基于自組織智能網(wǎng)絡(luò)的離散序列在線預(yù)測(cè)方法

桂 劍，馬 斌，陳小剛，董濟(jì)銘

(中國(guó)科學(xué)院上海高等研究院，上海 200120)

1 引言

隨著人工智能、物聯(lián)網(wǎng)的發(fā)展，無(wú)人化智能系統(tǒng)識(shí)別外部物理環(huán)境的體系結(jié)構(gòu)由過(guò)去的少量傳感器、單服務(wù)器主從架構(gòu)，向多傳感器、分布式服務(wù)器架構(gòu)發(fā)展。近年來(lái)更是有傳感器矩陣化、計(jì)算架構(gòu)去中心化、系統(tǒng)自組織自適應(yīng)化的發(fā)展趨勢(shì)。

傳感器矩陣化，就是在環(huán)境分布設(shè)置大量的傳感器，并通過(guò)態(tài)勢(shì)熱力圖構(gòu)建算法[1]，可以把大量的感知數(shù)據(jù)轉(zhuǎn)化為可視化的熱力圖，作為實(shí)時(shí)大數(shù)據(jù)融合的基礎(chǔ)。計(jì)算架構(gòu)去中心化，就是通過(guò)去中心化的架構(gòu)設(shè)計(jì)和算法設(shè)計(jì)，提升系統(tǒng)整體抗毀能力。羅陽(yáng)[2]探索了去中心化的衛(wèi)星通信系統(tǒng)，證明去中心化對(duì)未來(lái)衛(wèi)星系統(tǒng)組織運(yùn)用模式有極大參考價(jià)值。系統(tǒng)自組織自適應(yīng)化，是為了滿足隨遇接入的需要，使系統(tǒng)對(duì)新接入的設(shè)備、服務(wù)或計(jì)算節(jié)點(diǎn)動(dòng)態(tài)規(guī)劃組織結(jié)構(gòu)、兼容新老節(jié)點(diǎn)，使得系統(tǒng)穩(wěn)定性更健壯、壽命更長(zhǎng)。唐勝景[3]提出，智能化分布式協(xié)同作戰(zhàn)體系需要發(fā)展低成本、模塊化裝備研制技術(shù)，發(fā)展面向戰(zhàn)場(chǎng)大數(shù)據(jù)的集群認(rèn)知與云決策技術(shù)，發(fā)展自適應(yīng)、去中心的集群動(dòng)態(tài)組網(wǎng)技術(shù)。

把智能傳感器、服務(wù)器都分別看作一個(gè)自主工作的智能節(jié)點(diǎn)，用復(fù)雜體系理論來(lái)使系統(tǒng)內(nèi)各智能自組織成智能網(wǎng)絡(luò)并協(xié)同工作，這樣就形成了一個(gè)自組織智能網(wǎng)絡(luò)。顯然，自組織智能網(wǎng)絡(luò)滿足上文所述的三個(gè)發(fā)展趨勢(shì)，當(dāng)待部署節(jié)點(diǎn)數(shù)量巨大的情況下具備十分便利的集成優(yōu)勢(shì)。這與劉峰[4]提出的城市大腦模型異曲同工，本文重點(diǎn)研究其感知部分，與之不同之處在于將傳感器群、云機(jī)器感知融合、類(lèi)腦視聽(tīng)等感知系統(tǒng)當(dāng)作一個(gè)整體，用自組織理論解決問(wèn)題。

在自組織智能網(wǎng)絡(luò)中，前端智能傳感器可以把連續(xù)的信號(hào)量，通過(guò)濾波算法轉(zhuǎn)化為由狀態(tài)或事件編號(hào)組成的離散序列。自組織系統(tǒng)通過(guò)識(shí)別和預(yù)測(cè)離散序列，可以感知認(rèn)知外界的狀態(tài)和變化，從而為決策系統(tǒng)提供依據(jù)、關(guān)聯(lián)相關(guān)事件、分類(lèi)環(huán)境信息。

