0 引言
工程系统是指人类有目的、有计划、有组织地运用知识和各种工具与设备有效地配置各类资源, 通过优化选择和动态的、有效的集成, 构建并运行的一个“人工实在”[1]。随着先进应用技术的发展以及人们应用需求与目标的不断升级, 工程系统呈现出体系化、无人化与智能化的发展趋势。体系化特征尤其体现在武器装备领域, 在多域联合作战概念指引下, 由多个部署在不同地理位置上的独立装备系统集合, 通过网络互联与信息交互实现任务协同, 以完成原有单个独立系统不能完成的使命任务, 这类系统集合称之为体系[2]。体系也表现出区别于传统的一般系统的本质性特征, 如成员系统的运行与管理的独立性、行为涌现性、演化发展性与地理分布性等[3-4]。目前, 体系与体系工程的研究已成为国际系统工程学会的重点研究方向之一[5]。随着机器人、物联网和5G通信技术的发展, 无人装备大量加入到工程体系之中, 如无人机、无人车、无人艇、水下无人潜航器等, 无人化带来的自主性增加了系统的不确定性。智能化则表现为智能技术对工程系统所有功能环节的智能化改造, 如基于大数据分析与深度学习的智能识别、基于智能博弈论的智能辅助指挥决策等, 广义上无人化也属于智能化的范畴。
工程系统体系化、无人化与智能化的发展趋势给传统的工程系统设计理论带来了新的挑战。首先, 体系化与无人化带来了复杂性与不确定性的增加, 使得传统的以控制论为基础的设计方法存在明显不足。具体表现在: 一方面工程体系的涌现性特征更加突出, 使得精准控制难以实施; 另一方面, 过多的控制反而与无人自主的群体智能设计初衷相违背。智能化虽然给系统应对不确定性提供了方法手段, 但目前的智能技术仍处于技术初期, 大部分的智能化模型是不可解释的黑盒, 在提高工作效率的同时也带来了不确定性风险。其次, 工程系统体系化、无人化与智能化的发展趋势给传统的以可靠性为中心的六性理论带来了挑战, 工程系统通用质量特性中的六性是指可靠性、维修性、保障性、测试性、安全性和环境适应性。传统的可靠性理论主要通过构建确定的可靠性框图模型来开展可靠性预计、可靠性分配和指导可靠性设计等工作。面对体系这种没有明确的系统边界、体系形态会动态演化、体系内部具有一定系统故障容忍度的复杂系统集合, 缺少确定性的可靠性框图模型, 无论是预计体系整体的可靠性还是将体系的可靠性指标分解到各成员系统, 都难以实施[6]。有学者也探讨了工程体系论证过程中传统的可靠性、维修性、保障性方法的不足[7], 但目前对于工程体系的评价指标主要集中在体系的贡献率评价上[8], 缺少体系级的综合性评价指标。
人们与工程系统的复杂性作斗争的历史主要体现在应对工程系统的故障上, 大致经历了3个发展阶段, 从最开始的预先设计与事后维修, 到后来的健康管理与智能运维, 再到现在的工程弹性系统理论, 强调广泛的适应性与故障后的自主修复。从其发展趋势看, 工程系统应对故障的策略正朝着逐渐增强系统对外界的适应能力的方向发展, 尤其是弹性与适应性具有很强的相关性。弹性观点起源于20世纪60、70年代的生态学。1973年, Holling发表了题为《生态系统的弹性和稳定性》的开创性论文[9], 为生态弹性以及各种其他领域的弹性理论研究提供了基础。在工程技术领域, 美国国防部于2012年提出了工程弹性系统理论, 并提出了工程弹性系统的4个关键特性, 包括: ①击退/抵御/吸收; ②恢复能力; ③适应能力; ④广泛的效用[10-11]。国内外学者对弹性概念在指导工程系统设计中的应用进行了广泛的研究[12-13], 尤其是基于复杂网络理论的弹性评估与应用[14-17]。工程系统弹性体现了工程系统在干扰情况下的自恢复能力, 这是一种工程视角, 但其背后的哲学逻辑却仍是提高系统的适应性。
