,线性系统是指系统的行为可以用简单的线性方程来描述;非线性系统则不同,其中物理量之间的相互作用是非线性的,难以用线性方程来描述。
非线性系统的复杂性体现在它的行为可以呈现出多种不同的模式和丰富的动力学行为。
例如,许多生物系统如心跳和呼吸系统,都是由非线性耦合的过程组成的。
非线性物理学研究如何通过不同的数学工具来描述这种复杂性,研究其动力学特征和演化规律。
混沌理论混沌理论研究的是混沌系统的行为特征。
混沌系统是指由非线性的相互作用带来极度敏感的行为特征的系统。
这种敏感性意味着系统表现出随机性和无序性的特征。
例如,在天气系统中,气旋等非线性现象可以导致无法准确预测的天气变化。
混沌理论主要研究复杂系统中的非线性行为和相关的动力学规律。
其中最著名的是洛伦兹系统,它是一种基于三个非线性微分方程的模型,能够描述一些天气现象中出现的混沌行为。
混沌理论还能应用于分析金融市场、信息加密等领域。
复杂网络的动力学研究
复杂网络的动力学研究随着网络技术的日益发展,网络系统正变得愈加复杂。
网络中的节点和连接不仅数量庞大,而且还存在着各种不稳定和随机性,使得其行为表现出各种复杂特征。
复杂网络动力学研究就是对这些复杂网络系统进行研究和探索的学科。
一、复杂网络概述复杂网络是指由大量节点和连接组成的网络系统,其拓扑结构分布无序、随机,并且存在着较强的动态变化性和性能异质性。
复杂网络系统包括社交网络、交通网络和生物网络等。
在复杂网络中,每个节点代表一个实体,连接表示实体之间的关系。
复杂网络中的节点和连接数量可以是任意的,拓扑结构可以是随机的、规则的、分形的、层次的或具有自相似性的。
二、复杂网络动力学复杂网络动力学是研究复杂网络系统中的节点之间以及节点与连接之间的相互作用和大规模行为规律的学科。
在这个领域中,人们关注的是如何描述和预测网络中各个节点的运动、状态和发展趋势,以及分析网络中节点之间以及节点与连接之间的相互作用。
网络中的动力学模型通常包括节点动力学模型和连接动力学模型。
在节点动力学模型中,每个节点的状态和行为受到其邻居节点和外部输入的影响。
连接动力学模型描述了连接的动态演化和改变。
三、复杂网络动力学研究现状在复杂网络动力学研究领域中,人们尝试建立各种数学模型和理论,以分析和预测复杂网络的行为。
其中,著名的模型包括:1. 随机网络模型:基于随机化方法建立的复杂网络模型,包括随机图、随机网络等。
2. 小世界网络模型:模拟现实社交网络的经验法则建立的模型,包括沃茨-斯特罗格兹模型等。
3. 无标度网络模型:与生物网络的拓扑结构相似的复杂网络模型,包括巴拉巴西-阿尔伯特模型等。
此外,人们还研究了复杂网络系统的同步现象、群体行为、稳定性和控制策略等方面的问题。
在这些研究中,人们使用复杂网络动力学模型和数学方法,以及计算机仿真和实验研究等手段进行分析。
四、复杂网络动力学的应用复杂网络动力学已经被广泛应用于各个领域,包括社交网络、物理学、化学、生物学、交通运输和互联网等。
生态系统的复杂动力学
生态系统的复杂动力学生态系统是一个相互关联、互相依存的复杂系统,它由一个由生命体系组成的集合体,包括生物、非生物和环境因素。
这些部分之间存在着复杂的相互作用,形成了一种复杂的生态系统。
生态系统是一个开放系统,不断地接受和释放外部物质和能量,而这些物质和能量的输入和输出过程是一种复杂的动力学过程。
生态系统的复杂动力学过程主要由许多相互作用的生命体系和环境因素共同决定。
这些生命体系和环境因素之间存在着不同的相互作用关系,而这种相互作用关系又会随着时间和空间的变化而发生不断的变化。
生态系统中的动态平衡是通过生态系统中各种生物之间的相互依存关系和环境因素之间的相互作用关系来实现的。
生态系统的动态平衡是一个复杂而脆弱的过程,一旦其中的某个因素发生了变化,就可能导致整个生态系统的崩溃。
生态系统的大小、形态、组成、功能等都受到自然环境和人类活动的影响。
环境因素对生态系统的影响包括气候、水文、地形、土壤、生物多样性等因素。
然而,由于人类活动的干扰,自然系统的平衡也被打破,许多生态系统受到了严重的破坏。
生态系统中各种生物之间的相互作用关系是生态系统动态平衡的基础。
这种相互作用关系包括竞争、捕食、共生、共存、联防等因素。
其中,竞争过程是生态系统动态平衡的重要因素。
竞争不仅发生在同种生物之间,还包括不同种生物之间的竞争。
不同种生物之间的竞争最为常见,它可以分为直接竞争和间接竞争。
直接竞争是指两种物种之间直接争夺同一种资源,例如两种植物争土壤养分。
而间接竞争则是通过中间物种的作用来进行争夺的。
例如,两种食草动物争夺同一种植物为食,这就需要它们通过采食不同的植物来间接竞争。
在生态系统中,捕食关系也是生态系统动态平衡的重要因素。
捕食关系可以分为食肉动物与食草动物之间的捕食和食草动物与植物之间的捕食。
食肉动物和食草动物之间的捕食关系是一种天然的生态平衡关系,它可以使得食草动物种群的数量得以控制。
而食草动物和植物之间的捕食关系则是一种矛盾的关系,因为食草动物需要植物来作为食物,而植物又要利用自己的养分来生长和繁殖。
网络传播动力学_李翔
第7卷第2-3期复杂系统与复杂性科学Vol.7No.2-32010年9月COMPLEX SYSTEMS AND COMPLEXITY SCIENCE Sep.2010文章编号:1672-3813(2010)02-03-0033-05网络传播动力学*李翔1,刘宗华2,汪秉宏3(1.复旦大学,上海200433;2.华东师范大学,上海200241;3.中国科学技术大学,合肥230026)摘要:病毒的流行、谣言的散布、观点的传递都是在不同网络上的形形色色的传播现象,既存在着现象后的不同起因和特征,更存在着千丝万缕的联系和共通的演化机理。
汇总了复旦大学、华东师范大学和中国科学技术大学的研究小组过去几年里在网络传播动力学的研究成果。
关键词:复杂网络;传播动力学;网络中图分类号:N941文献标识码:AOn Spreading Dynamics on NetworksLI Xiang 1,LIU Zong-hua 2,WANG Bing-hong 3(1.Fudan University ,Shanghai 200433,China ;2.East China Normal University ,Shanghai 230026,China ;3.University of Science and Technology of China ,Hefei 230026,China )Abstract :The prevalence of epidemics ,rumors ,and opinions are various spreading phenomena on dif-ferent categories of networks ,which not only exhibit specific features and backgrounds ,but also sharesome mechanisms and extensive interconnections.This paper is a brief collection including the work andthinking on this topic from the research groups of Fudan Univeristy ,East China Normal University ,andUniversity of Science and Technology of China.Key words :complex networks ;spreading dynamics ;network收稿日期:2010-06-14基金项目:国家自然科学基金项目(10635040,10975126,60874089,91024026);973计划项目(2006CB705500);高校博士点基金项目(20093402110032);教育部新世纪优秀人才计划项目(NCET -09-0317);上海市科委科技启明星跟踪计划项目(09QH1400200)作者简介:李翔(1975-),男,湖南人,教授,博导,主要研究方向为复杂网络系统理论与应用。