常見(jiàn)的離散序列識(shí)別預(yù)測(cè)問(wèn)題，包括全年能源消耗、銷(xiāo)售額走勢(shì)、心電圖、音樂(lè)、股票指數(shù)走勢(shì)等。楊海民[5]等指出常用的預(yù)測(cè)方法包括：Box-Jenkins方法[6]；機(jī)器學(xué)習(xí)方法，以及基于參數(shù)模型的在線時(shí)間序列預(yù)測(cè)方法ARMA-ONS[7]。馮霞[8]結(jié)合遺傳算法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)機(jī)場(chǎng)安檢旅客流量。ZHANG[9]等探索了決策樹(shù)、K最鄰近元回歸等算法預(yù)測(cè)序列以識(shí)別個(gè)人音樂(lè)情感。鄧玉婧[10]等采用神經(jīng)網(wǎng)絡(luò)算法RNN預(yù)測(cè)航班客座率。這些算法大多采用離線訓(xùn)練，并需要大量的算力，使得在低算力高存儲(chǔ)性能的設(shè)備上效果不佳。另一方面，當(dāng)數(shù)據(jù)輸入發(fā)生變化時(shí)，預(yù)測(cè)準(zhǔn)確率(PSR)會(huì)大大降低；對(duì)于缺少在線訓(xùn)練能力的算法，預(yù)測(cè)準(zhǔn)確率(PSR)無(wú)法有效提高。受此啟發(fā)，思考通過(guò)將多個(gè)低算力高存儲(chǔ)性能的設(shè)備連接起來(lái)，應(yīng)用復(fù)雜體系理論構(gòu)造自組織網(wǎng)絡(luò)來(lái)解決離散序列的在線預(yù)測(cè)問(wèn)題。

張維明[11]提出了一種復(fù)雜體系架構(gòu)設(shè)計(jì)新范式，為如何實(shí)現(xiàn)一個(gè)開(kāi)放的復(fù)雜體系仿真軟件提供了設(shè)計(jì)指導(dǎo)。受復(fù)雜性科學(xué)的啟發(fā)，多智能體協(xié)同的方式可以用空間復(fù)雜度換時(shí)間復(fù)雜度，用組成架構(gòu)的變化應(yīng)對(duì)輸入數(shù)據(jù)特征的變化，實(shí)現(xiàn)在線學(xué)習(xí)。因此，本文采用多智能體網(wǎng)絡(luò)構(gòu)造了自組織智能網(wǎng)絡(luò)動(dòng)態(tài)預(yù)測(cè)模型，設(shè)計(jì)并實(shí)現(xiàn)了一種新型的多智能體仿真服務(wù)器和自組織可視化實(shí)驗(yàn)環(huán)境，為多智能體算法仿真和驗(yàn)證提供了實(shí)驗(yàn)平臺(tái)。算法創(chuàng)新點(diǎn)在于通過(guò)預(yù)測(cè)驅(qū)動(dòng)體系自組織的協(xié)同工作，適應(yīng)多智能體網(wǎng)絡(luò)部署。

2 問(wèn)題描述

2.1 基于自組織智能網(wǎng)絡(luò)的離散序列在線預(yù)測(cè)

“如何讓系統(tǒng)自組織分析輸入信號(hào)序列，使得系統(tǒng)有意識(shí)地‘發(fā)現(xiàn)’規(guī)律？”是一個(gè)難題。單靠神經(jīng)網(wǎng)絡(luò)算法，往往只能預(yù)先編譯好程序應(yīng)對(duì)特定的問(wèn)題。自組織智能網(wǎng)絡(luò)中，對(duì)于隨機(jī)輸入的信號(hào)序列，依照給定采樣率對(duì)信號(hào)進(jìn)行采樣，通過(guò)濾波算法或者神經(jīng)網(wǎng)絡(luò)算法轉(zhuǎn)將信號(hào)按狀態(tài)編號(hào)轉(zhuǎn)化為離散序列。這樣，基于自組織智能網(wǎng)絡(luò)可以把這個(gè)問(wèn)題分解為“每個(gè)智能體節(jié)點(diǎn)在各自的認(rèn)知維度、層級(jí)，實(shí)時(shí)輸出對(duì)上級(jí)輸出盡可能準(zhǔn)確的預(yù)測(cè)值”。智能節(jié)點(diǎn)通過(guò)實(shí)時(shí)訓(xùn)練識(shí)別出具有周期性規(guī)律的序列，作為“發(fā)現(xiàn)規(guī)律”的依據(jù)；并將訓(xùn)練模型存儲(chǔ)作為記憶供以后使用。

2.2 問(wèn)題的不確定性

雖然一個(gè)有規(guī)律的輸入信號(hào)，其離散序列會(huì)呈現(xiàn)周期特征；但是對(duì)于復(fù)雜系統(tǒng)，要考慮到中途輸入信號(hào)被更改的情況，此時(shí)離散序列也會(huì)發(fā)生變化。仿真系統(tǒng)允許用戶在系統(tǒng)運(yùn)行過(guò)程中隨時(shí)更改輸入信號(hào)，自組織預(yù)測(cè)系統(tǒng)將應(yīng)對(duì)變化自適應(yīng)：調(diào)整組織結(jié)構(gòu)、應(yīng)對(duì)變化、經(jīng)過(guò)實(shí)時(shí)學(xué)習(xí)再次預(yù)測(cè)出盡可能準(zhǔn)確的結(jié)果。