人们对于适应性的研究由来已久。达尔文的进化论提出对环境的适应性是推动生物选择性进化的动力之源。英国的Beer在20世纪60—70年代创立的活系统模型理论, 将对组织的管理过程类比为人的大脑对身体的控制过程, 运用控制论的法则使组织能够应对外部环境的变化而持续保持活力[18]。圣塔菲实验室的Holland从自然界的适应性机制中获得灵感提出了复杂适应系统(complex adaptive system, CAS)理论[19]。在现代工程控制领域中的自适应控制也带有仿生的特点, 是指系统通过调整自己的行为以适应外部(或内部)环境的新的变化。广义上讲, 自适应是人类智能的重要特征, 也是人类文明发展和社会不断进步的重要动因之一[20-21]。自适应也被用于系统设计实践中, Lee等人为虚实映射的信息物理融合系统提出了以智能连接(connection)、智能分析(conversion)、智能网络(cyber)、智能认知(cognition)和智能配置与执行(configuration)为目标的5C体系构架, 用于持续优化决策系统的可追踪性、预测性、准确性和强弹性, 实现对实体系统活动的全局协同优化[22], 并最终实现无忧生产[23], 其中最高层次的“智能配置与执行”便是自适应的体现。国内学者王维平等也将适应性机制应用于无人集群的任务流程设计中[24]。
本文在借鉴了自然界应对不确定性的适应性策略思路的基础上, 从为复杂工程体系构建“负熵”机制的视角, 以工程控制理论为基础, 结合人工智能等前沿技术, 提出了一种复杂工程体系应对复杂性与不确定性的策略机制, 即适应性机制, 提出了一种构建适应性机制的技术框架, 并对如何评价工程体系适应性指标进行了探讨。
1 适应性机制与特征
1.1 自然界适应性机制与CAS理论
总结自然界中存在的已有规律并用于指导科学研究与工程实践, 是人们开展研究工作的主要思路之一。人们一次次被自然界中神奇的规律所倾倒, 例如蜜蜂建造蜂房时规范的六边形结构, 蜂群寻找蜜源时的沟通机制等, 人们意识到, 自然界中存在的规律是动植物种群经过千百万年进化选择的结果。因此, 通过观察自然界应对复杂性与不确定性的机制与策略, 可以作为指导工程实践的参考。
按照达尔文生物进化论思想, 生物总是在不断适应外界环境变化的过程中, 不断更新自己。同一个物种生活在不同的环境中, 会逐渐分化成两类不同的物种, 原本完全一致的性状会随着基因的变异以及自然环境对变异后物种的选择, 逐渐分化成各种不同的性状。对环境的适应性被称为是驱动物种进化的主要动力之一。作为最高智慧生物的人类, 虽然自身的生存面临着非常严苛的外界条件, 例如人体需要始终保持在36°~38°这样一个狭窄范围内, 仅仅比正常体温低2°或者高4°, 就会让大脑陷入危机, 迅速导致不可逆转的损伤甚至死亡[25]。好在人体在进化过程中发展出了自身的恒温系统, 可以通过自身的调节来适应外部环境温度的变化, 始终保持体温在恒定的范围内。
美国圣塔菲研究所的Holland教授, 从自然界这种适应性机制中获得灵感, 提出了复杂适应系统理论, 通过对城市、蚁群、生态、胚胎、神经网络、人体免疫系统等复杂系统的研究, 从中提炼出共性特征, 并从4种特性(即聚集、非线性、流和多样性)和3种机制(即标识、内部模型和积木)的视角对复杂适应系统的演化与适应性过程进行了解构。Holland还借鉴自然界生物基因变异的机制, 提出了遗传算法, 成为借鉴自然界规律的典范[19]。
1.2 适应性特征与工程技术相关性分析
类比自然界有机系统应对复杂性与不确定性的适应性机制, 通过为复杂工程体系构建适应性机制, 赋予无机的工程系统有机的类生命能力, 作为复杂工程体系应对复杂性的策略。综合自然生态系统以及作为最高智慧生物的人类在执行适应性机制过程中的主要过程与行为特征, 总结了自然生命系统适应性的5大特征, 分别是: 感知、决策、自恢复、学习与进化。
感知。从字面理解分为两个层面, 分别是“感”和“知”。“感”是指收集外部环境数据的过程, 如实采集原始数据, 而“知”则是原始数据处理的过程, 将数据处理成有用的信息。从人类的“感”和“知”上去区分, “感”是指从具体的外“形”上去认识, 而“知”则是从“形”背后的“相”去认识, 即从抽象的概念、道理上去认识。随着传感器技术与物联网技术的发展, 工程系统的感知能力越来越强大, 但存在较多的问题还在于只在于“感”的阶段, 如何从“感”的原始数据深化到“知”的模型、规律层面尚有很大的提升空间。