高等统计物理
高等统计物理高等统计物理是一门广泛而深入的学科,它将统计物理学和高等物理学的概念、方法和原理整合在一起,建立在统计学和物理基础理论上。
它涉及的方面包括物理的概率性、概率模型和概率数据、过程和新的计算方法。
它是统计物理、高等物理和统计计算相结合的一门学科。
高等统计物理涉及许多方面的研究,如复杂系统的理论分析和实践应用、动力学分析、量子理论研究、统计流变学研究以及蒙特卡洛模拟等。
其中,复杂系统研究尤为重要。
复杂系统是指由一系列相互依赖性的元素构成的系统,它们的行为及其发展动力的机制复杂且难以把握。
复杂系统的仿真通常以一种随机化的方式进行,它能帮助人们更好地理解复杂系统的相互关系及其发展动力,进而更好地实施系统改进及其他管理性活动。
动力学分析也是高等统计物理研究的重要内容。
动力学分析的主要目的是研究系统的运动的原理,以及在系统外力的作用下它的运动及其发展动力的变化趋势。
动力学分析通过分析系统内部以及系统和外界之间的动态关系,揭示出系统的运动及其发展动力变化的规律,为系统改进和解决复杂问题提供了可靠的数据和有效的方法。
量子理论是现代物理学的基础,也是高等统计物理研究的基础之一。
量子理论是一种描述物质和能量微观世界的理论,通过量子力学的方法,它可以描述和预测粒子的行为,同时也可以对粒子间的相互作用和相互转化进行解释。
统计力学则是一种在微观尺度上,以分布函数表示粒子数量和能量分布,以改变配分函数来描述粒子间相互作用的理论。
统计流变学是高等统计物理学科的重要研究分支,它主要研究的内容是流变的各种物理学和化学性质,主要涉及到流变体的动力学行为,如流变体的几何形态、扭曲、塑性等,以及在外力的作用下它的行为变化。
流变学的研究领域涉及到液体流变学、固体流变学以及表面物理等方面,为统计物理学科的研究提供了重要的技术支持。
蒙特卡洛模拟是高等统计物理学科重要的研究方法之一,它是一种模拟和计算仿真技术,用来仿真复杂系统的行为。
复杂系统中的涌现现象:探索复杂系统中涌现现象的机制与规律
复杂系统中的涌现现象:探索复杂系统中涌现现象的机制与规律摘要涌现现象是复杂系统中最为引人入胜的现象之一,它描述了系统整体行为如何超越其组成部分的简单加和,展现出新的、不可预测的特性。
本文深入探讨复杂系统中涌现现象的机制与规律,从定义、分类到具体案例,系统地阐述了涌现现象的本质与影响。
通过对涌现现象的深入理解,我们能更好地把握复杂系统的动态演化,为科学研究、工程实践和社会发展提供新的视角与启示。
关键词:涌现现象,复杂系统,自组织,非线性相互作用,多尺度1. 引言复杂系统由大量相互作用的组成部分构成,它们之间的非线性相互作用导致系统整体呈现出涌现现象。
涌现现象广泛存在于自然界、社会、经济等各个领域,如鸟群的集体飞行、金融市场的波动、社会舆论的形成等。
深入理解涌现现象的机制与规律,对于认识复杂系统的本质、预测其行为、以及有效干预和控制具有重要意义。
2. 涌现现象的定义与分类涌现现象是指系统整体所表现出的特性或行为无法简单归因于其组成部分的特性或行为,而是由组成部分之间的相互作用所产生。
这些新特性或行为往往具有不可预测性、不可还原性、以及整体性。
涌现现象可以根据其产生的尺度、机制、以及影响进行分类。
•按尺度分类:o微观涌现:分子、原子等微观粒子之间的相互作用产生新的分子结构或材料特性。
o宏观涌现:生物体、生态系统、社会等宏观系统中个体之间的相互作用产生新的群体行为或社会现象。
•按机制分类:o自组织涌现:系统通过自组织过程,自发形成有序结构或行为模式。
o适应性涌现:系统通过适应环境变化,不断调整自身结构或行为,产生新的涌现现象。
•按影响分类:o功能性涌现:涌现现象为系统带来新的功能或能力。
o结构性涌现:涌现现象导致系统形成新的结构或组织形式。
3. 涌现现象的机制与规律涌现现象的产生机制主要包括以下几个方面:•非线性相互作用:复杂系统中组成部分之间的相互作用往往是非线性的,即相互作用的结果不等于各个作用的简单叠加。
复杂网络结构与信息传播动力学
复杂网络结构与信息传播动力学复杂网络结构和信息传播动力学是关于网络中信息传播的重要主题,它们在诸多领域中都有广泛的应用,特别是在社交媒体、病毒传播和市场营销等方面。
本文将回答以下几个问题:什么是复杂网络结构?复杂网络结构与信息传播动力学有什么关系?复杂网络结构如何影响信息传播动力学?一、复杂网络结构是指由节点和边构成的网络结构。
节点代表网络中的个体,例如个人、公司或者网站等;边代表节点之间的连接关系,例如社交关系、传输通道或者合作关系等。
复杂网络结构可以用图论来描述,其中节点是图中的顶点,边是图中的边。
复杂网络通常具有以下特点:拓扑结构复杂、节点之间的连接方式多样、网络中节点的度分布具有幂律特性等。
常见的复杂网络模型有随机网络模型、小世界网络模型和无标度网络模型等。
二、复杂网络结构与信息传播动力学之间存在密切的关系。
信息传播动力学研究的是在网络中信息如何传播的过程,包括信息在网络中的传播路径、传播速度、传播规模等。
而网络的拓扑结构是影响信息传播的重要因素之一。
不同的网络拓扑结构会导致信息传播的速度、范围和影响力不同。
例如,在随机网络中,信息传播的速度较慢,范围较小,因为网络中存在较多的短程连接和随机连接;而在无标度网络中,少数节点具有较高的度,这些节点成为信息传播的重要枢纽,使得信息能够迅速传播到整个网络。
三、复杂网络结构对信息传播动力学的影响主要体现在以下几个方面。
1. 信息传播速度:网络的拓扑结构会影响信息在网络中的传播路径。
在小世界网络中,节点之间具有较短的平均路径长度,信息传播速度较快;而在无标度网络中,由于少数节点具有较高的度,信息可以通过这些节点迅速传播,传播速度也较快。
相比之下,在随机网络中,信息传播速度较慢。
2. 信息传播范围:网络的拓扑结构也会影响信息在网络中的传播范围。
在无标度网络中,少数高度连接的节点可以将信息迅速传播到整个网络,使得信息传播范围较广;而在随机网络中,由于节点之间的连接是随机的,信息传播范围较小。
复杂系统可靠性