3 基于自組織智能網(wǎng)絡(luò)的離散序列預(yù)測(cè)算法

自組織網(wǎng)絡(luò)的所有智能體初始化為空閑節(jié)點(diǎn)，通過(guò)工作原型信息的發(fā)布和協(xié)商使它們分化，各自執(zhí)行不同的任務(wù)。其中，每個(gè)智能體節(jié)點(diǎn)有一個(gè)父節(jié)點(diǎn)接口和多個(gè)子節(jié)點(diǎn)接口。父節(jié)點(diǎn)接口由兩個(gè)信號(hào)通道組成，即父節(jié)點(diǎn)認(rèn)知出的離散序列模型的輸入和向父節(jié)點(diǎn)返回預(yù)測(cè)值的輸出。子節(jié)點(diǎn)接口由兩個(gè)信號(hào)通道組成，即該節(jié)點(diǎn)認(rèn)知出的離散序列模型的輸出和從子節(jié)點(diǎn)獲取的預(yù)測(cè)值輸入。就像是人類(lèi)的大腦內(nèi)部結(jié)構(gòu)，智能體節(jié)點(diǎn)通過(guò)對(duì)父節(jié)點(diǎn)的輸入信號(hào)進(jìn)行認(rèn)知產(chǎn)生更高層次的信號(hào)發(fā)送給子節(jié)點(diǎn)，同時(shí)獲取子節(jié)點(diǎn)的預(yù)測(cè)信號(hào)，并將其作為自己向父節(jié)點(diǎn)發(fā)送預(yù)測(cè)信號(hào)的依據(jù)。智能體節(jié)點(diǎn)通過(guò)對(duì)每個(gè)子節(jié)點(diǎn)在一段事件內(nèi)的預(yù)測(cè)準(zhǔn)確率(Psr)進(jìn)行統(tǒng)計(jì)，選取最有可能的預(yù)測(cè)值，在知識(shí)庫(kù)中查找對(duì)應(yīng)的低層次模型并實(shí)時(shí)匹配，從而得出父節(jié)點(diǎn)所需的預(yù)測(cè)結(jié)果，并反饋給它。從而，多個(gè)智能體自組織組網(wǎng)，產(chǎn)生不同層次的預(yù)測(cè)值和離散序列模型，通過(guò)協(xié)同解決離散序列預(yù)測(cè)的問(wèn)題。

3.1 自組織智能網(wǎng)絡(luò)架構(gòu)

3.1.1 自組織系統(tǒng)概述

系統(tǒng)內(nèi)多個(gè)智能體節(jié)點(diǎn)(Agent)可以實(shí)現(xiàn)自組織，根據(jù)實(shí)際需要自動(dòng)發(fā)布工作“雇傭”需求，經(jīng)過(guò)協(xié)商，另一個(gè)節(jié)點(diǎn)可以被“雇傭”，形成能夠完成復(fù)雜任務(wù)的體系結(jié)構(gòu)。根據(jù)外部環(huán)境不同，體系結(jié)構(gòu)可以自組織實(shí)時(shí)改變。根據(jù)任務(wù)協(xié)調(diào)算法的不同體系結(jié)構(gòu)。本文所解決的問(wèn)題，由于是單一agent接收輸入，所以是結(jié)構(gòu)呈樹(shù)形結(jié)構(gòu)。

3.1.2 節(jié)點(diǎn)(Agent)

一個(gè)自組織系統(tǒng)是由多個(gè)獨(dú)立的智能體節(jié)點(diǎn)(Agent)組成。每個(gè)節(jié)點(diǎn)有自己的生命周期，從系統(tǒng)啟動(dòng)時(shí)就創(chuàng)建，具有空閑和忙碌兩種工作模式。當(dāng)系統(tǒng)啟動(dòng)時(shí)，節(jié)點(diǎn)工作模式被設(shè)置為空閑。只有空閑節(jié)點(diǎn)才會(huì)接受“雇傭”，只有忙碌節(jié)點(diǎn)才會(huì)發(fā)起“雇傭”需求。在實(shí)際應(yīng)用場(chǎng)景中，節(jié)點(diǎn)是一臺(tái)獨(dú)立的計(jì)算主機(jī)。節(jié)點(diǎn)間工作協(xié)調(diào)需經(jīng)過(guò)一次廣播和三次握手，才能正式建立連接。

3.1.3 子鏈結(jié)構(gòu)(Chain)