决策。自主决策是生命系统的显著特点, 但对于工程系统来说却并不简单。Turing在《计算机器与智能》论文中探讨了机器智能时就提到, 机器只会按照人们设定的程序去执行, 而不会自主决策[26]。目前，大量的无人平台在执行任务过程中必须要做到自主决策, 但大量无人平台仍只是按照设定的程序在执行, 并不算作真正的自主决策。自主决策应该包含两个层面的能力, 一是能够根据外部环境的变化自主选择执行的规则, 二是能够根据经验的积累和环境的变化来优化已有的规则, 这就需要与学习相结合。做到这两点才能算是真正的自主决策。
自恢复。自然生态系统在遭受外部破坏的情况下, 经过一段时间后一般会自己恢复到某一个平衡稳定的新状态, 人体有很多具有自恢复能力的系统, 例如前面提到的恒温系统, 能够保持体温的恒定, 又如免疫系统, 外部有病毒入侵时会调用白细胞来消灭病毒, 维持身体的健康。对于工程系统来说, 系统应该对外部输入异常变化或内部故障做出恰当的应对, 通过对系统功能或结构的动态调整, 来持续维持系统完成设定任务的能力。当然, 工程系统的自恢复能力不是生来具有的, 需要通过感知、决策与恢复机制的设计进行自恢复框架的构建来实现, 论文前面提到的弹性, 便是系统具有自恢复能力后展现出来的效果。
学习。Wiener在《人有人的用处: 控制论与社会》中提出, 某些机器和若干生命体, 都能在过去经验的基础上来改变自己的行为模式, 从而达到反熵的特定目的[27]。Turing在《计算机器与智能》论文中也提出了学习机器的设想, 人工智能技术的核心便是机器学习技术。对于高级生物来说, 学习是适应环境、提高生存能力的必备技能, 对于工程系统来说, 只有具有了学习能力, 才能够不断积累经验, 改变现有设定的运行规则, 从而走出机器行为不能出于设计之外的困惑, 成为具有生命力的有机体。
进化。进化能力是生物体特有的特征。达尔文进化论阐述了生物体在与环境的斗争中不断朝有利于适应环境的方向进化, 物竞天择, 适者生存。而随着生物的遗传密码——DNA的发现, 人们也逐渐揭示了生物交叉变异并由环境筛选的细节过程, Holland提出的遗传算法正出于此。对于工程系统来说, 随着规则的优化, 系统不断涌现出新的顶层能力, 从而从一定意义上来说能够实现自我的进化。
2 工程系统适应性机制构建
2.1 工程系统的“熵增”机制与“逆熵体”
根据热力学第二定律, 封闭系统总会朝着变得无序(“熵增”)的方向发展, 因此系统从其建立的那一刻起, 便开始了其“熵增”的过程。克劳修斯在得出“熵增”结论后, 也推导出宇宙最终将走向“热寂”的悲观结论。无机世界的系统在使用中会逐渐磨损、老化, 并最终被废弃, 这是人类的基本常识, 但在有机的生命世界里, 一颗种子最终能长成参天大树, 人也会从一颗受精卵成长为一个高级智慧生物, 这也是人类的基本常识, 二者存在矛盾，直到普利高津耗散结构理论的提出才打破了这种局面。普利高津指出, 远离平衡态的开放系统, 通过与外界进行物质和能量的交换, 可以形成一种新的稳定的有序结构, 称作耗散结构。有机生命系统之所以能够“逆熵”而行, 便是其作为开放系统, 不断从环境中汲取物质和能量, 不断跃升到新的平衡状态, 这也是薛定谔所说的, “生命以负熵为生”[28]。
耗散结构是系统远离平衡态时的一种非线性效应, 而复杂工程体系也是一种典型的非线性系统, 可以把复杂工程体系视作一种开放系统, 为适应外部需求与环境的变化, 通过不断的物质和能量的供给来抵御其“熵增”的趋势, 并不断优化自身, 持续保持良好的平衡状态，具有这种属性的系统可称作“逆熵体”。因此，复杂工程体系应对复杂性与不确定性的策略便是将其改造成为能够抵御“熵增”不断进化的“逆熵体”, 而实现的途径便是借鉴自然界有机生命系统的适应性特性, 为其构建适应性框架。
2.2 工程系统适应性框架