山东科学SHANDONGSCIENCE第37卷第2期2024年4月出版Vol.37No.2Apr.2024收稿日期:2024 ̄02 ̄01基金项目:国家自然科学基金(72225012ꎬ72288101ꎬ71822101)ꎻ民航安全能力建设基金项目(ASSA2023/19)作者简介:刘一萌(1994 )ꎬ女ꎬ博士研究生ꎬ研究方向为复杂网络可靠性ꎮE ̄mail:liuyimeng@buaa.edu.cn∗通信作者ꎬ张小可ꎬ男ꎬ副研究员ꎬ研究方向为复杂系统ꎮTel:189****9787ꎬE ̄mail:zhangxiaoke2013@hotmail.com复杂系统可靠性刘一萌1ꎬ白铭阳1ꎬ张小可2∗ꎬ李大庆1(1.北京航空航天大学可靠性与系统工程学院ꎬ北京100191ꎻ2.复杂系统仿真国家重点实验室ꎬ北京100101)摘要:随着科学技术的发展ꎬ社会技术系统的体系化㊁网络化㊁智能化程度逐渐加深ꎬ形成系统的复杂性ꎮ这些复杂系统的 故障 ꎬ诸如交通拥堵㊁谣言传播㊁金融崩溃ꎬ可以看作是一种 1+1<2 的系统能力负向涌现ꎬ难以直接通过系统单元的还原解析来理解ꎬ这对原有可靠性理论提出了挑战ꎮ现有复杂系统可靠性的研究主要从故障规律展开ꎬ从两个角度出发进行ꎬ一是考虑故障传播的系统脆弱性研究ꎻ二是考虑故障恢复的系统适应性研究ꎮ系统脆弱性研究的重点在于挖掘系统崩溃的内在机理ꎬ即故障的传播机理ꎮ系统适应性研究的重点关注于系统适应恢复能力ꎬ包括系统故障恢复机理ꎮ在此基础上ꎬ本文介绍了相关的可靠性方法研究ꎮ关键词:复杂系统ꎻ可靠性ꎻ脆弱性ꎻ适应性中图分类号:N945㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1002 ̄4026(2024)02 ̄0074 ̄11开放科学(资源服务)标志码(OSID):ComplexsystemreliabilityLIUYimeng1ꎬBAIMingyang1ꎬZHANGXiaoke2∗ꎬLIDaqing1(1.SchoolofReliabilityandSystmesEngineeringꎬBeihangUniversityꎬBeijing100191ꎬChinaꎻ2.NationalKeyLaboratoryforComplexSystemsSimulationꎬBeijing100101ꎬChina)AbstractʒWiththedevelopmentofscienceandtechnologyꎬthesystematizationꎬnetworkingandintelligentizationofthesocialtechnologysystemgraduallydeepenꎬformingthecomplexityofthesystem.Thefailuresofthesecomplexsystemsꎬsuchastrafficjamsꎬrumorspreadingꎬandfinancialcollapseꎬcanberegardedasakindof"1+1<2"negativeemergenceofsystemcapabilityꎬwhichisdifficulttounderstanddirectlythroughthereductionanalysisofsystemcomponents.Itchallengestheclassicalreliabilitytheory.Researchonthecomplexsystemsreliabilitymainlyfocusesonfailureslawsꎬwhichincludestwoperspectives.Oneisthestudyofsystemvulnerabilityconsideringfailurepropagation.Theotheristhestudyofsystemadaptabilityconsideringfailurerecovery.Systemvulnerabilitystudiesfocusonexploringtheinternalmechanismofsystemcollapseꎬnamelythefailurepropagationmechanism.Systemadaptabilitystudiesfocusonthecapacitytoadaptandrecoverꎬincludingthesystemfailurerecoverymechanism.Basedonthisꎬthearticleintroducesrelevantresearchonreliabilitymethod.Keywordsʒcomplexsystemꎻreliabilityꎻvulnerabilityꎻadaptability㊀㊀复杂系统具有涌现性ꎬ难以简单地由单元的规律推理得到整体的规律[1 ̄2]ꎮ系统工程为构建复杂社会技术系统提供指导ꎬ并被广泛应用于各个工业部门中ꎮ在钱学森等老一辈领军学者带领下ꎬ我国的系统科学和工程取得较大发展ꎬ从工程系统走向社会系统ꎬ提出开放的复杂巨系统方法论[3]及其实践形式[4]ꎮ近年来ꎬ系统学内涵得到不断深化并形成丰富理论成果[5 ̄12]ꎬ在社会管理[13]㊁应急救援[14]㊁农业[15 ̄16]㊁交通运输[17 ̄18]等各领域均做出积极贡献ꎮ在系统工程方法论与技术上ꎬ我国学者提出的WSR(物理-事理-人理)方法论[19]㊁灰色系统方法[20]㊁TEI@I方法论[21]等都在国内外产生了一定影响ꎮ基于火箭及计算机的工程实践ꎬLusser㊁冯 诺伊曼等人指出随着系统越来越复杂ꎬ可靠性成为了决定社会技术系统能否成功运行的关键问题[22 ̄23]ꎬ可靠性学科随之迅速发展ꎮ20世纪90年代ꎬ可靠性系统工程理论被提出[24]ꎬ进而学者们又进一步细化了可靠性系统工程理论并提出其技术框架[25]ꎮ近几年ꎬ系统复杂性随着信息技术和智能技术的进步而不断提高ꎮ一方面ꎬ这种复杂性给系统带来了脆弱性挑战ꎬ系统出现了不同于简单系统的故障模式ꎬ形成了 1+1<2 的负向涌现ꎮ例如复杂系统内单元之间存在故障耦合ꎬ这使得少量单元的故障可能引发级联失效ꎬ导致整个系统崩溃ꎮ另一方面ꎬ复杂性也可能带来系统的适应性ꎬ可使系统具备从扰动中恢复和适应的能力ꎮ例如生态系统中物种多样性[26]㊁内稳态机制[27]㊁共生网络的嵌套性[28]等在增加了系统复杂度的同时ꎬ也使得种群和个体能在各种各样的风险挑战和环境变化下幸存ꎮ传统可靠性方法是在元件数相对较少㊁元件间关系较为简单的系统上发展起来的ꎬ难以适用于分析复杂系统的可靠性ꎮ为此想要解决这些复杂系统的可靠性问题ꎬ必须借助系统科学研究和发展新理论㊁新方法应对新挑战ꎮ可靠性系统工程的实质是与故障做斗争ꎬ通过研究有关故障的规律ꎬ从而基于故障规律对故障进行事前预防和事后修理[24]ꎮ对复杂系统可靠性的研究也需要围绕其特有故障机理展开ꎮ系统可能因故障扩散而全面崩溃ꎬ也可能因故障恢复而稳定维持自身性能ꎮ因此可将复杂系统可靠性研究分为考虑故障传播的系统脆弱性研究和考虑故障恢复的系统适应性研究两类ꎮ1㊀考虑故障传播的系统脆弱性研究系统脆弱性是指系统被干扰后容易发生全局性崩溃的性质ꎬ一些具有罕见性㊁突发性等特点的重大事件往往是引发系统崩溃的原因之一ꎮ这类事件通常危害性高且迅速发生ꎬ后果严重并且难以预测ꎮ最为常见的导致系统发生全局性崩溃的原因是故障在系统中的传播ꎮ识别故障传播的机制和途径ꎬ有助于减少系统故障ꎬ降低系统脆弱性并提高可靠性ꎮ1.1㊀复杂网络渗流理论对故障传播的研究可以基于复杂网络渗流理论ꎮ渗流属于几何相变现象[29]ꎬ统计物理中的渗流理论[30]定量地刻画了网络整体层面的连通性丧失ꎮ在渗流过程中ꎬ网络的节点/连边被逐步移除ꎬ导致最大连通子团规模(其度量了网络连通性)降低ꎮ网络节点/连边移除的方法包括逐步随机移除节点/连边ꎬ或给定某属性的阈值ꎬ通过提高阈值来逐步移除属性低于阈值的节点/连边等ꎮ渗流过程中存在临界点ꎬ称为渗流阈值ꎬ在临界点附近ꎬ最大连通子团统计上变为0ꎮ以交通网络为例[31](如图1所示)ꎬ该研究对每条连边(道路)计算了当前道路车速与最大限速的比例(r)ꎮ对于给定的阈值qꎬ每条道路可以被分为功能正常的道路(r>q)和故障的道路(r<q)ꎮ对于任何给定的qꎬ根据原始路网的交通状态可构建功能性交通网络ꎮ如图1所示ꎬ分别以q为0.19㊁0.38和0.69表示低速㊁中速和高速阈值状态ꎮ随着q值的增加ꎬ交通网络变得更加稀疏(如图1(a)~1(c)所示)ꎮ图中只绘制了最大的三个连通子团ꎬ分别用绿色(最大连通子团G)㊁蓝色(第二大连通子团SG)和粉色(第三大连通子团)来标记ꎮ在渗流阈值处(q=0.38)ꎬ第二大连通子团大小会达到最大值(如图1(d)所示)ꎮ系统故障传播是发生在系统单元上的故障在各单元间扩散的过程ꎮ复杂网络渗流理论