复杂自适应系统的一种算法语言定义
内容提要
本文介绍了复杂自适应系统（CAS）的定义和特征，包括多个相互连接和相互依赖的交互代理，并具有非线性行为。CAS算法性框架可以作为一个系统是否为CAS的审核工具，并应用于不同领域的案例研究。CAS的例子包括人类系统、生态系统、股票市场等。CAS与一般复杂系统CS的区别在于预期性。CAS的定义难以达成共识的原因是属性之间的重叠和模糊界限。CAS的代理需要具有自主性、主动性、反应性和社交能力等属性。CAS的稳健算法定义可以作为审计工具的基础。CAS的核心是记忆、学习、适应、聚合行为、演化过程、自组织和涌现。文章提出了CAS的新定义框架，并通过案例研究展示了其应用。
延伸解读
两阶段定义框架的实用价值
文章提出的两阶段定义框架将CAS的判定分为两步：先检查系统是否具备复杂系统的基本特征，如多个相互连接、相互依赖且具有非线性行为的代理；再评估其是否满足自适应属性，包括记忆、学习、适应、聚合行为、自组织和涌现。这种分层方法降低了直接判断CAS的难度，使定义更具可操作性，并可作为审核工具应用于不同领域的案例研究。
CAS与一般复杂系统的关键区别
文章强调，CAS与一般复杂系统（CS）的核心区别在于“预期性”。CS由多个动态交互的非线性元素组成，且不具备平衡条件，但CAS的代理具有自主性、主动性、反应性和社交能力，能够基于目标采取行动。这种预期性使得CAS的出现更加复杂且难以消化，也解释了为何CAS的定义更难达成共识。
记忆与学习在自组织中的基础作用
文章指出，记忆是自适应系统的关键部分，没有记忆就无法实现自组织。代理需要能够以分布式方式存储行为模式，并根据发生频率保留或丢弃模式。在此基础上，代理通过自身行为、其他代理行为、反馈以及环境变化进行学习和适应。这些个体层面的过程是聚合行为和进化过程的驱动力，最终在系统层面导致自组织和涌现。
定义框架的局限与未来方向
文章承认，CAS定义难以达成共识的原因包括属性之间的重叠和模糊界限，以及相关文献的多元化。尽管提出的算法定义框架通过两阶段方法明确了CS和CAS的划分，并提供了代理的最低属性集，但作者也讨论了该框架的局限性，并指出未来需要进一步研究。读者应注意，该框架仍是一个审核工具的基础，而非绝对标准。
Q&A
复杂自适应系统（CAS）的定义是什么？
CAS包括多个相互连接和相互依赖的交互代理，并具有非线性行为。其定义基于两个阶段的算法方法：第一阶段关注复杂性相关属性，要求系统包括多个相互连接和相互依赖的交互作用的元素，并且这些元素表现出非线性行为；第二阶段涉及自组织和涌现的自适应特性，要求系统满足一系列属性，包括代理的自主性、学习和适应、聚合行为、演化过程，以及自组织和出现的特性。
CAS与一般复杂系统（CS）有什么区别？
CAS与一般复杂系统（CS）的区别在于预期性。预期性是区分CAS和CS的唯一潘顿标准：由于预期，CAS的出现变得复杂且难以消化。CS由多个动态交互的互连元素组成，这些相互作用是非线性的，表现出丰富的行为模式和竞争；由于CS不断变化和演化，这些系统不具备平衡条件；CS中的各个元素不了解整个系统的行为。
CAS中的代理需要具备哪些属性？
代理至少需要具有以下属性：自主性（在没有任何内部或外部干预的情况下执行操作，完全独立，没有中央权威）、反应性（感知自身所处的环境并及时响应变化）、主动性（打算采取行动并有要实现的目标，表现出以目标为导向的行为）、社交能力（拥有沟通手段来采取行动、做出反应，并对自己的行为负责，从而做出决策并实现目标）。
记忆在CAS中起什么作用？
记忆是自适应系统的关键部分，没有记忆，就无法实现自组织。记忆指的是存储行为模式的能力，存储在存储器中的信息以分布式方式组织。衡量存储模式重要性的过程涉及信息的集成而不是堆叠信息。如果代理能够以动态方式存储行为模式，并根据其发生频率保留或丢弃模式，则该代理具有记忆。记忆是自组织系统的核心，没有记忆就无法实现聚合行为。
CAS中自组织和涌现是如何实现的？
自组织和涌现是个体代理行为的集体结果，依赖于记忆、学习和适应。自组织遵循自下而上的方法，个体代理的行为、交互和反应的轨迹会影响实现自组织和涌现的整体表现。如果单个实体的工作产生了预期的目的和目标，那么聚合的行为就会导致实现自组织。涌现发生在宏观层面，是所有主体集体行为反应和活动的结果。自组织可以在代理或系统级别观察，而涌现只能在系统级别观察到。如果没有记忆、学习和适应，自组织和涌现是不可能的。
CAS的定义为什么难以达成共识？
CAS定义难以达成共识的原因包括：确定纳入和排除标准的困难；CAS的特征是根据什么适合给定系统以及什么与特定上下文相关来选择的；CAS属性、一般复杂系统（CS）以及常用于CAS建模和仿真的基于代理的方法的并置会带来复杂性；这些属性之间的重叠属性和模糊界限使得决定什么应该定义为CAS、什么不应该定义为CAS变得更加困难；相关文献的多元化阻碍了CAS严格定义的发展；学术研究中对于定义CAS的具体属性并没有达成共识，主要原因之一是在理解基于代理的系统中代理的属性方面也缺乏共识。
CAS的算法性框架有什么用途？
CAS的算法性框架可以作为一个系统是否为复杂自适应系统的审核工具，并应用于不同领域的案例研究。该框架提供了满足CS定义的最少代理属性和满足完整CAS定义的有序属性集，实现了对一般复杂系统CS和复杂自适应系统CAS之间的明确划分。CAS的稳健算法定义可作为审计工具的基础，确定系统是否为CAS。