有“雇傭”關(guān)系的兩個(gè)節(jié)點(diǎn)，按照?qǐng)D論原理，可以把“雇傭者”稱為父節(jié)點(diǎn)，“被雇傭者”稱為子節(jié)點(diǎn)。多個(gè)父、子節(jié)點(diǎn)協(xié)同工作產(chǎn)生的鏈?zhǔn)浇Y(jié)構(gòu)，稱為子鏈結(jié)構(gòu)；其中最開(kāi)始的父節(jié)點(diǎn)稱為根節(jié)點(diǎn)，末后的子節(jié)點(diǎn)稱為葉子節(jié)點(diǎn)。往往輸入數(shù)字信號(hào)在子鏈結(jié)構(gòu)中傳遞，從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)會(huì)按周期將輸入序列感知成新的模型序列，并傳給自己的子節(jié)點(diǎn)。

3.1.4 多節(jié)點(diǎn)網(wǎng)絡(luò)模型

圖1展示了一種多節(jié)點(diǎn)網(wǎng)絡(luò)模型，每個(gè)節(jié)點(diǎn)對(duì)輸入數(shù)據(jù)感知出認(rèn)知模型(model)并輸出給子節(jié)點(diǎn)、接收所有子節(jié)點(diǎn)的預(yù)測(cè)數(shù)據(jù)，經(jīng)過(guò)特定的選擇算法(Select Algorithm)選取最有可能的解作為預(yù)測(cè)結(jié)果并輸出給父節(jié)點(diǎn)；特別的，節(jié)點(diǎn)1接收來(lái)自外部的輸入，輸出的結(jié)果就是下一幀音符。

圖1 一種簡(jiǎn)單的自組織結(jié)構(gòu)

3.1.5 節(jié)點(diǎn)多樣化

為了保證不同的分工協(xié)作、達(dá)到更高效率，自組織中的節(jié)點(diǎn)必須多樣化，以至于能夠分化成能夠處理特定功能的精英節(jié)點(diǎn)。自然界有許多例子，比如把干細(xì)胞看作一個(gè)節(jié)點(diǎn)，干細(xì)胞可以分化為多種祖細(xì)胞：心肌細(xì)胞、內(nèi)皮細(xì)胞和神經(jīng)細(xì)胞等[12]。本文通過(guò)給子節(jié)點(diǎn)分配不同的質(zhì)數(shù)周期，幫助子節(jié)點(diǎn)識(shí)別出不同的模型，使得子節(jié)點(diǎn)多樣化。

3.1.6 激活子鏈(Active Chain)

任一幀內(nèi)，節(jié)點(diǎn)會(huì)根據(jù)選擇算法選擇某一個(gè)子節(jié)點(diǎn)的預(yù)測(cè)值作為解，從根節(jié)點(diǎn)開(kāi)始到葉子節(jié)點(diǎn)內(nèi)所有被選中的子節(jié)點(diǎn)組成的子鏈結(jié)構(gòu)(Chain)稱作激活子鏈。激活子鏈的意義在于直觀地表示出當(dāng)前幀系統(tǒng)內(nèi)計(jì)算出有效解的子鏈結(jié)構(gòu)。如同大腦思考問(wèn)題時(shí)，從大腦皮層開(kāi)始激活的一條神經(jīng)元鏈路。由n個(gè)節(jié)點(diǎn)組陳過(guò)的激活子鏈可以表示為[A1，A2，…，An]，其中A是各節(jié)點(diǎn)編號(hào)。

3.2 算法概述

本文中的自組織系統(tǒng)內(nèi)部每個(gè)Agent程式同構(gòu)，根據(jù)數(shù)據(jù)交互自組織產(chǎn)生不同的結(jié)構(gòu)、協(xié)同計(jì)算解決問(wèn)題。主要算法是感知認(rèn)知算法、預(yù)測(cè)算法、工作協(xié)調(diào)算法。

