自适应行为的稳定性测量方法及其应用性分析

阵列11（2021）100069在不断变化的环境中（自）适应行为的稳定性：一种量化方法Martin Goller，Sven Tomforde*Chris tian-Albrechts-Universi ta€tzuKiel，IntelligentSystems，Hermann-Rodewald-Str. 3，24118，基尔，德国A R T I C L E I N F O保留字：自我意识自适应和自组织系统系统分析稳定性自适应程度自主计算有机计算A B S T R A C T自适应和自组织（SASO）的概念是一种现代的方法，以应付不断增加的复杂性和大规模组件系统的相互联系。其基本思想是通过重新配置生产行为和/或与其他系统的关系来对环境动态和干扰做出反应。然而，这可能会导致不稳定，甚至振荡的宏观行为，可能使所包含的组件系统的适应努力不适当。我们假设这种不稳定的配置是意外行为的指标，这可能导致整个系统的效用降低。为了使系统能够自我意识到这些事件，我们提出了一个概念，通过创建一个派生的时间序列的基础上的配置来测量SASO系统的配置稳定性。这是基于Kinoshita测量的应用我们展示了概念的适用性和在不同模拟用例中观察到的行为1. 介绍在过去十年中，（自）适应性日益成为下一代信息和通信系统设计的一个组成部分[1]。诸如智能系统[2]、网络物理系统[3]、物联网[4]或自我感知计算系统[5]等概念在系统工程中建立了一种趋势，即向典型分布式自治子系统的星座发展，这些子系统动态地集成到整个系统星座中，并响应于不断变化的情况自适应其行为[6]。在本文的其余部分，我们将具有自主修改其行为和与其他（子）系统合作的结构集成能力的系统为了使SASO系统具有上下文感知自适应的能力，已经提出了不同的方法[9]，例如通过自动计算[7]或有机计算[8]倡议。提供了一个概述。这些系统设计通常包含自主学习技术，以允许自适应行为的连续和无监督改进[10]。这些努力的结果是，系统可以快速和连续地对变化的条件以及扰动做出反应[11]，从而实现更高的鲁棒性[12]。正如在以前的工作中所概述的[13]，我们假设过于频繁（子）系统的自适应决策将导致整个系统的稳定性降低，并可能导致用户接受度降低。虽然每个子系统级的自适应决策都可能有一个完美的理由，但由此产生的宏观行为和分布式子系统行为的相互作用可能导致不稳定甚至振荡的尽管在SASO系统中对系统属性和运行时行为进行了一些量化工作（概述见第2.2节），但缺少的是一种综合方法，用于在一方面可能的性能和鲁棒性增益与另一方面系统稳定性和用户接受度之间平衡自适应决策在本文中，我们提出了实现这种建设性权衡的第一步-其基础是基于外部观察，基于量化“适应度”的思想，作者在参考文献[1]中提出了测量系统配置稳定性的第一个[14 ]第10段。上一篇文章评估了外部干扰场景和系统故障场景中的度量本文通过在两个新的场景中评估该措施（见第4.2和4.4节）扩展了以前的工作，确定了关于行为及其可解释性的新见解，并给出了一种确定评估所需参数的方法（见第3.3节）。本文的其余部分组织如下：第2* 通讯作者。电子邮件地址：st@informatik.uni-kiel.de（新加坡）Tomforde）。https://doi.org/10.1016/j.array.2021.100069接收日期：2020年12月7日;接收日期：2021年3月22日;接受日期：2021年5月10日2021年5月28日网上发售2590-0056/©2021作者。爱思唯尔公司出版这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.elsevier.com/journals/array/2590-0056/open-access-journalM. Goller，S. 托姆福德阵列11（2021）1000692图1.一、参 考 文献1中的子系统a i的示意图[15 ]第10段。 从传感器和PS到CM的箭头指示观察箭头，而从CM到PS和致动器的箭头指示控制箭头。虚线箭头强调通常不使用的可能路径。未示出：CM能够与共享环境中的其他CM通信以交换信息（诸如传感器读数）并协商策略。解释了SASO系统的基本系统模型，包括作者提出的假设，并介绍了相关的工作。第三节提出了一种测量适应行为稳定性的方法，第四节对此进行了实验分析。