可以展现一个复杂网络通过移除网络节点/连边使网络碎片化的过程ꎬ能够对复杂系统脆弱性的内因进行分析描述ꎬ适用于对故障传播的研究ꎮ图1㊀交通网络中的渗流[31]Fig.1㊀Percolationintrafficnetwork[31]1.2㊀故障传播机理利用渗流理论对系统故障传播机理进行研究主要关注系统的扰动模式以及故障传播方式ꎮ系统的扰动模式是指故障出现的方式ꎬ主要包括随机扰动和蓄意攻击两类ꎮ故障传播方式主要指故障的扩散方式ꎬ包括传染病故障模型和级联失效模型等ꎮ下面主要介绍以上两种扰动模式和两种传播方式ꎮ1.2.1㊀系统的扰动模式随机扰动是指节点/连边的故障在复杂网络中随机产生ꎮ研究发现随机扰动下的无标度网络具有优于随机网络的鲁棒性[32]ꎮ无标度网络是一种度分布(即对复杂网络中节点度数的总体描述)服从或者接近幂律分布P(k)~k-α的复杂网络[33]ꎮ理论推导和数值仿真表明幂律分布的参数α<3的无标度网络在随机攻击下难以解体[34]ꎮ此外研究还发现ꎬ像互联网这种度分布近似为幂律分布的复杂网络ꎬ虽然对于随机删除节点这种攻击具有高度鲁棒性ꎬ但是针对蓄意攻击却相对脆弱ꎮ蓄意攻击是指挑选复杂网络中具有度数高㊁介数高等特征的重要节点ꎬ或权重高㊁重要度高的重要连边进行攻击使其故障的扰动方式ꎮ在蓄意攻击下ꎬ如果按照度的大小顺序来移除节点ꎬ无标度网络只要删除极少数的中心节点就会崩溃ꎬ比随机网络更加脆弱[32]ꎮ这也表明了无标度网络的高度异质性ꎬ即大部分连边集中于中心节点处ꎮ除了基于节点度数的攻击策略外ꎬ许多研究也基于其他原则的攻击策略分析故障传播ꎬ例如介数或基于其他不同中心性的攻击策略[35]ꎮ1.2.2㊀系统的故障传播方式常见的系统故障传播模型主要有传染病模型和级联失效模型ꎮ传染病模型是一种引入复杂网络理论来对流行病传染现象进行分析的方法ꎮ传染病模型框架主要基于两个假设:可划分性和均匀混合性ꎮ可划分性是指传染病模型按照个体所处阶段对其进行分类ꎬ并且个体可以在不同阶段之间转化ꎮ均匀混合性是指可以认为任何人都可以感染其他任何人[36]ꎬ而不需要确切地知道疾病传播所依赖的接触网ꎮ传染病模型可以应用于不同学科领域的场景ꎬ分析不同类型系统的故障传播特征ꎬ对系统的脆弱性进行研究[37]ꎮ通过传染病模型研究发现ꎬ在故障动态传播过程中ꎬ网络的拓扑结构是很大的影响因素ꎮ例如在疾病传播过程中ꎬ个体主动与已感染个体彻底断开联系[38 ̄39]ꎬ网络拓扑结构因此变化ꎬ进而会产生磁滞等丰富的动力学现象ꎮ级联失效是指初始一小部分单元的故障有可能引发其他单元故障ꎬ进而产生连锁反应ꎬ最终导致网络无法履行正常功能[40]ꎮ因此级联失效模型可用于研究少数单元的故障是否会触发整个系统的故障等问题ꎮ级联失效模型大致可分为基于负载重新分配㊁基于节点相互依赖关系和基于邻居生存数量等三大类[41]ꎮ在基于负载重新分配的级联失效模型中ꎬ每个单元有相应的容量并承担一定的负载ꎮ当某单元故障时ꎬ其所承担的负载会重新分配给其他单元ꎮ重新分配后ꎬ其他单元节点的负载可能超出容量ꎬ然后出现新的故障ꎬ从而引起故障传播ꎮ最直接的一类假设是ꎬ故障节点的负载会传播给邻居节点ꎬ如纤维束模型(fiberbundlemodel)[42]㊁沙堆模型[43 ̄44]等ꎮ研究者围绕这些模型分析了网络的脆弱度如何随网络结构异质性等因素而改变ꎮ此外ꎬ在输送物质㊁能量㊁信息的基础设施网络中ꎬ流量重配策略并不只是简单地分配给邻居[45]ꎮ2002年Motter等[46]提出的级联失效模型则假定每对节点之间的流量(如因特网中的数据流量㊁交通系统中的车辆流量)按照最短路径分配ꎬ每个节点的负载是该节点的介数(通过该节点的最短路径数量)ꎬ容量是初始负载的1+α倍ꎬ其中α为大于0的容忍(tolerance)参数ꎮ该模型表明ꎬ对于该类流量为负载的异质网络ꎬ级联失效机制也会引发类似于只攻击关键节点而造成整个系统崩溃的现象ꎮ在基于节点相互依赖关系的级联失效模型中ꎬ节点与节点之间存在依赖关系ꎬ某个节点故障会引发依赖于该节点的相关节点发生故障ꎮ例如ꎬ互联网依赖于电力网络供电ꎬ电力网络依赖于互联网进行控制ꎬ电力网与互联网形成了相互耦合的网络ꎮ电力网络中的节点失效ꎬ将会导致依赖该节点的互联网中的节点失效ꎬ进而引发依赖于这些互联网节点的电力网络节点失效ꎬ故障不断传播导致系统崩溃ꎮ对该耦合网络模型[47]的研究发现ꎬ耦合关系较强时会产生不连续的渗流相变ꎬ即最大连通子团规模随着删去节点比例的增加而不连续地跳变为0ꎮ这对于系统风险的预测㊁管理是十分不利的ꎮParshani等[48]提出了一个分析框架ꎬ用于研究同时包括连接关系连边和依赖关系连边的网络的稳健性ꎮ研究表明连接关系连边的故障和依赖关系连边之间存在协同作用ꎬ并引发了级联故障的迭代过程ꎬ对网络稳健性产生破坏性影响ꎮLi等[49]建立了空间嵌入的相互依赖网络模型ꎬ并发现首次故障的范围超过阈值半径时就可能导致全局崩溃ꎮ上述负载重新分配的级联失效模型也可以建模为节点间相互依赖关系[50]ꎮ在基于邻居存活数量的级联失效模型中ꎬ当节点邻居存活数量小于给定阈值时节点故障ꎮ这一类模型包括阈值模型(thresholdmodel)[51]㊁k ̄core渗流[52]以及Bootstrap渗流[53]等模型ꎮ阈值模型中ꎬ每个节点故障当且仅当邻居故障的比例超过该节点的阈值ꎬ从而初始故障节点可能触发整个系统的崩溃ꎮk ̄core渗流过程中ꎬ度小于k的节点会被移除ꎬ移除节点可能带来其他节点的度也小于kꎬ从而引发级联失效的现象ꎮk ̄core渗流能够区分出核心节点与边缘节点ꎬ可用于分析网络结构㊁识别脆弱节点[54]ꎮBootstrap渗流模型中ꎬ初始激活f比例的节点ꎬ其他节点若有k个邻居激活则也会被激活ꎬ从而产生级联现象ꎮ此外ꎬ除了基于故障传播模型之外ꎬ随着人工智能的发展ꎬ神经网络㊁图学习等方法也逐渐用于研究故障传播[55]ꎮ1.3㊀基于故障传播模型的可靠性研究上述故障机理揭示了复杂系统故障的传播规律ꎬ为分析和降低系统脆弱性提供有力的理论支持ꎮ目前研究者们基于故障传播模型展开了对系统可靠性方法的研究ꎬ包括对复杂系统的可靠性设计㊁可靠性评估㊁关键节点识别等ꎮ在复杂系统可靠性设计方面ꎬAdilson等[56]提出了一种基于在初始攻击后选择性地进一步移除部分节点和连边的无成本防御策略ꎬ通过移除部分单元阻断了故障级联传播ꎬ提高系统的可靠性ꎮYingrui等[57]研究了相互依赖网络的负载重分配策略ꎮ相互依赖网络中ꎬ故障连边的一部分负载会通过耦合关系转移给相互依赖的另一个网络上ꎮ该研究提出了通过恰当选择网络耦合强度(一个网络中分配给其他网络的负载比例)可以增加两个网络生存的可能性ꎮChristian等[58]提出了通过正确选择一小部分节点进行自治(独立于网络其他部分)可以显著提高鲁棒性ꎮ研究发现介数和度是选择此类节点的关键参数ꎬ通过保护介数最高的少数节点可显著降低系统崩溃的可能性ꎮSchäfer等[59]提出了在故障发生时重新分配负载的策略ꎮ该策略中基于最短流路径的策略能够将之前的异构负载分布的网络节点和链路变为更加均匀的负载分布ꎮ这些流路径的使用能够增加网络的鲁棒性ꎬ同时减少网络容量布局的投入成本ꎮPastor ̄Satorras等[60]提出了依赖于网络特定无标度结构的最佳免疫策略ꎬ为避免故障传播并提高系统鲁棒性提供了理论分析ꎮ在复杂系统可靠性评估方面ꎬLi等[31]对交通流网络进行渗流分析ꎬ发现在渗流阈值附近交通系统的连通状态会从全局连通变为局部连通ꎬ为控制系统拥堵提供了有效帮助ꎮ此外ꎬLi等[50]发现因局部故障引发的故障呈现辐射状以近似常速进行传播ꎬ通过理论分析给出故障传播速度则随着单元对故障的容忍程度的升高而降低ꎬ并在大量网络中得到了验证ꎮZeng等[61]基于渗流理论对故障模式进行研究ꎬ提出了涵盖交通拥堵从出现㊁演化到消散整个生命周期的健康管理框架ꎬ为未来交通的智能管理提供了理论支撑ꎮ在识别关键节点方面ꎬYang等[62]提出了一个动态级联失效模型ꎬ模拟了电网系统中的级联故障ꎮ研究基于该模型识别出了电网的关键脆弱节点并发现给定电网中的相同扰动会在不同条件下导致不同的结果ꎬ即从没有损坏到大规模级联ꎮNesti等[63]构建了故障传播模型ꎬ对电网的故障模式进行识别ꎬ根据故障的可能性对线路故障模式进行排序ꎬ并确定了此类电网最可能的故障发生方式和故障传播方式ꎮLiu等[64]利用小世界网络理论分析了系统的拓扑结构统计特性ꎬ提出了基于小世界聚类的故障传播模型ꎬ并利用Dijkstra算法找到了具有高扩散能力的故障传播路径和相关关键节点ꎬ验证了该方法能够有效地发现系统的薄弱点ꎬ为设计改进和故障预防提供重要依据ꎮ2㊀考虑故障恢复的系统适应性研究适应性是指系统在不断变化的环境中仍然保持自身性能的能力ꎮ系统适应性使系统能从压力中恢复[65]ꎬ反映系统适应性的两个关键因素分别是系统降级程度和系统性能恢复时间[66]ꎮ图2展示了系统性能在扰动前后的变化[67]ꎮte时刻系统受到扰动ꎬtd时刻系统受扰结束ꎬ系统性能水平由F(t0)降至F(td)ꎮts时刻系统开始恢复性能ꎬtf时刻系统到达最终平衡状态ꎬ系统性能水平恢复至F(tf)ꎮ图2㊀系统性能指标特征在扰动不同阶段下的变化[67]Fig.2㊀Changesofsystemperformanceindicatorcharacteristicsunderdifferentdisturbancestages[67]2.1㊀复杂系统适应性的景观理论复杂系统对扰动的适应过程可用动力系统理论进行建模ꎮ动力系统理论中ꎬ系统由一组状态变量所刻画ꎬ系统状态变量的各个分量联合定义了系统是否健康可靠ꎮ一个处在健康状态的复杂系统ꎬ在扰动下可能会突然进入故障状态ꎬ例如生态系统的物种灭绝[65]㊁热带雨林的沙地化[68]㊁金融危机[69]等等ꎮ系统状态变量的演化规律由微分方程或随机微分方程所描述ꎬ系统的稳定状态就是微分方程的吸引子[70]ꎬ系统内可能存在多个吸引子ꎮ外界对一个复杂系统的状态变量x或者系统参数θ进行扰动ꎬ系统因适应性不会直接脱离现有吸引子状态ꎬ依旧维持稳定ꎮ但当扰动足够大ꎬ超过系统恢复能力的临界点ꎬ使系统无法适应该变化时ꎬ系统可能脱离原有的吸引子状态ꎬ被其他吸引子吸引ꎮ由于微分方程或随机微分方程常常可由能量景观所表示ꎬ复杂系统扰动前后的适应过程可以用景观进行直观描述[71](如图3所示)ꎮ系统可以看作景观曲面上运动的小球ꎬ景观高度表示系统的能量(Lyapunov函数值)ꎬ小球倾向于往系统能量低的状态运动ꎬ即小球会倾向于向谷底运动ꎮ如图3(a)所示该景观有两个 谷底 ꎬ每个 谷底 表示一个吸引子ꎮ对处于健康态的系统施加扰动ꎬ系统状态发生改变ꎬ对应于图中实心小球的移动ꎮ小扰动下系统状态不会脱离健康态吸引子ꎮ大扰动下系统则会脱离健康态吸引子ꎬ进入故障态ꎮ对系统参数θ的扰动ꎬ对应于图中三维景观形状的改变(如图3(b)所示)ꎮ当系统参数改变到临界点时ꎬ健康态失稳ꎬ系统发生故障ꎮ而当系统健康态对应的吸引域越大㊁越深时ꎬ系统越容易在扰动后保持在健康态ꎮ图3㊀系统的三维景观示意图Fig.3㊀Schematicdiagramofthesystemthree ̄dimensionallandscape在处理由少数变量描述的低维系统时ꎬ只需沿用经典的动力系统理论即可ꎮ但当处理由高维状态变量描述的系统时ꎬ例如大量基因组成的调控网络或由大量物种组成的生态系统ꎬ就会面临状态空间指数爆炸㊁系统参数多等困难ꎮ对于此类高维系统ꎬ可结合统计物理中的粗粒化㊁平均场近似等技术来克服局限性[72 ̄73]ꎮ近年来ꎬ自旋玻璃理论被引入用于分析生态系统的稳态性质[74]ꎮ例如Altieri等[75]使用自旋玻璃中的Replica方法对广义L ̄V方程进行求解ꎬ发现了低噪音下存在玻璃相ꎬ系统吸引子的个数正比于变量数的指数倍ꎮGao等[76]对包括基因㊁化学反应等多种类型网络动力学进行粗粒化得到了系统崩溃的临界点ꎮ2.2㊀基于景观理论的系统适应性分析景观理论能够衡量系统是否即将发生故障或者崩溃ꎬ并揭示复杂系统崩溃的根源ꎬ为分析系统适应性提供支持ꎬ被广泛应用于不同领域ꎮ例如在生物领域ꎬHuang等[77]发现了癌症等疾病可以理解为基因调控网络动力学中的吸引子ꎮ这种吸引子可能是正常细胞中本就具备的ꎬ也可能是基因突变后产生的ꎮ在生态领域ꎬHoegh ̄Guldberg等[78]分析了珊瑚礁的恢复能力ꎬ识别了珊瑚生长速率(系统参数)的临界点ꎮ当珊瑚生长速率下降到临界点ꎬ原本由珊瑚主导的生态环境将突变为水藻主导的生态环境ꎮ在社会科学领域ꎬ极端思想的传播在互联网属于一种故障态对应的吸引子ꎮJohnson等[79]建立了网络极端思想的模型ꎬ指出了由于极端思想网络的适应性ꎬ单个平台大幅度封杀并不足以使极端思想在互联网上灭绝ꎬ反而可能加剧极端思想的发展ꎮ将复杂系统的崩溃或者故障建模为健康状态吸引子的失稳ꎬ也可以指导不同领域复杂系统可靠性设计和诊断ꎮ在复杂系统可靠性设计方面ꎬ研究发现元素间存在强耦合的系统容易存在临界点ꎬ减少耦合可避免系统发生突变[40]ꎮ随着复杂系统单元之间的交互变强ꎬ系统单元的行为可能会严重改变或损害其他单元的功能或操作ꎮ因为强耦合系统的动态变化往往很快ꎬ可能超过人类反应的速度ꎮ金融危机就是强耦合导致系统崩溃的事例ꎮ因此为了使系统具有更高的可靠性ꎬ需要适当降低系统中的耦合强度ꎮ在可靠性诊断方面ꎬ有研究利用临界点附近存在临界慢化[80]以及闪烁(flickerling)[81]等现象实现对系统状态(是否达到临界点)的预测[82]ꎮ例如ꎬVeraart等[83]构建了蓝藻微观世界来测试临界慢化现象ꎬ蓝藻微观世界受到扰动的实验表明ꎬ临界慢化确实发生ꎬ恢复速度可用于衡量复杂系统的恢复能力ꎬ预测系统到临界状态的距离ꎬ从而判断系统是否即将崩溃ꎮ3㊀讨论与结论可靠性学科是一门与故障做斗争的学科ꎬ复杂系统可靠性的研究主要围绕故障展开ꎮ故障有两种演化方向:故障扩散与故障恢复ꎮ研究从这两个角度出发ꎬ一是考虑故障传播的系统脆弱性研究ꎻ二是考虑故障恢复的系统适应性研究ꎮ系统脆弱性研究的重点在于挖掘系统崩溃的内在机理ꎬ即故障的传播机理ꎮ系统适应性研究的重点在于基于动力系统与景观理论挖掘系统故障恢复机理ꎬ包括分析系统故障恢复的临界点ꎮ基于故障传播[31ꎬ50]和故障恢复机理[84 ̄86]ꎬ提出了一系列复杂系统可靠性技术ꎬ从而实现对复杂系统的评估㊁诊断㊁调控[87 ̄89]ꎮ伴随着全球化以及信息技术的发展ꎬ交通系统㊁电力系统㊁金融系统等系统必将越发复杂ꎬ系统内单元数量以及关联程度都将大大增加ꎮ单元间的相互依赖可能使少数单元的故障引发整个系统的级联失效ꎬ单元间的复杂相互作用也可能产生未知的故障态吸引子ꎬ产生负向涌现ꎮ因此ꎬ构建㊁维护复杂系统必将面临可靠性的挑战ꎮ在过度耦合带来风险的同时ꎬ也可以利用系统的复杂性来增强系统的可靠性ꎮ如何通过在系统内恰当地引入复杂性(单元之间恰当的组织形式)以赋予系统自我恢复能力ꎬ将是未来构建高可靠复杂系统的关键[90]ꎮ参考文献:[1]于景元.钱学森系统科学思想和系统科学体系[J].科学决策ꎬ2014(12):1 ̄22.DOI:10.3773/j.issn.1006 ̄4885.2014.12.002. [2]GALLAGHERRꎬAPPENZELLERT.Beyondreductionism[J].Scienceꎬ1999ꎬ284(5411):79.DOI:10.1126/science.284.5411.79.[3]钱学森ꎬ于景元ꎬ戴汝为.一个科学新领域:开放的复杂巨系统及其方法论[J].自然杂志ꎬ1990ꎬ12(1):3 ̄10. [4]钱学森.