文献[31]提出了一种基于规则的复杂工程系统设计方法, 并提出了从微观规则、中观规则和宏观规则3个层级来为复杂工程系统构建规则库。微观规则用于约束复杂工程系统内各独立主体的自身行为以及彼此间的交互行为, 可通过有限状态机、行为树、Petri网、统一建模语言(unified modeling language, UML)泳道活动图以及基于多智能体的建模等方法来描述。中观规则用于约束复杂工程系统内部形成的较为固定的业务包之间的组合关系，通常用能力包来描述中观层级的行为特征。能力包是复杂工程系统局部能力的统计性分析, 可通过构建系统内关键参数的系统动力学模型来开展定量分析, 中观规则是微观层级行为规则涌现的结果。宏观规则是指复杂工程系统作为整体的最顶层的规则, 宏观规则一方面来源于系统原始的设计输入, 另一方面来源于系统构建完成后的非预期功能涌现, 是设计者通过实验验证后对系统能力的总结。宏观规则一般用性能指标与通用质量特性指标来描述。
图1
图1
基于3层架构的系统适应性机制构建框架示意图
Fig.1
Schematic diagram of the system adaptive mechanism construction framework based on three-layer architecture
在中观层级, 主要通过构建规则的学习演进机制来实现业务流程的优化, 从而提升复杂工程系统的适应性能力。首先, 为系统各业务能力包中的关键参数构建系统动力学模型, 收集系统微观层级的运行评估数据, 对现有微观规则的运行效率进行评价, 并以此构建规则的学习演进机制。规则的演进有两种技术路线, 一种是借助强化学习的技术手段来不断优化微观规则中主体的动作序列, 形成效率更高的规则; 一种是借助遗传算法的技术手段, 现有规则在交叉、变异后产生新的规则, 并通过构建的系统动力学模型来对新规则进行评价与筛选, 从而推动规则的演进。将优选的规则加入到复杂工程系统/体系运行的规则列表中, 从而提升系统的适应性。
在宏观层级, 一方面以各类综合性指标为牵引, 指导体系中的中观层级与微观层级规则的构建; 另一方面通过微观规则和中观规则的不断演进, 带来体系整体能力涌现的升级进化。本文提出的适应性指标可以弥补传统的通用质量特性对复杂工程体系顶层设计指导的不足。而整个适应性机制构建过程也实现了从数据到信息, 再到知识, 最后到智慧的过程, 构建了完整的DIKW(data, information, knowledge, wisdom)模型。
3 工程系统适应性评价框架
3.1 工程系统适应性指标定性评价
目前通用质量特性中提出的六性, 包括可靠性、维修性、保障性、安全性、测试性与环境适应性, 都是针对具体系统的。由于复杂工程体系的体系顶层缺少综合性评价指标, 于是提出将适应性作为体系顶层的评价指标, 一方面用来表征复杂工程体系在应对外界环境变化与自身故障等不确定性的能力; 一方面用于强调在复杂工程体系设计过程中提升其适应性的重要性。适应性指标不同于弹性指标, 弹性指标主要针对系统的自恢复过程, 而适应性则针对复杂工程体系的感知、决策、恢复、学习与进化的全过程。
对任何指标的评价都存在定性评价与定量评价两种思路。在指标相关的因素及其影响关系不明确时, 从其产生的整体效果出发进行定性评价是一种可取的思路, 因此首先考虑对适应性指标进行定性评价。为指标划分等级的定性评价方法使用比较多, 如对技术成熟度的评价, 以及2022年美国米切尔航空航天研究所发布的报告中提到的, 将无人机的自主能力分为: 低自动化、部分自动化、完全自动化、半自主和完全自主5个等级[33]。参考上述思路, 类比生物有机适应性效果, 将复杂工程体系的有机适应性分为干预性适应性、半自主适应性和全自主适应性3个层次10个等级，用AL(adaptive level)表示。干预性适应性是指工程系统/体系需要在有人操作(人在回路)的情况下的适应性, 这是低级别适应性(AL-1~AL-4)。半自主适应性是指工程系统/体系在有限人工干预情况下, 通过预设规则或动作实现的适应性, 这是中级别适应性(AL-5~AL-7)。全自主适应性则强调不需要人工干预, 工程系统/体系能够完全自动实现适应性, 这是高级别适应性(AL-8~AL-10)。复杂工程系统/体系的适应性等级划分如表 1所示。
表1 体系适应性层次定义
Table 1