3.2.1 感知認(rèn)知算法

如果將離散序列比作音樂(lè)，那么其周期性特征好像和弦，每個(gè)離散信號(hào)如同音符。感知認(rèn)知算法目標(biāo)是對(duì)輸入數(shù)據(jù)進(jìn)行高維度模型化的認(rèn)知，模擬人類(lèi)聽(tīng)音樂(lè)時(shí)實(shí)時(shí)地識(shí)別出音樂(lè)的和弦的功能，并把模型知識(shí)沉淀為模型庫(kù)，為預(yù)測(cè)算法提供依據(jù)。有規(guī)律的離散序列，如同音樂(lè)一樣會(huì)呈現(xiàn)周期性特征，子節(jié)點(diǎn)可以對(duì)父節(jié)點(diǎn)發(fā)來(lái)的輸入模型采用質(zhì)數(shù)周期來(lái)進(jìn)行感知，從而發(fā)現(xiàn)特征。不同節(jié)點(diǎn)會(huì)以不同的周期感知認(rèn)知輸入的模型。模型庫(kù)里需要新建模型稱為“感知”，模型庫(kù)中提取已有模型作為解的過(guò)程稱為“認(rèn)知”。此例中，1號(hào)節(jié)點(diǎn)以1為周期感知認(rèn)知輸入，并將結(jié)果輸入給子節(jié)點(diǎn)2，2、3節(jié)點(diǎn)分別以2為相對(duì)周期感知認(rèn)知上級(jí)節(jié)點(diǎn)的輸入模型。周期模型對(duì)應(yīng)的涵義是音樂(lè)和弦。選取一個(gè)包括常見(jiàn)音樂(lè)周期的質(zhì)數(shù)表，作為招募子節(jié)點(diǎn)的分工依據(jù)，所形成的組織結(jié)構(gòu)就有能力識(shí)別有節(jié)奏的信號(hào)。這里選取2，3，5，7作為節(jié)點(diǎn)識(shí)別周期分化依據(jù)。假設(shè)輸入序列為3345循環(huán)，一個(gè)激活子鏈為 {Sinput，S1，S2，S3}，認(rèn)知出的模型如下

(1)

顯然對(duì)于激活子鏈而言，節(jié)點(diǎn)越靠近葉子節(jié)點(diǎn)，識(shí)別模型的層級(jí)越高，越容易發(fā)現(xiàn)重復(fù)性規(guī)律。

3.2.2 預(yù)測(cè)算法

節(jié)點(diǎn)每幀的預(yù)測(cè)算法如下所示。

1) 節(jié)點(diǎn)獲取一個(gè)新的輸入字符s，判斷并執(zhí)行工作協(xié)調(diào)算法；

2) 根據(jù)節(jié)點(diǎn)和子節(jié)點(diǎn)的上一幀預(yù)測(cè)返回，統(tǒng)計(jì)并更新預(yù)測(cè)正確率r；

3) 若當(dāng)前已有正在匹配的模型，轉(zhuǎn)到4)；否則轉(zhuǎn)到10)；

4) 如果匹配模型是新創(chuàng)建的模型，則返回預(yù)測(cè)值s，同時(shí)如果s是模型最后一個(gè)字符，則將新模型保存至模型庫(kù)；否則轉(zhuǎn)到5)；

5) 若s恰好匹配模型正在匹配的字符，則匹配成功，轉(zhuǎn)到6)；否則匹配失敗轉(zhuǎn)到10)；

6) 若s不是匹配模型中最后一個(gè)字符，則返回預(yù)測(cè)值為匹配模型中的下一個(gè)字符，結(jié)束；否則s恰好是匹配模型中的最后一個(gè)字符，轉(zhuǎn)到7)；

7) 若該節(jié)點(diǎn)沒(méi)有子節(jié)點(diǎn)，則默認(rèn)重新匹配當(dāng)前模型，取出當(dāng)前模型的第一個(gè)字符s＿m，并作為預(yù)測(cè)值返回，結(jié)束。否則，轉(zhuǎn)到8)；

8) 等待子節(jié)點(diǎn)返回預(yù)測(cè)結(jié)果m＿p識(shí)別模型，取出第一個(gè)字符s＿p；

9) 比較各節(jié)點(diǎn)預(yù)測(cè)正確率，選擇算法會(huì)選擇正確率最高的s＿p作為預(yù)測(cè)解，返回給上級(jí)節(jié)點(diǎn)，結(jié)束。

10) 在模型庫(kù)中查找是否存在能夠匹配當(dāng)前模型的模型：如果存在，設(shè)置為正在匹配的模型，轉(zhuǎn)到4)；否則創(chuàng)建新的匹配模型，返回預(yù)測(cè)值為s，結(jié)束。

其中第6)步和第8)步的預(yù)測(cè)稱為模型間預(yù)測(cè)，第5)步和第9)步的預(yù)測(cè)為模型內(nèi)預(yù)測(cè)。

3.2.3 匹配l新模型的選擇算法

考慮一條激活子鏈C，其中每個(gè)節(jié)點(diǎn)記為Ci，子鏈C上節(jié)點(diǎn)個(gè)數(shù)為n。節(jié)點(diǎn)n的識(shí)別周期記為T(mén)n。則Cn的識(shí)別周期為

(2)

其中

Tk，k+1∈prime{2，3，4，5}

(3)