创建系统学[M].太原:山西科学技术出版社ꎬ2001:11.[5]郭雷.系统科学进展[M].北京:科学出版社ꎬ2017.[6]方福康.神经系统中的复杂性研究[J].上海理工大学学报ꎬ2011ꎬ33(2):103 ̄110.DOI:10.13255/j.cnki.jusst.2011.02.006.[7]方福康ꎬ袁强.经济增长的复杂性与 J 结构[J].系统工程理论与实践ꎬ2002ꎬ22(10):12 ̄20.DOI:10.3321/j.issn:1000 ̄6788.2002.10.003.[8]王众托.知识系统工程与现代科学技术体系[J].上海理工大学学报ꎬ2011ꎬ33(6):613 ̄630.DOI:10.13255/j.cnki.jusst.2011.06.007.[9]彭张林ꎬ张强ꎬ杨善林.综合评价理论与方法研究综述[J].中国管理科学ꎬ2015ꎬ23(S1):245 ̄256.[10]陈光亚.向量优化问题某些基础理论及其发展[J].重庆师范大学学报(自然科学版)ꎬ2005ꎬ22(3):6 ̄9.DOI:10.3969/j.issn.1672 ̄6693.2005.03.002.[11]狄增如.探索复杂性是发展系统学的重要途径[J].系统工程理论与实践ꎬ2011ꎬ31(S1):37 ̄42.[12]吴俊ꎬ邓宏钟ꎬ谭跃进.基于自然连通度的随机网络抗毁性研究[C]//第五届全国复杂网络学术会议论文(摘要)汇集.青岛:中国工业与应用数学学会ꎬ2009:100.。
复杂系统中的动力学行为研究
复杂系统中的动力学行为研究在我们生活的世界中,存在着各种各样的复杂系统,从生态系统、经济系统到社交网络和大脑神经网络,它们的运行和变化都遵循着一定的规律。
而对这些复杂系统中动力学行为的研究,正逐渐成为现代科学的一个重要领域。
复杂系统的一个显著特点就是其组成部分之间存在着大量的相互作用和反馈机制。
这些相互作用使得系统的整体行为往往难以通过简单地分析其单个组成部分来理解。
例如,在生态系统中,不同物种之间存在着捕食、竞争、共生等关系,这些关系相互交织,共同决定了整个生态系统的稳定性和演化方向。
动力学行为,简单来说,就是研究系统如何随时间变化。
对于复杂系统而言,这种变化往往是非线性的,并且可能表现出多种不同的模式和特征。
其中,混沌现象就是一种常见且令人着迷的动力学行为。
混沌现象意味着系统的未来状态对初始条件具有极度的敏感性,即初始条件的微小差异可能会导致未来状态的巨大不同。
这就如同我们常说的“蝴蝶效应”,一只蝴蝶在巴西轻拍翅膀,可以导致一个月后德克萨斯州的一场龙卷风。
这种敏感性使得对复杂系统的长期预测变得极其困难。
另一个重要的动力学行为是自组织。
在没有外部指令的情况下,复杂系统中的元素能够通过相互作用自发地形成有序的结构或模式。
例如,在鸟群中,每只鸟仅仅根据其相邻鸟的行为来调整自己的飞行方向和速度,但整个鸟群却能够呈现出优美而协调的飞行队列。
复杂系统中的动力学行为还常常表现出临界现象。
当系统接近某个临界点时,微小的变化可能会引发系统的急剧转变。
比如,在沙堆模型中,不断地向沙堆添加沙子,当沙堆达到一定的倾斜程度时,哪怕再添加一粒沙子,都可能导致大规模的崩塌。
为了研究复杂系统中的动力学行为,科学家们采用了多种方法和技术。
数学模型是其中的重要工具之一。
通过建立数学方程来描述系统中元素之间的相互作用,可以对系统的行为进行理论分析和预测。
然而,由于复杂系统的复杂性,这些数学模型往往非常复杂,求解也具有很大的挑战性。
利用网络动力学评估复杂社会网络知识传播性能
估模 型 , 该模型综合 考虑了网络的拓扑特性 、 个人 的知识普 及能力和对知识 的感 兴趣程度 , 通过 网络知识传播 指数 阈值 的大小来衡量 网络的知识传播性能 。 通过仿真发现 , 知识在社会 网络 中的传播对均匀网络平均度 值和无标度网 络初始传播 节点度值的依赖性小 , 对知识传播指数 的依赖性 大 ; 在相 同条件 限制 下 , 无标度社会 网络 的知识传播性 能要高于平均度值相等的均匀社会网络。 关键词 : 复杂社 会网络 , 知识传播 , 网络 动力学 , 知识 传播 指数 , 评估
k n o wl e d g e i n t e r e s t d e g r e e , a n d u s e d t h e v a l u e o f k n o wl e d g e s p r e a d i n g e x p o n e n t t h r e s h o l d t o e v a l u a t e n e t wo r k’ s k n o w l e d g e s p r e a d i n g p e f r o m a r n c e . S i mu l a t i o n r e s u l t i n d i c a t e s t h a t t h e a v e r a g e d e g r e e v a l u e o f
p r o p o s e d , wh i c h c o n s i d e r e d n e t wo r k s ’t o p o l o g y , i n d i v i d u a l ’ s k n o w l e d g e p o p u l a r i z a t i o n a b i l i t y a n d
复杂系统的动力学行为与模型
复杂系统的动力学行为与模型在我们生活的世界中,存在着各种各样的复杂系统,从生态系统到经济系统,从气候系统到社会系统。
这些系统的行为和变化常常让人感到难以捉摸,但通过对复杂系统的动力学行为和模型的研究,我们能够逐渐揭开它们神秘的面纱,更好地理解和预测其发展。
复杂系统通常由大量相互作用的个体或元素组成,这些个体或元素之间的相互作用是非线性的,并且会随着时间和空间的变化而不断演变。
正是这种非线性和动态性使得复杂系统展现出丰富多样的行为特征。
例如,生态系统中的物种之间存在着复杂的捕食、竞争和共生关系。
当一个物种的数量发生变化时,它会通过食物链和生态网络影响到其他物种的生存和繁衍,从而引发整个生态系统的动态变化。
这种变化可能是缓慢而渐进的,也可能是突然而剧烈的,比如物种灭绝或生态平衡的崩溃。
经济系统也是一个典型的复杂系统。
消费者的需求、企业的生产决策、市场的供求关系以及政府的政策等因素相互交织,共同决定了经济的运行态势。
经济的繁荣与衰退、通货膨胀与通货紧缩等现象,都是经济系统动力学行为的表现。
复杂系统的动力学行为具有一些显著的特点。
其中之一是敏感性,即系统对初始条件的微小变化可能会产生巨大的、难以预测的后果。
这就是所谓的“蝴蝶效应”,一只蝴蝶在巴西轻拍翅膀,可能会在美国得克萨斯州引起一场龙卷风。
另一个特点是自组织性。
在没有外部指令的情况下,复杂系统中的个体通过相互作用能够自发地形成有序的结构和模式。
比如,蚁群能够建造出复杂的巢穴,鸟群能够在空中形成整齐的队列,这些都是自组织现象的体现。
为了研究复杂系统的动力学行为,科学家们建立了各种各样的模型。
常见的模型包括基于微分方程的模型、基于网络的模型和基于 agent 的模型等。
基于微分方程的模型是最早被用于描述复杂系统动力学行为的工具之一。
通过建立一组描述系统中各个变量随时间变化的微分方程,我们可以预测系统的未来状态。
例如,在研究人口增长问题时,可以使用逻辑斯蒂方程来描述人口数量的变化。
复杂网络中的信息传播与动力学模型研究
复杂网络中的信息传播与动力学模型研究在当今数字时代,信息传播已经成为了社会生活的一部分。
除了传统的媒体渠道外,人们可以通过互联网快速传播和获取信息。