最后，第5节总结了本文，并对未来的工作进行了展望2. 背景在本节中，我们首先描述了我们的系统模型，该模型定义了我们讨论的SASO系统的哪些特征和功能最后，简要总结了相关工作的进展2.1. 系统模型在本文中，我们将SASO系统S称为自治子系统ai的集合A，这些自治子系统ai能够基于对内部和外部条件的自我意识来调整其行为。 我们进一步假设这样的子系统是与其他实体交互的实体，即，其他系统，包括硬件，软件，人类和物理世界及其自然现象。 这些其他实体被称为给定系统的环境。系统边界是系统与环境之间的每个ai2A都配备了传感器和执行器（物理或虚拟）。在内部，每个ai由两个部分组成：生产系统部分PS，其负责系统的基本目的，以及控制机制CM，其控制PS的行为（即，执行自适应）并决定与其它子系统的关系。与其他系统模型相比，这对应于在有机计算（OC）[16]术语中的观察和控制下的系统（SuOC）和观察者/控制器串联[15]或在自治计算[7]术语中的托管资源和自治管理器之间的关注点分离图1说明了这个概念及其输入和输出关系。 用户通过提供确定子系统行为的效用或目标函数U来描述系统目的。用户通常不采取进一步的行动来影响子系统的决策生产系统和CM根据外部和内部条件以及与其他子系统交换的消息做出实际决策我们对每个子系统进行建模，使其自主行动，即，在整个系统中没有控制层次结构。 请注意，对于本文的上下文，PS的显式本地配置是必要的-这反过来又限制了所提出的方法的适用范围。此外，每个子系统必须提供对配置的读访问。在每个时间点，每个ai的生产系统都可以用向量ci来确定。该向量包含每个控制变量的特定值，可以独立于参数的特定实现（例如，作为实值、布尔值/布尔值、整数或分类变量）。每个子系统都有自己的配置空间，即：一个n维空间，定义了配置向量的所有可能实现。整个系统S的所有包含的子系统的当前配置向量的组合定义了S的联合配置。我们假设配置向量的修改仅由不同的CM完成，即在每个子系统本地完成，并且是CM自适应过程的结果。2.2. 相关工作在过去的二十年中，已经提出了一些工作，旨在测量和评估SASO系统的属性。最突出的例子是自组织[17]和涌现[18]。然而，这些指标中的大多数都需要领域知识，专用于特定的应用程序，仅限于简单的小规模模型[19]，或者描述在设计时比较系统的架构和实现属性[20]。Kaddoum等人 [21]讨论了将经典性能指标细化到SASO目的的必要性，并提出了自适应系统的具体指标。他们区分“名义“和“自我 *“的情况和他们的关系。例如，他们测量关于适应时间的操作时间以确定努力。一些发达国家的指标已经详细调查了卡马拉等人。 软件架构场景[22]。此外，成功和适应的努力和方法来衡量自主性进行了调查，见例如。[23]第10段。只有少数贡献集中在一般指标，以确定在自治子系统的分布式集合中（自）适应的努力和好处，见参考文献。[24]为一个整体。 例子包括工作时间和适应时间之间的关系、子系统对任务处理的可用性以及整个系统的性能（即，达到某个目标的程度）。这伴随着传统的性能指标的转移，见参考文献。 [21]或增加SASO系统控制策略所需的措施[25]。然而，重点的适应程度，适应的稳定性，并得出一个折衷的基础之间的可能的性能增益的单个组件系统和宏观层面的行为的负面影响还没有集中。一般来说，只有非常有限的数量的贡献时（如果在所有）适应文学。最近，Chen et al.提出了一个基于所谓的“技术债务”的概念此决定乃基于得出综合分数以界定当前所谓“暂时权益”及预期“收入”。 这隐含地允许本文中概述的类似目标：更稳定而不是频繁的自适应。然而，它并没有一个衡量标准来确定自我适应的程度或稳定的程度，最好是在当前的背景下。在[17]中，Tomforde等人介绍了一种基于子系统之间观察到的通信模式的比较来测量自组织的方法。他们的基本思想是本文提出的方法相媲美。在参考文献中。 [13，27]作者提出了将子系统的配置视为观察的生成概率模型中的可观察状态的想法。 虽然技术方法与本文类似，但重点不同，因为它超出了“自适应/自组织程度”。从根本上讲，本文介绍了这些测量的下一步。作为讨论的总结，我们可以说，仍然缺少一个统一的测量框架，用于量化考虑SASO系统适应行为的外部可测量系统属性。 无论是现有的方法集中在孤立的方面，如性能或他们利用领域知识。 基于能够评估由适应模块引导的生产组件的配置的假设，我们添加了一种在宏观层面上建模系统行为的新方法。