當(dāng)Tn恰好等于輸入序列的周期時(shí)，經(jīng)過(guò)Tn幀的學(xué)習(xí)后該節(jié)點(diǎn)的模型內(nèi)預(yù)測(cè)會(huì)獲得最優(yōu)效果。

記節(jié)點(diǎn)預(yù)測(cè)正確度隊(duì)列為Q，第m個(gè)子節(jié)點(diǎn)為Qm，令Q0=Q,則有

(4)

其中qi，j代表Qi的緩沖區(qū)中第j個(gè)預(yù)測(cè)結(jié)果是否正確，取值為0或1，有

qi，j∈{0，1}

(5)

所以，對(duì)子節(jié)點(diǎn)i的預(yù)測(cè)正確率ri有

(6)

特別的，節(jié)點(diǎn)自身預(yù)測(cè)正確率r=r0

所以匹配新模型的選擇算法為選擇第k個(gè)子節(jié)點(diǎn)作為預(yù)測(cè)的新的匹配模型，使得預(yù)測(cè)率正確率rk最大

k={k|rk≥ri，i∈[1，m]∩N}

(7)

模型間預(yù)測(cè)將k節(jié)點(diǎn)的預(yù)測(cè)輸出認(rèn)知為節(jié)點(diǎn)自身的模型，再以第一個(gè)字符作為預(yù)測(cè)解返回給上級(jí)節(jié)點(diǎn)。

3.2.3 工作協(xié)調(diào)算法

節(jié)點(diǎn)間需要工作協(xié)調(diào)以完成任務(wù)。自然界中有許多這樣的例子，比如多個(gè)細(xì)胞協(xié)同工作，完成器官功能；而器官的發(fā)育往往有一個(gè)過(guò)程：由一組細(xì)胞不斷分裂，分裂的過(guò)程中不斷分化，滿足一定數(shù)量后才是功能完善的器官。細(xì)胞分裂就是自組織生命生長(zhǎng)擴(kuò)張的過(guò)程的一種形式化表現(xiàn)。一個(gè)受精卵分裂成若干胚胎干細(xì)胞，再由這些胚胎干細(xì)胞可以發(fā)育成哺乳動(dòng)物，以上就是自然界中典型的生命生長(zhǎng)規(guī)則的一個(gè)形式化例子。本文中多節(jié)點(diǎn)自組織的工作協(xié)調(diào)算法相當(dāng)于自組織生命的生長(zhǎng)規(guī)則的實(shí)現(xiàn)，本文暫不考慮“死亡”的情況。自然界生命生長(zhǎng)規(guī)則有以下基本要素：生命到達(dá)一定歲數(shù)、生長(zhǎng)激素和抑制激素。受此啟發(fā)，如果抑制條件滿足，則不會(huì)生長(zhǎng)；如果生長(zhǎng)條件滿足，則可以生長(zhǎng)。算法如下所示。

1)若計(jì)時(shí)器觸發(fā)，goto 2)；否則goto 8)；

2)若不滿足遺忘條件，goto 3)；否則goto 7)；

3)若系統(tǒng)最大預(yù)測(cè)準(zhǔn)確率 r＿max 小于目標(biāo)值T，goto 4)；否則goto 9)；

4)若節(jié)點(diǎn)預(yù)測(cè)準(zhǔn)確率小于生長(zhǎng)限制r＿g，goto 5)；否則goto 9)；

5)若節(jié)點(diǎn)預(yù)測(cè)正確率小于最低生長(zhǎng)率r＿mg，goto 9)；

6)子鏈生長(zhǎng)，廣播“雇傭”公告；

7)遺忘子節(jié)點(diǎn)，結(jié)束；

8)計(jì)時(shí)器 - 1，結(jié)束；

9)抑制生長(zhǎng)，結(jié)束。

顯然，生長(zhǎng)和抑制條件不能只考慮某一時(shí)刻的情況，因?yàn)榻?jīng)常出現(xiàn)當(dāng)前幀自組織預(yù)測(cè)正確、下一幀自組織預(yù)測(cè)失敗的情況，這是不穩(wěn)定的。所以需要有個(gè)科學(xué)合理的方法評(píng)估系統(tǒng)穩(wěn)定性。仿照自然界生命隨歲數(shù)生長(zhǎng)形成不同形態(tài)的概念，自組織系統(tǒng)的體系結(jié)構(gòu)在動(dòng)態(tài)、不斷變化中，經(jīng)過(guò)一段時(shí)間后，就可以對(duì)組織結(jié)構(gòu)做出一個(gè)穩(wěn)定性評(píng)估。

