这篇文章介绍了复杂自适应系统（简称CAS）的定义和特征。
什么是复杂自适应系统CAS？
- 复杂自适应系统CAS的定义：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。
- 复杂自适应系统的关键特征：包括代理的自主性、主动性、反应性，以及具有存储、学习、适应、自组织和新出现等属性。
- CAS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。
复杂自适应系统（CAS）的定义是基于两个阶段的算法方法，
- 第一阶段关注复杂性相关属性，
- 第二阶段涉及自组织和涌现的自适应特性。
复杂系统的第一阶段定义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。
复杂自适应系统的第二阶段定义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 理论的主要好处是：
- 它基于自下而上的方法，
- 它不遵循自上而下的方法；
- 没有严格的层次结构。
CAS的例子
复杂自适应系统（CAS）几乎存在于生活的各个方面以及各个研究领域。
CAS 的例子包括人类系统、人类社会、生态系统、股票市场、免疫系统、医疗保健系统、经济系统、供应链管理系统、语言、社会系统和商业模式。
什么是一般复杂系统CS
复杂自适应系统CAS与一般复杂系统CS容易混淆。
根据 Cilliers [ 10 ] 的说法，复杂性是在信息有限的情况下进行本地操作的元素之间高级交互的结果，CS 包括以下特征：
- 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，因为这些条件使系统变得平坦；
- CS 中的各个元素不了解整个系统的行为。
”预期性“是区分 复杂自适应系统CAS 和 一般复杂系统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。
CAS名词解释
复杂自适应系统CAS 一词中：
- “复杂Complex”一词是指多个不同代理之间存在大量连接。
- “自适应”一词代表了智能体的学习和变化结果。
- “系统”一词是相互关联、相互依赖的实体的集合。
CAS定义难以达成共识的原因
围绕 CAS 定义达成共识的困难在于确定纳入和排除标准。
在大多数情况下：
- 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。
- 此外，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，主要原因之一似乎是在理解基于代理的系统中代理的属性方面也缺乏共识。
在这种背景下出现了以下研究问题：
- 定义 CS 或 CAS 所需的最低代理属性是什么？
- 被视为 CS 的系统的最低属性是什么？
- 被视为 CAS 的系统的最低属性是什么？
- 如何区分 CS 和 CAS？
本文的贡献如下：
- 对一般复杂系统CS 和复杂自适应系统CAS 之间实现明确划分，提供满足 CS 定义的最少代理属性和满足完整 CAS 定义的有序属性集；
- 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；
代理定义
代理：主体具有自主性、主动性、反应性和社交能力
代理至少需要具有以下属性：
- 自主：如果代理在没有任何内部或外部干预的情况下执行操作，则被定义为自主。他们完全独立，没有中央权威；
- 反应式（Reactive）：智能体感知自身所处的环境并及时响应变化；
- 主动：代理人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：智能体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。
记忆定义
确认了上述代理属性后，我们继续讨论下一个与记忆相关的条件。
据 Cilliers [ 10 ] 的说法，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：它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。
学习与适应
我们假设有关行为模式、环境变化和系统状态的信息存储在存储器中。当新的模式、环境的新变化或者系统的新状态出现时，系统会根据新的情况或条件进行学习和适应。
代理通过自己的行为、其他代理的行为、从其他代理或代理自己的行为收到的反馈以及环境或代理结构的变化来学习。当智能体因学习而改变其行为或策略时，就会观察到适应。
（banq注：上述定义是从人的这个上下文角度去建模的，其实chaGPT 之类AIGC生成人工智能是以另外一种范式）
聚合行为和进化过程
先前的学习和适应条件是指单个智能体执行其任务，与其他智能体交互，并对记忆和环境的变化做出反应。这种行为是局部水平的
系统级别的学习和适应会增加复杂性，并且是一致且连续的进化过程背后的驱动力，导致 CAS 随着时间的推移而发展。因此，对于一个按照我们的定义被认为是 CAS 的系统，它需要在宏观层面上表现出学习和适应，并利用这种聚合行为来驱动一个进化过程，使其能够发展和适应。
自组织和涌现
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。自组织遵循自下而上的方法。
主体对信息的同化以及对其自身行为、反应和交互的重要性的理解是在宏观层面上对系统的整体行为做出贡献的因素。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。
- 环境上下文中的动作、交互、变化以及代理对这些变化的响应可以存储在存储器中，以便在系统出现新的变化或状态时进行比较。
- 记忆是自组织系统的核心，没有记忆就无法实现聚合行为。
如上所述，学习、适应和集体行为在实现涌现方面发挥着至关重要的作用。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。这种集体行为及其管理的结果可以为在大型系统或组织中实现可靠的流程提供基础。
（自组织和涌现的先决条件）： 如果没有记忆、学习和适应，自组织和涌现是不可能的。一旦智能体使用记忆、学习和适应，它们就会自我组织。自组织可以在代理或系统级别观察。只能在系统级别观察到出现。
详细点击标题
总结
本文首先总结了文献中对复杂系统和CAS的定义和特征的多元化阐述。
然后，提出了一个新的CAS定义框架，分为两个阶段：
- 第一阶段着重于复杂系统的特征，
- 第二阶段涉及自组织和涌现等自适应特征。
作者还通过两个案例研究展示了该框架的应用，分别是在医疗保健系统和供应链管理中。
最后，作者讨论了该定义框架的局限性和未来的研究方向。