这可作为更高级别评估的起点，例如稳定性（讨论M. Goller，S. 托姆福德阵列11（2021）1000693X1. Xξ2在本文中）、可变性或可接受性（取决于未来的工作）。从技术上讲，我们的概率方法与其他方法有根本的不同，因为它将分布式子系统配置的每个方面我们使用发散度量来比较观察结果，然后允许在此量化之上定义不同的自适应度量。3. 构型稳定性如果CM决定有必要进行调整，它将改变生产系统的配置由于CM使用的决策模型对外部观察者是隐藏的，因此我们将配置变化建模为随机过程，并将配置向量作为随机变量。因此，观察到的配置形成随机分布。对于这种分布，可以关联一个估计的密度，并且可以为新的配置分配一个关于该密度的概率我们的方法是基于这样的想法，即如果选择了具有高概率的新配置，则系统按预期工作，并且底层自适应是期望的或“正常的”。 在这种情况下，我们称配置状态为“稳定”。如果新配置的概率很低，我们仍然假设系统照常工作，这种适应是由于轻微的干扰。只有当在较长时间内选择低概率的配置时，我们假设3.2. Kinoshita措施为了应用木下测度，我们需要定义什么是活跃的和不活跃的代理人显然，我们的SASO系统的子系统是Kinoshita测量的代理。 我们的目标是确定每个子系统的配置是否稳定。因此，我们定义一个子系统为活动的，当且仅当它的配置是不稳定的。 也就是说，最新配置的密度和先前配置的密度的差异大于某个阈值。 这意味着，对于最新配置，选择的值遵循与前一个显著不同的分布。设ca;t2Rn是子系统a在时刻t的n维构形向量.我们将ca，t建模为随机变量。设M>1为窗口大小，L>0为延迟参数。使用适当的密度估计技术，我们基于ca，t的时间序列的一部分定义两个概率密度DCa，t和DPa，t：DCa;t：1/4密度densityDPa;t：1/4密度DC是当前窗口的密度，DP是时间序列中先前窗口对于这两个密度，我们现在应用Kullback-Leibler散度[29]测量KLPQZ∞pxlog g.px，2出现严重干扰或系统故障如果它归结为实现，配置参数通常表示为实数。因为一个实数向量2分;Þ¼-∞ð ÞZ∞qx.qx，（三）概率为P在连续密度中，我们将查看--∞qxlog2px由几个向量产生的概率密度。通过比较子系统在当前时间窗口和前一个窗口的配置，我们可以识别单个子系统中的异常适应活动。 为了在全球范围内识别SASO系统中的异常变化（即在宏观层面上），我们考虑了所有配置比较，然后应用基于Kinoshita [ 28 ]定义的“用于检测多智能体系统中异常变化的宏观测量“的测量。3.1. Kinoshita测度Kinoshita提出了一个衡量标准，他用它作为分布式多智能体系统中异常活动变化的指标Kinoshita定义了两个值，即给定时间的活动因子和活动因子波动的方差。活动系数是根据每一代理人的活跃或非活跃分类确定的。令N表示多代理系统中的代理的总数，并且令n t是在给定时间t的活动代理活动系数zt定义为：得到一个新的时间序列da;t：¼KL2×DCa;t;DPa;t×（4）最后，我们定义一个子系统a在时间t是活动的，如果da，t>0，对于阈值t。否则，子系统被称为非活动的。3.3. 找到正确的参数为参数M、L和λ找到合适的值对于计算出的Kinoshita测度的重要性至关重要。较低的稳定性将标志着配置变化不稳定，但仔细观察仍然可以接受为稳定。另一方面，过高的M和L值会掩盖短期出现的高幅度变化。我们的实验表明，这些参数的选择很大程度上取决于实际的SASO系统。一般来说，这些参数的配置因应用而异，应在运行时使用超参数调优进行自定义。然而，我们的目标是“足够好”的参考配置。z：¼2·nt-N1（一）找到这种可接受值的第一种方法是创建模拟，2·N对于给定的窗口大小M，在时间t的活动因子的波动Δt计算为：M-1模拟SASO系统的结构，并采集模拟子系统的结构时间序列 在下一步中，更改某些药物的这些数据样本，以便在几个步骤的受控时间点发生高幅度变化。然后我们创建一个优化问题：查找电子邮件：info@vs.z.com1XzM、L和Δ的最佳值，使得受控变化产生t t-M ·1/4t-I木下测量中的独特峰值我们的实验表明，最佳值取决于最后，我们计算波动的方差νt我们设定了人为的变化。然而，它们的变化范围非常有限。因此，合理的下一步是运行此优化Vt：¼M-1Mi¼0t-i-1M-1Mi¼02t-i（二）几次用不同的点进行改变。这给出了M、L和λ的分布。