一种复杂系统仿真研究的新模式SIGD

一种复杂系统仿真研究的新模式SIGD

随着人工智能技术的快速发展，复杂系统仿真研究迎来了新的发展机遇。本文提出了一种以决策为愿景的仿真智能新模式SIGD（Simulation Intelligence Based Generating Decisions），通过融合相似性原理、建模方式和决策引导模式，为复杂系统仿真研究提供了新的思路和方法。

摘要

系统复杂性主要体现在种类和数量众多的组分和极其复杂的相互作用关系。结合目前人工智能的发展趋势，分析思考了对于仿真学科研究带来的思维方式变化，形成了对于仿真智能内涵和研究范畴的理解。提出一种复杂系统仿真研究的新模式：“以决策为愿景的仿真智能(simulation intelligence based generating decisions，SIGD)”。在SIGD研究模式中，仿真学科中的相似性原理、建模方式以及决策引导模式都与传统仿真中的定位有一定的区别。在这种理念指导下，面向连接的仿真世界观成为一种刻画复杂系统的底层逻辑。以主体、连接和结构为基本元素，采用先自顶向下和自底向上相融合的方式编织以神经网络模型为计算单元的“网真”系统。在该系统中，采用代理建模的方式实现从机理模型到神经网络模型的模型变换，并且基于物理信息神经网络(PINN)和图信息神经网络(GINN)表达整个系统。给出了SIGD的技术实现框架：网真神CE平台作为复杂系统仿真新模式的解决方案，以人流仿真为例，探索了“网真”系统的构建过程。

图/表

图1
万物互联是真实世界复杂性的重要成因

图2
集成电路的正向设计与人工神经网络的逆向学习

图3
生成对抗、人类思考、仿真的关系

图4
SIGD原理

图5
SIGD研究模式下复杂系统的研究架构

图6
SIGD中的相似原理

图7
机理信息注入的神经网络模型

图8
大模型智能体驱动的会话式决策引导方法

图9
面向连接的仿真世界观中的基本元素

图10
自顶向下与自底向上相融合的“网真”系统编织流程

图11
代理建模：从机理模型到数据模型的模型变换

图12
代理模型的嵌入训练机制

图13
物理信息注入的神经网络模型

图14
SIGD的技术框架：网真神CE平台

图15
微观人群流动系统模型簇

图16
基于导航场的行人移动

图17
时空图神经网络

图18
基于GINN和PINN的行人移动时空神经网络框架

表1
行人位移预测数据集测试结果
数据集 ST-GCNN ST-PINN-GCN 准确率提升/%
ETH 1.23 1.01 17.89
HOTEL 1.16 1.11 4.31
UNIV 0.55 0.52 5.45
ZARA1 0.63 0.52 17.46
ZARA2 0.60 0.55 8.33
AVG 0.83 0.74 10.84

表2
行人速度预测数据集测试结果
数据集 ST-GCNN ST-PINN-GCN 准确率提升/%
ETH 2.71 1.24 54.24
HOTEL 4.32 0.48 88.89
UNIV 1.46 0.55 62.33
ZARA1 2.15 0.92 57.21
ZARA2 1.53 0.84 45.10
AVG 2.43 0.81 66.67