这种信息传播模式不仅改变了社交交流方式,还对社会、经济、政治等方面产生了深远的影响。
因此,研究复杂网络中的信息传播方式和动力学模型成为了一项重要的研究领域。
复杂网络是由大量节点和连接它们的边组成的网络结构。
节点可以是个体、组织、机构等,边代表它们之间存在的相互作用关系。
通过研究复杂网络,我们可以深入了解信息在网络中的传播方式,并探索影响信息传播的因素。
在研究复杂网络中的信息传播时,一个重要的问题是如何建立动力学模型来描述和预测信息传播过程。
动力学模型可以帮助我们理解信息在网络中的传播路径、速度和影响力等方面的特征。
一个经典的动力学模型是传染病模型。
传染病模型基于人们之间的传染关系来研究疾病的传播方式。
同样地,我们可以将信息传播类比为一种“传染病”,其中信息的“传染者”是初始发布者,而信息的“受感染者”是其他节点在收到信息后进一步传播的节点。
通过建立合适的动力学模型,我们可以模拟信息传播的传染过程,并利用数学和计算方法分析传播的速度、范围和影响。
除了传染病模型外,还有其他类型的动力学模型可以用于研究复杂网络中的信息传播。
例如,扩散模型可以描述在网络中信息的扩散过程,但它不涉及节点之间的相互作用关系。
反馈模型则更加关注节点之间的相互作用,并研究节点之间的反馈机制对信息传播的影响。
通过研究复杂网络中的信息传播和动力学模型,我们可以获得很多有用的信息。
首先,我们可以深入了解信息传播的特征和行为,从而为我们设计更有效的信息传播策略提供指导。
其次,我们可以预测信息传播的速度和范围,并提前采取措施来控制和调控信息的传播。
此外,我们还可以发现网络结构对信息传播的重要性,并根据这些发现来优化网络拓扑结构。
尽管复杂网络中的信息传播和动力学模型研究具有很多潜在的应用价值,但是在实际领域中的应用还存在一些挑战。
装备研制技术风险流传导与耦合过程的CFD模拟
装备研制技术风险流传导与耦合过程的CFD模拟
汪送;战仁军;袁博
【期刊名称】《火力与指挥控制》
【年(卷),期】2017(042)006
【摘要】装备研制中风险间的相关性导致风险传导与耦合的产生,为深化对技术风险动态传导效应和非线性耦合机理的认识,探索研制技术风险管理与控制的有效思路或工具,在对风险传导与耦合进行定义的基础上,给出了装备研制中的风险传导模式,基于CFD技术对两种不同的耦合模式进行了数值模拟,结合仿真结果分析了风险的耦合机理,所提方法对于揭示装备研制技术风险传导与耦合规律有一定的促进作用,为下阶段求解关键风险因子间的关联关系奠定了良好基础.
【总页数】4页(P10-12,16)
【作者】汪送;战仁军;袁博
【作者单位】武警工程大学装备工程学院,西安 710086;武警工程大学装备工程学院,西安 710086;空军装备研究院总体所,北京 100076
【正文语种】中文
【中图分类】F204
【相关文献】
1.应用CFD-DEM耦合模拟计算排泥管及法兰连接处固液两相流 [J], 黄思;舒亚篮;周锦驹;何东萍;彭天阳
2.基于CFD-DEM耦合的迷宫流道水沙运动数值模拟 [J], 喻黎明;谭弘;邹小艳;常
留红;陈立志;范文波
3.综掘工作面气固两相流耦合的CFD模拟 [J], 张迎新;柏宗君;陶金
4.综掘工作面气固两相流耦合的CFD模拟 [J], 张迎新;柏宗君;陶金;
5.加温加压下CFD-PBM耦合模型空气-水两相流数值模拟研究 [J], 张文龙;侯燕;靳海波;马磊;何广湘;杨索和;郭晓燕;张荣月
因版权原因,仅展示原文概要,查看原文内容请购买。
节点免疫力对事故网络风险传递行为的影响分析
节点免疫力对事故网络风险传递行为的影响分析汪送;战仁军【摘要】为摆脱物理模型的局限,从事故系统动态演化角度来揭示复杂系统一般性事故规律,构建了事故网络风险传递动力学模型,重点考虑节点免疫力、蔓延机制及内部随机噪声对传递过程的影响,并基于重构的事故网络,采用Arena软件对节点风险免疫力的影响特性进行了动态模拟,分析了本质致因层、过渡致因层和近邻致因层不同节点免疫力对事故网络风险传递行为的影响.结果表明:本质致因层和近邻致因层的节点免疫力是影响事故网络风险传递行为的敏感参数,在进行复杂系统事故预防时,应给予上述致因层较高的免疫力等级.【期刊名称】《安全与环境工程》【年(卷),期】2015(022)001【总页数】5页(P126-130)【关键词】复杂系统;事故网络;风险传递;节点免疫力;Arena;仿真分析【作者】汪送;战仁军【作者单位】武警工程大学装备工程学院,陕西西安710086;武警工程大学装备工程学院,陕西西安710086【正文语种】中文【中图分类】X928.03随着系统复杂性和耦合性的日益增长,其事故本质发生根本转变[1],各种“小概率、大影响”事故持续发生[2],如美国哥伦比亚号航天飞机事故(2003年)、我国南方冰雪灾害事故(2008年)、日本福岛核电站泄漏事故(2011年)、马来西亚飞北京航班失联事故(2014年)等。
由于复杂系统组元众多、关联复杂,并且不同的复杂系统具有截然不同的系统结构,因此从复杂系统物理结构本身去研究结构与功能之间的关联关系显得极为困难,而且所研究的特殊复杂系统的结构功能逻辑关系缺乏普适性,对于其余的复杂系统并非适用,此时应跳出物理结构的局限,从事故系统动态演化角度来揭示复杂系统的一般性事故规律。
事故节点发生风险涌现,对应着新的风险状态的生成,节点间因关联关系所导致的风险状态的转移,称为风险传递,其中涉及的研究内容有传递机制、传递路径、传递载体等。
与风险传递类似的风险传导的概念最早出现在金融领域,如Kindleberger等在论著——《狂热、恐慌、崩溃—金融危机的历史回顾》[3]中首次提出了风险传导的概念;Undetwood[4]通过构建多市场价格波动相关模型来研究欧美国家股票、债券间价格与波动的交叉动态传染;王永巧等[5]基于时变Copula函数研究了金融风险传染问题;李存斌等[6]通过构建马尔科夫-傅里叶级数修正灰色预测模型(MFGM)来预测项目链式结构的风险元传递,为链式结构的风险元传递提供高精度预测模型和方法。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
状态,一旦系统风险 状 态 超 过 临 界 阈 值 则 可 能 会 导
致系统崩溃,即触 发 安 全 事 故。 假 定 5 个 一 级 致 因
所处的状态用s1、s2、s3、s4、s5 来描述,则系统的 风 险
状态可描述为
fR = (s1,s2,s3,s4,s5)
(1)
式中:fR 为系统的风 险 状 态,它 是 关 于s1、s2、s3、s4、
遗 漏 控 制 、部 件 协 同 性 差 等 ;环 境 扰 动 主 要 指 环 境 冲 击造成的信 息、物 质、能 量 交 互 过 程 的 紊 乱 或 者 中 止;适应性衰退包 括 行 为 失 控、系 统 结 构 脆 性 等;信 息缺乏包括因信息缺乏所导致的认知缺陷和应变能 力差等。这五类因素近乎涵盖了复杂系统安全事故 的 所 有 致 因 ,并 共 同 决 定 着 复 杂 系 统 的 结 构 状 态 。
Emergence and Dynamic Transmission of Risk Entropy in Complex System
WANG Song1,2,WANG Ying2,DU Chun2,GUAN Ming-lu2,LI Chun-hong1 (1.Equipment Engineering Institute,Engineering University of Armed Police Force of China,