最常出现的值通常是实际评估的好值。Kinoshita认为，νt时间序列中的异常峰值是活跃和不活跃子系统的潜在分布发生异常变化的指示器因此，我们的目标是使用这种措施来检测这样的峰值，然后作为一个指标，不希望的适应行为，需要加以抑制。当然，这种方法只有在可以创造这种人为变化的情况下才有效。 如果基础模拟已经生成了具有宽范围值的配置样本，并且在一个时间帧中有很多变化，而在另一个时间帧中只有很少的变化，那么几乎不可能找到能够给出令人满意的结果的值。在这种情况下，我们认为不！M. Goller，S. 托姆福德阵列11（2021）1000694¼*定线.图二、其 中 一 只 受 影 响 鸟 类 的定向时间序列。值在π处环绕。扰动在t1/4500处的下降是可见的。系统从一开始就不稳定。事实上，正常和异常的适应行为无法区分在这些情况下，这使得我们的措施不适用。然而，目前的实验表明，对于所研究的场景，情况并非如此（未来的工作也旨在定义应用的限制）。4. 实验与评价我们分析了两个人工阻塞[30]和两个基本交通模拟中所提出的措施的行为。所有模拟都在MASON [31]模拟环境中实现。4.1. 有外界干扰的鸡群该模拟由50只鸟在一个环形平面上随机起始点和随机初始方向组成。我们考虑两种情况：第一个正常的模拟，第二个干扰。在这两种情况下，鸟儿都遵循着通常的捕食规则：● 对齐：一只鸟会将其方向与邻居● 凝聚力：一只鸟将转向所有相邻鸟类的中心● 回避：鸟会避开太近的邻居。对于这些规则中的每一个，计算方向向量vx，加权（用因子wx），然后加在一起。然后将该和归一化，并最终添加到给定鸟的当前方向v当前矢量，以确定其在下一个时间步长中的方向vnextv下一个¼v电流归一化w*v*图3. 启 发 式3.3的一些结果，用于a的第一次库存模拟修正后的版本1.红色：M1/L1/10，蓝色：M1/L1/20，灰色：M1/L1/25。图四、启 发 式3.3的一些结果，用于a的第一次库存模拟固定M¼L¼20。红色：0.2，蓝色：0.1，灰色：0.5。w回避 0.33，并且将总和归一化为0.7的值。在不受干扰的情况下，所有的鸟类都遵循这三条规则。在扰动情况下，一只鸟A0在时间点t1/4500被移除所有在50个单位距离内的鸟在两个时间步长内径向远离A0，然后再次遵循它们的通常行为（模拟例如，对射杀鸟类的反应内聚性避障v凝聚力v回避我们应用这些措施的配置是方向的鸟，表示为相对于x轴的角度（值来自对于两个模拟，值为w内聚力/w对齐/1.0，-π到π）的模拟环境。 图 2显示了时间序列（五）M. Goller，S. 托姆福德阵列11（2021）1000695¼¼¼¼¼ ¼¼¼¼¼¼¼¼ ¼¼¼ ¼ ¼联系我们-¼¼¼¼¼ ¼≥¼ ¼¼¼.Σ图五. 图2中鸟在受干扰的阻塞模拟中的方向分布的密度。红色：在t<$480至t<$500期间，蓝色：在t<$500至t<$520期间。其中一只受影响的鸟的方向大多数情况下，这只鸟的方向接近π，但当扰动发生时，它的方向突然改变为接近1的值然后，它需要大约120步的鸟重新调整到大部分的岩石。为了应用木下测度，我们需要固定M、L和m的值。为此，我们将未受干扰的模拟放入第3.3节的启发式中，并更改10%代理的配置值 从t200到t210，这些代理获得恒定的配置值1，从t300到t310，它们获得值0。因此，我们期望启发式算法找到这样的值，即一个峰值在t 200 L，一个峰值在t300L非常突出。图图3显示了固定值1的结果。 对于ML 10（红色图），我们看到在t190和t290处的峰，但在t200和t290处也有两个额外的峰。第210章几乎和第一个一样高ML25（灰色图）我们在t175处没有足够突出的峰蓝色图表显示了ML20的结果，它相当好地满足了我们的图4给出了改变参数的影响的印象。如果配置数据较低，则会将过多的座席视为活动座席，即使是那些未使用人为更改的配置数据的因此，灰色图（0.05）给出了太多的峰。蓝色图显示了针对101的结果，我们可以在其中识别出所需的峰以及一些较小的峰。红色图表显示的是2002年。在此，不存在其它峰然后，我们在其他时间点对人为变更的数据重复该过程。最后，启发式告诉我们，M和L的好值实际上接近M L 20，并且M L 1是合适的。我们要记住，高的α值可能会抑制重要的因子。因此，我们选择ML 20和M11来评估这个模拟。