图19
基于“网真”系统与强化学习的人群管控决策框架

参考文献

1. 王飞跃. 平行系统方法与复杂系统的管理和控制[J].控制与决策,2004,19(5): 485-489, 514.
2. Tuegel E J, Ingraffea A R, Eason T G, et al. Reengineering Aircraft Structural Life Prediction Using a Digital Twin[J].International Journal of Aerospace Engineering,2011,2011(1): 154798.
3. Lavin Alexander, Krakauer David, Zenil Hector, et al. Simulation Intelligence: Towards a New Generation of Scientific Methods [EB/OL]. (2022-11-27) [2024-04-28].
4. 戴汝为. 系统科学及系统复杂性研究[J].系统仿真学报,2002,14(11): 1411-1416.
5. Lu Xiaoming, Wang Xiaoguang. Incorporating Heisenberg's Uncertainty Principle into Quantum Multiparameter Estimation[J].Physical Review Letters,2021,126(12): 120503.
6. 李劲, 肖人彬. 涌现计算综述[J].复杂系统与复杂性科学,2015,12(4): 1-13.
7. 纳西姆·尼古拉斯·塔勒布.反脆弱: 从不确定性中获益[M]. 雨珂, 译. 北京: 中信出版社,2020.
8. 王红卫, 李珏, 刘建国, 等. 人机融合复杂社会系统研究[J].中国管理科学,2023,31(7): 1-21.
9. Feynman Richard P, Lebowitz Joel L. Statistical Mechanics: A Set of Lectures[J].Physics Today,1973,26(10): 51-53.
10. Felix J W. The Theory of Symmetry Breaking in Continuous Structural Phase Transitions Hide affiliations[D]. The City of Provo: Brigham Young University,1984.
11. 康旭, 张晓峰. 基于生成对抗神经网络的雷达遥感数据增广方法[J].系统仿真学报,2022,34(4): 920-927.
12. 安小米, 马广惠, 宋刚. 综合集成方法研究的起源及其演进发展[J].系统工程,2018,36(10): 1-13.
13. 费敏锐, 狄轶娟. 仿真是第三种认识世界的基本活动[J].系统仿真学报,2010,22(2): 546-548.
14. Cybenko G. Approximation by Superpositions of a Sigmoidal Function[J].Mathematics of Control Signals and Systems,1989,2(4): 303-314.
15. Penwarden M, Shandian Zhe, Narayan A, et al. Multifidelity Modeling for Physics-informed Neural Networks (PINNs)[J].Journal of Computational Physics,2022,451: 110844.
16. Hall E J, Taverniers Søren, Katsoulakis M A, et al. GINNs: Graph-informed Neural Networks for Multiscale Physics[J].Journal of Computational Physics,2021,433: 110192.
17. Pang Guofei, Lu Lo, Karniadakis G E. fPINNs: Fractional Physics-informed Neural Networks[J].SIAM Journal on Scientific Computing,2019,41(4): A2603-A2626.
18. Cuomo Salvatore, Vincenzo Schiano Di Cola, Giampaolo Fabio, et al. Scientific Machine Learning Through Physics-informed Neural Networks: Where We are and What's Next[J].Journal of Scientific Computing,2022,92(3): 88.
19. Aliakbari M, Mahmoudi M, Vadasz P, et al. Predicting High-fidelity Multiphysics Data from Low-fidelity Fluid Flow and Transport Solvers Using Physics-informed Neural Networks[J].International Journal of Heat and Fluid Flow,2022,96: 109002.
20. 刘霞, 冯文晖, 连峰, 等. 基于物理信息神经网络的气动数据融合方法[J].空气动力学学报,2023,41(8): 87-96.
21. 孙昌璞. 量子力学诠释与波普尔哲学的"三个世界"[J].中国科学院院刊,2021,36(3): 296-307.
22. Bruel J M, Combemale B, Guerra E, et al. Comparing and Classifying Model Transformation Reuse Approaches Across Metamodels[J].Software and Systems Modeling,2020,19(2): 441-465.
23. 陈彬. 面向DEVS的多范式建模与仿真关键技术研究与实现[D]. 长沙: 国防科学技术大学,2010.
24. Vangheluwe H L M. DEVS as a Common Denominator for Multi-formalism Hybrid Systems Modelling[C]//CACSD. Conference Proceedings. IEEE International Symposium on Computer-Aided Control System Design. Piscataway: IEEE,2000: 129-134.
25. Chen Bin, Zhong Ronghua, Vangheluwe Hans. Integrating Base Object Model Components into DEVS-based Simulation[J].The Journal of Defense Modeling and Simulation Applications Methodology Technology,2010,7(4): 241-256.
26. Schulz S, Ewing T C, Rozenblit J W. Discrete Event System Specification (DEVS) and StateMate StateCharts Equivalence for Embedded Systems Modeling[C]//Proceedings Seventh IEEE International Conference and Workshop on the Engineering of Computer-Based Systems (ECBS 2000). Piscataway: IEEE,2000: 308-316.
27. Carl Edward Rasmussen, K I Williams Christopher.Gaussian Processes for Machine Learning[M]. Cambridge: The MIT Press,2005.
28. Yang Ling, Zhang Zhilong, Song Yang, et al. Diffusion Models: A Comprehensive Survey of Methods and Applications[J].ACM Computing Surveys,2023,56(4): 105.
29. Jiang Yanqun, Chen Bokui, Li Xi, et al. Dynamic Navigation Field in the Social Force Model for Pedestrian Evacuation[J].Applied Mathematical Modelling,2020,80: 815-826.
30. Helbing Dirk, Molnár Péter. Social Force Model for Pedestrian Dynamics[J].Physical Review E,1995,51(5): 4282-4286.
31. Mohamed A, Qian Kun, Elhoseiny M, et al. Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE,2020: 14412-14420.

本文原文来自《系统仿真学报》，2024年，第36卷，第12期，2993-3012页。