4 仿真研究

為了驗(yàn)證算法的可行性和實(shí)際預(yù)測(cè)準(zhǔn)確度，本文實(shí)現(xiàn)了一個(gè)多智能體仿真服務(wù)器。為了方便觀察體系結(jié)構(gòu)內(nèi)部子鏈激活狀態(tài)隨時(shí)間關(guān)系的動(dòng)態(tài)變化過(guò)程，還實(shí)現(xiàn)了一個(gè)3D可視化系統(tǒng)。3D圖中的節(jié)點(diǎn)顏色表示預(yù)測(cè)準(zhǔn)確度，紅色為0%，深綠色為100%；所以，激活子鏈必然是一條由綠色節(jié)點(diǎn)組成的子鏈。通過(guò)不同的序列循環(huán)輸入，可以驗(yàn)證算法可行性和觀察學(xué)習(xí)過(guò)程中多智能體網(wǎng)絡(luò)結(jié)構(gòu)的動(dòng)態(tài)變化。統(tǒng)一設(shè)置整體目標(biāo)預(yù)測(cè)率為75%，當(dāng)系統(tǒng)預(yù)測(cè)準(zhǔn)確率達(dá)到這個(gè)目標(biāo)后，體系結(jié)構(gòu)達(dá)到相對(duì)穩(wěn)定狀態(tài)；令單個(gè)節(jié)點(diǎn)的預(yù)測(cè)率低于70%時(shí)，都有“招募”子節(jié)點(diǎn)的能力；而低于15%的節(jié)點(diǎn)，被認(rèn)為是預(yù)測(cè)效果差的節(jié)點(diǎn)，失去“招募”能力。

為了表現(xiàn)組織結(jié)構(gòu)隨輸入序列的變化而變化的情況，在telnet中用命令行調(diào)用SetInput(str)函數(shù)實(shí)時(shí)改變輸入序列，輸入節(jié)點(diǎn)會(huì)自動(dòng)不間斷地向自組織節(jié)點(diǎn)循環(huán)輸入序列str。仿真設(shè)計(jì)如下所示。

1) 預(yù)設(shè)輸入為”abc”，等待一段時(shí)間，觀察訓(xùn)練結(jié)果。

2) SetInput(“7156”) 等待一段時(shí)間，觀察訓(xùn)練結(jié)果。

3) SetInput(“abc”) 等待一段時(shí)間，觀察訓(xùn)練結(jié)果。

4) SetInput(“EXFGACDU”) 等待一段時(shí)間，觀察訓(xùn)練結(jié)果。

5) SetInput(“100101110”) 等待一段時(shí)間，觀察訓(xùn)練結(jié)果。

圖2和圖3記錄了仿真各節(jié)點(diǎn)的預(yù)測(cè)準(zhǔn)確度隨時(shí)間幀的變化和系統(tǒng)組織結(jié)構(gòu)的變化過(guò)程。其中節(jié)點(diǎn)1、2、3的識(shí)別周期分別為1、2、3。不難看出，仿真開(kāi)始時(shí)，輸入為abc的周期序列，節(jié)點(diǎn)3的預(yù)測(cè)準(zhǔn)確度迅速上升到100%，激活子鏈為[0，1，3]。第二步，改變周期序列為7156，由于突然的改變，節(jié)點(diǎn)的預(yù)測(cè)準(zhǔn)確率全部下滑，同時(shí)重新訓(xùn)練，隨后節(jié)點(diǎn)2的預(yù)測(cè)準(zhǔn)確率拉升至100%，激活子鏈為[0，1，2，6]，使得最終節(jié)點(diǎn)1的選擇節(jié)點(diǎn)由3改為2。第三步，輸入再次改變?yōu)?/p>

圖2 節(jié)點(diǎn)2實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)

圖3 最下層節(jié)點(diǎn)實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)

abc，由于節(jié)點(diǎn)2的子節(jié)點(diǎn)7周期為6，也能完整識(shí)別abcabc；而此時(shí)節(jié)點(diǎn)3要經(jīng)過(guò)子節(jié)點(diǎn)的綜合評(píng)估，其訓(xùn)練速度比7慢；所以，激活子鏈為[0，1，2，7]。第四步，訓(xùn)練較長(zhǎng)的周期序列EXFGACDU，激活子鏈為[0，1，2，6，19]，節(jié)點(diǎn)2再次帶動(dòng)節(jié)點(diǎn)1到達(dá)100%。第五步，訓(xùn)練周期序列改變?yōu)?00101110，激活子鏈為[0，1，3，10]，由于訓(xùn)練起始數(shù)據(jù)的偏差，10有時(shí)選擇24、有時(shí)選擇25，導(dǎo)致少數(shù)幾位預(yù)測(cè)不準(zhǔn)確，預(yù)測(cè)準(zhǔn)確率在86.9%至91.3%波動(dòng)。