为了确定鸟a在t是否被计数为活动的，520在干扰模拟，我们需要计算分布密度DCa，520密度（ca，500，密度（ca，480，为此，我们使用参考文献[32]中的常见核密度由于方向是圆形的（在π处环绕），我们需要使用圆形核函数。在这种情况下，我们选择了von Mises内核[33]。 图图5显示了第一个时间窗口中分布中心接近2.7，第二个时间窗口中接近1.2的结果密度。见图6。 用于受干扰的阻塞模拟的Kinoshita活动因子。见图7。库存模拟的木下波动方差。红色：不安的情况下，蓝色：未受干扰。这只鸟的KL2值为da;520¼KL2DCa;520;DPa;520μ6： 11。这高于我们的阈值。因此，鸟a在t520处被认为是对所有的鸟和所有的时间点都这样做，我们可以计算出Kinoshita活性因子（基本上是活性剂的比例）采用公式1。结果如图6所示。在这里，我们已经可以识别出扰动事件的峰值以及其他高活动阶段最后，我们可以计算波动方差νt。图图7显示了受干扰（红色）和M. Goller，S. 托姆福德阵列11（2021）1000696¼¼¼¼¼¼¼见图8。在时间步t1/4250处的第二次解锁模拟。代理正朝着左上区域前进，该左上区域自t1/4205以来具有比右下区域更高的效用值。无干扰（蓝色）模拟。 除了由于Java双精度类型的算术精度的差异很小之外[34]，两个图在t 480之前都是相同的。在这一点上，时间窗口包含扰动。扰动在曲线图中产生了一个明显的峰值在扰动后不久，这些鸟在三个孤立的鸟群中聚集，其中两个在t900合并，导致第二个高峰。除了活动因素，波动方差强调这两个事件。4.2. 具有效用在这个模拟中，我们模拟了50个代理，这些代理再次漫游一个具有随机起点和随机初始方向的环形平面。接下来，我们为平面上的每个点分配一个效用值，使得除了两个圆形相交区域之外，平面上所有点的效用值都为零。代理遵循前面场景中的回避规则（但不是对齐或内聚，即w内聚w对齐 0），他们可以评估其当前位置的效用价值。每个代理的目标是留在最高效用值的区域内。如果它不在该区域内，它将转向该区域的中心，直到进入该区域（见图1）。（八）。这可以被看作是一群捕食者在一个有最好的猎物供应的区域里跑来跑去，或者是一群真空清洁机器人，清洁房子里最脏的地方在类比现实世界中，捕食者将大量消灭猎物，机器人将清除污垢，我们引入了效用值的动态。 两个非零效用区域的值U随时间变化，遵循具有恒定相位p和时间步长变量t的正弦函数：单位时间：单位时间0：001*p*t单位时间1秒=2这两个区域的相位参数分别为p7和p9。因此，它们的效用值以不同的速度在0和1之间振荡通过这种方式，我们迫使代理迁移到其他区域，这在通常的混沌运动行为上创建了一个显着的覆盖。在模拟开始时，右下角区域是具有最高效用值的区域。在150步内，所有特工都到达了这个区域。在t1/4205处，左上区域将变为具有较高值的区域见图9。效用变化模拟的木下波动方差。在t1/4 205和t1/4 588处的峰显示试剂对最高效用面积的变化的反应。见图10。用于交通模拟的街道网络。圆圈是十字路口，箭头是街道。然后代理人开始向它迁移在第588步，角色将再次切换。将智能体定向的时间序列放入我们的测量中，并应用启发式给出的参数M<$L<$12和M<$0.8，创建了如图2所示的vt图。第九章两个突出的峰显示了药剂对效用变化的反应它们是系统用户应检查的主要配置更改的指示器4.3. 具有内部干扰的交通灯网络第三种方案受到有机交通控制（OTC）系统的启发，该系统自适应交通灯的绿色持续时间[35]，建立渐进式信号系统[36]，并使用可变信息标志[37]引导驾驶员通过网络在这里，我们使用了一个抽象的交通模拟，其中SASO系统由七个相互连接的交叉口控制器组成。图10显示了街道的布局M. Goller，S. 托姆福德阵列11（2021）1000697¼¼¼¼¼¼¼图十一岁 E2→ D2车道交叉口D2处的红灯时间。见图12。第一次交通模拟的木下波动方差。红色：从t<$250到t<$400的交叉口被阻塞，蓝色：未受干扰。网络每个交叉口都试图通过优化每条车道的红灯时间来最大限度地减少所有车辆在所有进入车道的等待时间模拟中有250辆车它们是环境的一部分，而不是SASO系统本身。 每辆车随机选择目的地，并选择最短的路径到达目的地。当它到达目的地时，这个过程会重复，因此所有的车都在不断地运动。与OTC系统相比，SASO系统中的交叉口彼此之间没有通信他们的重组结果只是图十三. 