收 稿 日 期 :2012-06-20 修 回 日 期 :2012-12-03 基 金 项 目 :国 家 自 然 科 学 基 金 项 目 (71171199) 作 者 简 介 :汪 送 (1984— ),男 ,博 士 研 究 生 ,主 要 研 究 方 向 为 复 杂 系 统 与 复 杂 网 络 研 究 。E-mail:onesoon@163.com
图 1 复 杂 系 统 安 全 事 故 的 一 级 致 因 Fig.1 First level causation factors of safety accidents
in complex system
如果将与复杂系统安全性相关的系统结构状态
定义为系统风险状 态,则 必 定 存 在 一 个 临 界 的 风 险
s5 的函数。
5个一级致因 因 素 相 互 作 用,则 造 成 系 统 风 险
状态的演变,当风险 状 态 出 现 阶 跃 式 突 变 而 超 过 临
界 阈 值 时 ,安杂系统风险熵及其涌现
2.1 风险熵的界定 设i(i= 1,2,… ,m)为 复 杂 系 统 安 全 事 故 致 因
Xi’an710086,China;2.Equipment Management and Safety Engineering Institute, Air Force Engineering University,Xi’an710051,China)
Abstract:With the increase of the complexity and coupling degree in system,the failure law of causality based on reductionist ideology is insufficient to explain the causation of complex system safety accidents, and therefore accident analysis method based on complexity science and system science should be con- ceived.This paper reviews the existing theories and models of accident causation,provides five sorts of cau- sation factors of safety accidents and the relationship between the factors based on complex system,con- structs the risk entropy function based on the risk state of causation factors,and analyzes the emergence process of risk entropy.At the end,the paper establishes the accident causation network of complex sys- tem,and formally describes the dynamic transmission process of risk entropy in this network.The result provides a new idea for the analysis and prevention of safety accidents in complex system. Key words:complex system;risk entropy;emergence;dynamic transmission;accident causation network
由上 述 分 析 可 知,适 应 性 的 衰 退 也 是 造 成 安 全 事故的重要致因,此 外 信 息 缺 乏 在 事 故 致 因 中 也 占 据重要地位 。 [5] 因 此,部 件 失 效、交 互 紊 乱、环 境 扰 动、适应性衰退和信 息 缺 乏 是 造 成 复 杂 系 统 安 全 事 故的 5 个 一 级 致 因 (见 图 1)。 其 中,部 件 失 效 包 括 物理部件故障、人 为 失 误、安 全 文 化 薄 弱、组 织 失 效 等;交互紊乱包括 约 束 失 效、非 功 能 性 交 互、重 复 或
第 20 卷 2 0 1 3年
第2期 3 月
安全与环境工程
Safety and Environmental Engineering
VMoalr..20 2N0o1.23
复杂系统风险熵的涌现与动力学传播分析
汪 送1,2,王 瑛2,杜 纯2,管明露2,李春红1
(1.武警工程大学装备工程学院,西安 710086;2.空军工程大学装备管理与安全工程学院,西安 710051)
0 引 言
在复杂系统的事故分析中,一因多果和一果多因 的情形十分普遍,事故的发生不再遵循线性的链式模 式 ,而是多种因 素 复 杂 交 互 的 结 果 ,每 起 安 全 事 故 背 后都隐藏着一张复杂而巨大的致因网络。因此对复 杂 系 统 进 行 事 故 分 析 ,不 能 仅 仅 依 靠 基 于 事 故 链[1]或 者 病 理 学[2]模 型 的 分 析 方 法 ,因 为 这 些 分 析 方 法 只 能 获得一些显在的事故近临致因,难以挖掘出事故背后
第2期
汪 送 等 :复 杂 系 统 风 险 熵 的 涌 现 与 动 力 学 传 播 分 析
11 9
CREAM (Cognitive Reliability and Error Analysis Method),指出随着系统复杂性的增加,人类的手工作 业 逐 渐 被 认 知 活 动 所 取 代 ,认 知 负 担 增 加 了 人 为 失 误 的可能性;J.Rasmussen[6]提 出 了 针 对 风 险 管 理 的 社 会技术框架(Socio-technical Framework for Risk Man- agement),建 议 通 过 对 组 织 、管 理 、操 作 结 构 进 行 建 模 来重现事故发生的前提。笔者曾提出了一种基于系 统 理 论 的 复 杂 系 统 事 故 分 析 的 认 知 -约 束 模 型 (STC- CM,System-theoretic Cognitive-constraint Model),并 指出事故的发生是由于人类认知水平有限,导致不能 对复杂的事故致因行为进行及时有效的约束,进而酿 成安全事故[7]。
的系统致因,而对系统致因进行深入分析才是预防未 来类似事故发生的有效手段,对此有必要发展基于复 杂性科学和系统科学的事故致因理论。国外学者 N. G.Leveson[3,4]发 展 了 基 于 系 统 理 论 的 事 故 模 型 STAMP (Systems-Theoretic Accident Model and Processes),而 且 从 复 杂 性 科 学 的 角 度 出 发 ,将 安 全 视 为复杂系统的一种整体涌现,认为事故发生源于在设 计、制造、使用和维护过程中安全约束未被有效执行; E.Hollnagel[5]提 出 了 认 知 可 靠 性 和 失 误 分 析 方 法
虽然上述事故分析方法对于认知复杂系统的安 全事故致因机理有 一 定 的 促 进 作 用,但 大 多 属 于 事 后 的 分 析 方 法 ,对 于 事 故 的 前 期 预 防 作 用 并 不 明 显 。 鉴于此,本文拟从系 统 风 险 状 态 跃 迁 的 角 度 来 分 析 事故的成因过程,并 采 用 风 险 熵 来 度 量 系 统 的 危 险 状 态 ,以 期 为 复 杂 系 统 安 全 事 故 预 防 研 究 奠 定 基 础 。