| 层次 | 等级 | 定义 |
| 干预性适应性 | AL-1 | 具有一定感知能力 |
| AL-2 | 具有实时故障诊断能力 | |
| AL-3 | 具有健康管理与一定的预警能力 | |
| AL-4 | 在组成、结构、功能与流程上具有可重构能力 | |
| 半自主适应性 | AL-5 | 具有面向任务的自主协调各个成员能力 |
| AL-6 | 面向任务与环境, 在人的干预下可自主实施作业重规划 | |
| AL-7 | 面向任务与环境, 在人的干预下工程系统可自主实施战略重规划 | |
| 全自主适应性 | AL-8 | 具有积累自身运行数据, 并分析现有运行策略瓶颈的能力 |
| AL-9 | 具有积累自身运行数据, 优化运行规则, 并执行的能力 | |
| AL-10 | 具有完整的自我感知、恢复、学习、进化的能力 |
3.2 对工程系统适应性定量指标评价的考虑
为了定量评价工程系统适应性指标, 首先需考虑与工程系统适应性相关的变量参数主要都有哪些。参考图 1的适应性机制构建的3层架构, 适应性评价应综合考虑每一个层级上的适应性特征。
微观层是系统主体的活跃空间, 在这一层复杂工程系统关注的是主体与主体、主体与环境之间的相互作用关系, 并应对外部环境的各种变化, 从而向中观层级稳定地涌现不同的能力包, 因此与微观层级适应性相关的变量参数包括主体数量、环境变化量以及主体间的规则数量。在中观层, 不同能力包的功能组合按照一定的作业流程组织起来, 完成不同的上层任务目标。中观层的适应性是在能力包不同排列组合完成子任务的进程中, 寻找有序性更好的系统架构和流程的过程。由此可知, 中观层关注的主要适应性因子是内部流程、中观规则和环境。而宏观层关注的重点是整个复杂工程系统的整体效能, 也就是需要在各项子任务的功能上进行平衡性引导, 根据整体效能要求的变化来引导子任务在整个复杂系统中的权重, 不是单一任务完成度越高越好, 而是整体的完成度。因此, 以效能为目标的复杂工程体系的工作流程以及各流程组合所产生的各种整体性效应成为宏观层适应性的核心。
为此, 定义多层级复杂工程系统的适应性指数为: 适应性指数=F(主体; 规则; 能力包; 流程; 环境)。
运算F定义了复杂工程体系微观主体间耦合作用关系、中观作业级能力包间时序流程及宏观外部任务组织协同流程的有序性和协调性。以微观层级为例, 复杂工程系统/体系中, 人员、设备与设施分别属于不同的主体群落, 主体群落中不同主体之间通过协作关系完成特定的作业, 形成不同的能力包, 如图 2所示。
图2
图2
微观层级主体与能力包网络关系图
Fig.2
Micro-level entity and capability packet network relationship diagram
在特定能力包级作业群落中, 分析能力包对应的作业流程的人-机-环资源需求, 匹配多个与该作业执行相关的主体聚合群落, 并设定不同主体聚合群落中主体间的组织协作关系边权重, 为0~1之间的数, 数值越大, 说明协作的可能性也越高, 从而运用网络化建模手段建立体系内各群落之间的协作关系矩阵R。矩阵R中任意一条主体协作关系连接通路, 均表征一个面向该项作业执行的可行资源配置方案(即构成了完成该项作业的一个实例化能力包)。换言之, 矩阵R中内含的主体通路数量既直接反映了面向特定作业的工程系统运转能力, 又量化描述了系统的弹性抗干扰能力, 即分析若干单元级主体丧失能力后的备选节点重构恢复能力。
4 结论
本文在总结分析当前工程系统体系化、无人化与智能化发展趋势下, 复杂性与不确定性的增加对工程系统设计方法带来的不足基础上, 借鉴自然系统与人体应对外界复杂性的适应性机制, 分析了在工程系统中引入适应性机制的可行性。从为复杂工程体系构建“负熵”机制的视角, 提出了一种基于规则的工程系统适应性机制构建框架，并基于该框架, 进一步分析了适应性指标的评价方法, 为指导复杂工程系统的设计与评价提供了方法参考。复杂工程体系的适应性不仅是一种综合评估指标, 或一种应对复杂性与不确定性的机制, 更是一种指导复杂工程体系技术演进的工程哲学。