第一次交通模拟的木下活动系数，交叉口堵塞从t<$250到t<$400。根据交叉口车道的当前交通量。要最小化的优化函数是所有车道上所有车辆的所有等待时间之和我们假设每辆车需要一个恒定的时间来通过十字路口，如果它是在第一个位置的一个进入车道的绿灯。因此，一辆车的等待时间由当前车辆离开交叉口之前处理的车辆数量定义在模拟的一个时间步中，可以处理多辆汽车未处理的车厢的等待时间被结转到下一个模拟步骤。 在每个模拟步骤之后，交叉口查看未处理车辆的等待时间，并尝试在下一步中找到最小化所有车辆的预期等待时间的红灯配置。在这种情况下，选择交叉点A和B之间的路径的概率为p0.9，选择E1和E2之间的路径的概率为p0.75. 因此，这两条独立的路径具有最高的交通量。然后我们封锁t250和t250之间的中央十字路口C400. 在此期间，十字路口C不可用，汽车必须使用其他路径。因此，交叉口D2将不得不重新计算其红灯时间以处理两个交通流。图11示出了交叉口D2处的一条车道的扰动结果。我们重新使用了之前场景中的启发式方法，该方法选择了M¼20步的窗口大小，L¼20的延迟和阈值λ10来生成时间序列νt。图12显示了有（红色）和无（蓝色）扰动的模拟的νt在初始设置阶段（需要70个步骤）之后，在未受干扰的情况下，当前和先前选择的配置之间不再存在差异。对于所有t>70，构型是稳定的另一方面，在扰动的情况下，构型的不稳定性清晰可见。封锁的开始和结束需要交叉口的高度重建工作，以处理变化的交通流量。这些效应表现为在t250和t400 处的两个峰。在模拟开始时，以及在阻塞期间和之后，仍然存在足够大的配置变化，可以算作活动，但它们不会产生孤立的峰值。 为了完整起见，我们在图中提供了用于该模拟的Kinoshita活动因子。 13岁 在这个时间序列中，封锁的信号不那么突出，产生类似的信号。M. Goller，S. 托姆福德阵列11（2021）1000698¼¼¼¼¼¼¼图14. 第二次交通模拟的街道网络。住宅用正方形标记，工作场所用三角形标记。图15. 从t<$250和t<$750开始，交通流量增加的高峰时间模拟的木下波动方差。4.4. 随环境变化的交通灯网络我们创建了这个额外的模拟，以测试在更嘈杂和更大的环境中的措施，其中一小部分子系统受到外部事件的直接影响该场景模拟了城市街道网络中的高峰时间 交通灯和汽车的运行方式与上一个场景相同，但我们使用不同的街道网络。 该网络代表两个岛屿，每个岛屿都有一个尺寸为3乘5的曼哈顿型网络。这些岛屿由三座桥连接 两个交叉口之间的连接为每个方向提供一条车道（见图1）。 14）。在整个模拟过程中，有250辆汽车随机行驶。此外，一个岛上的三个十字路口被指定为家园，另一个岛上的三个十字路口被标记为工作场所。在t250，总共500辆新车将随机出现在三个家园中，并开始驶向三个工作场所中的一个因此，桥梁必须在以下时间步长中处理从一侧到另一侧的增加的湍流当新车到达其工作地点时，它们将从模拟中移除。在这是重复的，但这次新车将从工作场所驶向家。图图15示出了具有参数M的该场景的时间序列νtL 15和102。由于随机背景交通没有首选路线，我们看到的是一个具有更多峰值的噪声时间序列。在t250和t750之后出现的峰值是由于较高的交通流量引起的配置变化增加。 这些峰值仍然清晰可见，但不像以前的模拟那样突出。其他峰值是随机交通的结果。这表明，该措施仍然适用于这种环境中，虽然它的性能，以识别重大事件不如在较少的噪音的情况5. 结论本文向量化运行时SASO行为的集成框架迈出了一步 基于评估自适应和自组织程度的概率方法的初步工作，本文提出了一种测量整个SASO星座内自治子系统配置稳定性的方法。以有机计算和自主计算的设计思想为基础，通过对生产单元的当前配置进行读访问，找到了适应机制与生产系统之间的接口方法。 我们表明，基于Kinoshita方法的拟议措施可用于识别系统配置中的全球异常，这些异常可作为异常适应过程的指标。识别这种异常的能力依赖于对所结合的超参数的选择。所提出的方法是一个整体目标，开发一个综合的测量框架，连续运行时分析的SASO系统属性的一步未来的工作遵循两个主要的研究方向：一方面，我们的目标是进一步的应用程序，更复杂的情况下，分布式SASO星座和评估的措施的行为这包括在实际应用中评估该方法，并找到更具建设性的方法来确定合适的参数。