5 結(jié)論

實(shí)驗(yàn)結(jié)果顯示模型庫(kù)越豐富，模型內(nèi)預(yù)測(cè)的準(zhǔn)確度越高；當(dāng)子節(jié)點(diǎn)PSR越高，模型間預(yù)測(cè)的準(zhǔn)確度也越高。通過(guò)實(shí)驗(yàn)步驟2可以看出一般情況下認(rèn)知周期為輸入序列長(zhǎng)度的因數(shù)的節(jié)點(diǎn)會(huì)優(yōu)先“生長(zhǎng)”，并獲得更好的預(yù)測(cè)效果；正如大腦通過(guò)大量神經(jīng)元協(xié)同工作能夠快速捕捉到序列“規(guī)律”的過(guò)程。實(shí)驗(yàn)步驟3和實(shí)驗(yàn)步驟4證明有些認(rèn)知周期不為輸入序列長(zhǎng)度的因數(shù)時(shí)，在前期也會(huì)因?yàn)轭A(yù)測(cè)較為準(zhǔn)確而優(yōu)先“生長(zhǎng)”，但長(zhǎng)期訓(xùn)練后會(huì)失去先發(fā)優(yōu)勢(shì)；正如一個(gè)常見(jiàn)的現(xiàn)象：許多人雖會(huì)唱歌，缺把握不準(zhǔn)音樂(lè)節(jié)奏，經(jīng)過(guò)長(zhǎng)期反復(fù)訓(xùn)練可以合拍。實(shí)驗(yàn)圖表可以看出，當(dāng)激活子鏈的葉子節(jié)點(diǎn)認(rèn)知周期恰好等于輸入序列周期時(shí)，往往可以達(dá)到100%預(yù)測(cè)準(zhǔn)確率，但是步驟5顯示當(dāng)識(shí)別起始位置有擾動(dòng)時(shí)，預(yù)測(cè)準(zhǔn)確率會(huì)下降至87%左右。當(dāng)出現(xiàn)擾動(dòng)時(shí)，需要一些額外機(jī)制來(lái)提升預(yù)測(cè)準(zhǔn)確率，可以總結(jié)為訓(xùn)練深度必須達(dá)到足夠深度才能獲得最優(yōu)解；此外，當(dāng)一些“無(wú)用”的節(jié)點(diǎn)經(jīng)過(guò)長(zhǎng)期訓(xùn)練，模型庫(kù)比較豐富，也能獲得次優(yōu)解，為提升整體預(yù)測(cè)準(zhǔn)確率提供了一個(gè)備選方案。

以復(fù)雜體系思想為啟發(fā)，本文運(yùn)用現(xiàn)有主流生物學(xué)觀點(diǎn)通過(guò)多智能體節(jié)點(diǎn)系統(tǒng)探索了一種模擬大腦神經(jīng)元集群識(shí)別并反饋預(yù)測(cè)的模型。在實(shí)驗(yàn)過(guò)程中也觀察到一些現(xiàn)象與現(xiàn)實(shí)具有一定的聯(lián)系，對(duì)類(lèi)似音樂(lè)片段的輸入：比如周期為音樂(lè)長(zhǎng)度的因數(shù)的節(jié)點(diǎn)更有可能優(yōu)先獲得高預(yù)測(cè)率，好像現(xiàn)實(shí)中把握音樂(lè)節(jié)奏的人能更快的學(xué)會(huì)一首歌；一些周期與音樂(lè)長(zhǎng)度互質(zhì)的同級(jí)節(jié)點(diǎn)在起步階段和長(zhǎng)期訓(xùn)練后也能提高預(yù)測(cè)準(zhǔn)確率，就好像許多人明明會(huì)唱一首歌卻總是不合節(jié)拍。本文的預(yù)測(cè)方法偏向于對(duì)大腦思維模式的模擬和探索，與深度神經(jīng)網(wǎng)絡(luò)不同在于每個(gè)神經(jīng)元不僅僅持有簡(jiǎn)單的乘加計(jì)算，而是一個(gè)獨(dú)立的虛擬計(jì)算機(jī)。本文不足之處在于遇到節(jié)點(diǎn)數(shù)量不足時(shí)，預(yù)測(cè)率會(huì)低于預(yù)期且不穩(wěn)定，需要在多智能體節(jié)點(diǎn)協(xié)調(diào)過(guò)程中添加新的機(jī)制以完善預(yù)測(cè)功能。