参考文献
Architecting principles for system-of-system
[J].DOI:10.1002/(SICI)1520-6858(1998)1:4<267::AID-SYS3>3.0.CO;2-D [本文引用: 1]
基于SoSE的装备体系RMS论证方法研究
[J].
Research on RMS demonstration method of equipment SoS based on SoSE
[J].
体系贡献率能效综合评估方法
[J].
Synthesized capability-effectiveness evaluation method of contribution ratio to system-of-systems
[J].
Resilience and stability of ecological systems
[J].DOI:10.1146/annurev.es.04.110173.000245 [本文引用: 1]
工程弹性系统与系统弹性理论研究综述
[J].
Review of engineered resilient systems and system resilience theory
[J].
基于时间和任务重要度的系统弹性恢复研究
[J].DOI:10.3969/j.issn.1672-9722.2021.11.009 [本文引用: 1]
Research on system resilience recovery based on time and task importance
[J].DOI:10.3969/j.issn.1672-9722.2021.11.009 [本文引用: 1]
A comprehensive approach for discrete resilience of complex networks
[J].DOI:10.1063/5.0124687 [本文引用: 1]
Modeling resilience of air traffic management systems based on complex networks
[J].
复杂信息网络的弹性评估和优化方法研究
[J].
Evaluation and optimi zation of complex network resilience against attacks
[J].
复杂网络理论及其在公共交通韧性领域的应用综述
[J].DOI:10.3969/j.issn.1001-7372.2022.04.018 [本文引用: 1]
A review of complex network theory and its application in the resilience of public transportation systems
[J].DOI:10.3969/j.issn.1001-7372.2022.04.018 [本文引用: 1]
The viable system model: its provenance, development, methodology and pathology
[J].
A cyber-physical systems architecture for industry 4.0-based manufacturing systems
[J].
智能化多无人集群作战体系动态适变机制设计方法
[J].
A design method of dynamic adaption mechanism for intelligent multi-unmanned-cluster combat system-of-systems
[J].
体系生命力理论框架
[J].
Theoretical framework of SoS vitality
[J].
基于规则的复杂工程系统设计方法
[J].
Rules-based complex engineering system design methods
[J].