另一方面，我们在度量提供的指示符之上构建，以建立在自适应逻辑内使用此信息的运行时方法，例如，以更好地平衡由于自适应决定而可能的性能增益与对稳定性和相应的用户接受度的影响之间的折衷竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。确认本研究部分由德国研究基金会（ DFG ， 德国研究 基金会 ）根据TO843/5-1（项目“InTURN”）资助。这篇文章的出版得到了DFG在Open Acess Publizieren资助计划内的财政支持。作者感谢DFG的支持引用[1] [10]杨文辉，张文辉.自我完善的系统集成：掌握持续变化。2021;117：29-46.https://doi.org/10.1016/j.future.2020.11.019。http://www.sciencedirect.com/science/article/pii/S0167739X20330430.[2] Calma A，Kottke D，Sick B，Tomforde S.学习学习：动态运行时利用各种知识源和机器学习范例。在：2017年IEEE第二届国际研讨会的基础和自我 * 系统的应用; 2017年。p. 109比16M. Goller，S. 托姆福德阵列11（2021）1000699[3] Rajkumar R，Lee I，Sha L，Stankovic J. Cyber-Physical Systems：The NextComputingRevolution. 在：设计自动化会议。IEEE; 2010年。p. 731- 6[4] 张文辉，张文辉，张文辉.物联网：一项调查。Comput Network2010;54（15）：2787- 805.[5] Kounev S，Lewis P，Bellman K，Bencomo N，Camara J，Diaconescu A，Esterle L，Geihs K，Giese H，et al. The notion of self-aware computing.在：自我意识计算系统。施普林格; 2017年。p. 三比十六[6] Bellman K，Tomforde S，Würtz R.相互交织的系统：自我完善的系统集成。在：第八届IEEE国际会议。自适应和自组织系统研讨会; 2014年。p.123比7[7] Kephart J，Chess D.自主计算的愿景。IEEE计算机2003;36（1）：41- 50.[8] Müller-Schloer C，Tomforde S.有机计算-在现实世界中生存的技术系统，自动经济系统。 Birk hauserVerlag;2017.[9] Weyns D，Schmerl B，Grassi V，Malek S，Mirandola R，Prehofer C，WuttkeJ，AnderssonJ，GieseH，Go€ schkaK. 关于自适应系统的分散控制模式。自适应系统的软件工程2。Springer;2013. p. 76比107[10] D'Angelo M，Gerasimou S，Ghahremani S，Grohmann J，Nunes I，PournarasE，Tomforde S.集体自适应系统中的学习：实践现状与三维框架。2019年IEEE/ACM第14届自适应和自我管理系统软件工程国际研讨会。IEEE; 2019.p. 13- 24[11] Krupitzer C，Roth F，VanSyckel S，Schiele G，Becker C.自适应系统工程方法综述。 Pervasive Mob Comput 2015;17：184- 206.[12] TomfordeS，KantertJ，Müller-SchloerC，Bo€ deltS，SickB. 比较的效果自适应系统中的扰动-鲁棒性量化的一般方法。译Comput. 我请客内特尔2018;28：193-220.[13] Tomforde S，Goller M.适应或不适应：一种用于测量预期自我适应程度的量化技术。计算机2020;9（1）：21.[14] M. Goller，S.Tomforde，Towards a continuous assessment of stability in（Self-）Adaptation behavior，Proceedings of the 1st IEEE international conferenceon autonomous computing and self-organising systems workshops（ACSOS-W），6th Workshop on Self-Aware Computing（SeAC20）.[15] TomfordeS，ProthmannH，BrankeJ，HahnerJ，MnifM，Müller-SchrC，作者：Richard U，Schmeck H.观察和控制有机系统。In：Müller-Schloer C，Schmeck H，Ungerer T，editors.有机计算-复杂系统的范式转变，自治系统。Birkhause rVerlag;2011. p. 325-38[16] Tomforde S，Sick B，Müller-Schloer C.聚光灯下的有机计算，CoRRabs/1701.08125。http://arxiv.org/abs/1701.08125网站。[17] 张晓刚，李晓刚，李晓刚.在运行时测量自组织--一种基于发散度量的量化方法。In：Proc. of 9th int. Conf. onagents and artificial intelligence; 2017. p. 96比106[18] FischD，JanickeM，SickB，Müller-Schloer C. Quantitativ eemergency- arefined基于发散度的方法。IEEE Int. Conf. on Self-adaptive andSelf-Organizing Systems.IEEE; 2010年。p. 94比103[19] Chan W.智能体模拟中涌现行为的交互度量。In：Proc. 冬天的SIM卡会议; 2011年。p.357比68[20] 马夏德里·赖布勒特软件系统中自适应性方面的评估方法。Int. J. Adv. Softw. 2010;3（&12）：238- 51.[21] KaddoumE，RaibuletC，Georg'eJ-P，PicardG，GleizesM-P. 自我系统的评价标准。In：Pro.的ICSE作品。在softw。自适应和自管理系统工程2010. p. 29比38[22] C'amaraJ，CorreiaP，deLemosR，VieiraM. 一个国家的复原力实证评估基于体系结构的自适应软件系统。In：Pro.第10届国际ACM sigsoft会议。建筑; 2014. p.63比72[23] 格罗瑙河在信息物理生产系统中适当程度的自主权的决定因素。In：Proc. of 6th Int.Conf. on Changeable，Agile，Reconfigurable，and Virtual Production，52; 2016. p.一比五[24] [10]杨文，李文，李文.自组织算法性能度量研究综述与评价。自适应和自组织系统的过程是有效的. SASO-W '15）; 2015. p. 122比7[25] Filieri A，Maggio M，Angelopoulos K，D'ippolito N，Gerostathopoulos I，HempelA，Hoffmann H，Jamshidi P，Kalyvianaki E，Klein C，Krikava F，Misailovic S，Papadopoulos A，Ray S，Shari Bagooo A，Shevtsov S，Ujma M，Vogel T. 自适应软件系统的控制策略。ACM Trans Autonom Adapt Syst 2017;11（4）：24：1- 24：31.[26] 陈泰，巴松R，王S，姚X.适应还是不适应？技术债务和学习驱动的自适应，用于管理运行时性能。In：Proc. of the2018 ACM/SPEC int. Conf. 性能工程; 2018年。p. 48比55[27] 托姆福德湾从“正常“到“异常”：一个确定预期自我适应行为的概念。在：IEEE第四届国际研讨会的基础和自我 * 系统的应用; 2019年。p. 126比9[28] 木下在多主体系统中检测异常变化的宏观度量的基本特征。 MDPI传感器2015;15（4）：9112- 35.[29] 毕晓普角模式识别和机器学习。第二版 信息科学与统计，Springer; 2011。[30] Reynolds CW.羊群、牛群和学校：一个分布式行为模型。ACMSIGGRAPHCOMPUT. Graph. 1