智能网络物理系统推理机制的框架开发状况综述

可在ScienceDirect上获得目录列表计算设计与工程杂志首页：www.elsevier.com/locate/jcde计算设计与工程学报6（2019）527智能网络物理系统中实现推理机制的框架开发状况：文献综述Sirasak Tepjit，Imre Horváth，Zoltán Rusák荷兰代尔夫特理工大学工业设计工程学院信息物理系统设计研究组阿提奇莱因福奥文章历史记录：2018年9月15日收到收到修订版2019年3月19日接受2019年在线提供2019年保留字：信息物理系统系统智能开发框架系统级推理组合性A B S T R A C T智能CPS（S-CPS）已经超越了CPS的传统定义所确定的范围我们的研究的目的是调查的概念和实现的推理过程S-CPS，更具体地说，框架提出的模糊前端的推理机制。本文的目标是：（i）分析CPS的框架概念和实现，（ii）从处理知识、构建意识、推理机制、决策和适应的角度回顾有关系统级推理及其使能因素的文献。我们的发现是：（i）感知和适应行为被认为是传统设计方法无法实现的S-CPS的系统级智能;（ii）基于模型和可组合性的方法不足以支持S-CPS推理机制的开发;（iii）S-CPS推理开发框架应支持组合设计。基于上述结论，我们认为，应对组合性的挑战，需要软件级集成和整体融合的知识，通过语义转换。这就需要一个多方面的框架，至少能够捕获概念，功能，架构，信息，互操作和行为方面。它需要进一步的调查，如果一个组合性使框架应该出现在一个元框架（抽象）或语义集成（具体）框架的形式。©2019计算设计与工程学会Elsevier的出版服务这是一个开放在CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下访问文章内容1.导言. 5282.编写文献研究报告5292.1.开展研究的推理模型2.2.数据收集方法2.3.初步定量分析的结果5293.网络物理系统5293.1.CPS 529的表现和演变3.2.作为整体能力的系统智能5304.设计赋能框架5304.1.框架的基本概念4.2.系统开发中使用的各种框架4.3.分析框架的组成部分5315.系统级推理的最新技术概述5.1.在系统级推理中引入组合性5315.2.系统级推理的计算实现5.3.系统级推理的使能器。.......................................................................................................................................................................................................................5335.3.1.系统知识533q选自第25届ISTE跨学科工程国际会议，2018年7月3日由计算设计与工程学会负责进行同行评审*通讯作者。电子邮件地址：s. tudelft.nl（S. Tepjit）。https://doi.org/10.1016/j.jcde.2019.04.0022288-4300/©2019计算设计与工程学会Elsevier的出版服务这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。528S. Tepjit et al./ Journal of Computational Design and Engineering 6（2019）5275.3.2.系统意识5335.3.3.推理机制5345.3.4.决策5355.3.5.系统适配5355.4.计算推理的框架内容分析6.调查结果和讨论5377.结论和对今后工作的建议5387.1.根据已完成的分析提出的建议5387.2.未来的查询选项538利益冲突参考文献5381. 介绍网络物理系统（CPS）被理解为将网络和物理领域的组成部分紧密结合在一起的系统CPS的计算部分通过传感器和致动器的网络监视和控制物理过程它们通常使用基于模型的方法进行设计，并根据一组规则针对给定情况进行预编程，并使用传统的反馈控制回路进行调节（Derler，Lee，&Vincentelli，2012）。CPS可以在各种规模上实现，从纳米世界到大规模系统的系统。它们与环境的复杂交互以及与其他系统的互操作可能导致不可预测的现象和行为（TanikBegley，2014）。为了应对新出现的行为，CPS应该配备系统级的智能，超越自适应系统通常可以实现的智能基于模型的设计是系统设计和工程中开发复杂系统最广泛使用的方法。它提供了在不同抽象层次上对系统进行建模以及在不同应用条件下研究组件和系统行为的工具和方法。基于模型的设计是一个概念框架，它通过物理现象的抽象、数据驱动建模、逻辑表示、物理和互连结构来支持系统设计（Putten，Der，Voeten，Geilen，Stevens，1998）。目前使用的框架传统CPS的开发支持基于模型的开发和操作（Liu，Mashayekh，Kundur ， Zourntos ，&Butler-Purry ， 2013; Liu ， Zhang ，&Chen，2017）。因此，它们促进了系统开发中面向可组合性的方法。该系统设计原则的主要假设是，系统可以通过接口非自适应组件以自底向上的方式组成。然而，这种框架对组合系统的开发提出了许多限制。组合方法实现了自顶向下的视角，并以整体的方式考虑系统。 它旨在在系统的功能元素之间创建协同作用，以实现系统级属性，而这些属性无法通过整合系统组件的局部属性来实现（Horváth Gerritsen，2013）。我们的初步研究得出的结论是，有知识差距的框架开发支持组合设计的推理机制S-CPS。主要的问题是一个框架应该如何促进智能网络物理系统中推理的发展。我们的文献研究的具体目标是：（i）分析的框架概念和实现的CPSs的基础上的各种设计方面（ii）审查的文献涉及系统级推理，计算实现，其使能因素的观点处理的知识，建设意识，推理机制，决策，和适应。我们的最终目标设计使能框架计算实现知识意识系统系统层次推理系统-适应使内容域话语域决定-推理机制Fig. 1. 进行文献研究的推理模型。S. Tepjit et al./ Journal of Computational Design and Engineering 6（2019）527529是创建一个新的框架，支持开发系统级推理。2. 文献研究2.1. 进行研究的推理模型本文报告的研究结果，我们完成了收集出版物从网络存储库，以了解目前的状态框架设计推理平台的智能网络物理系统。更具体地说，我们专注于支持推理机制设计的框架，这些框架通过实现CPS背景下所需的各种推理过程来创建系统级智能（Seshia，Hu，Li，&Zhu，2017）。我们根据图1所示的推理模型完成了我们的研究。1.一、这个推理模型有三个主要组成部分：（i）为研究提供上下文信息的领域，即：网络物理系统和系统智能，(ii) 研究的话语领域，设计使能框架，以及（iii）为研究框架提供内容信息的领域，即：系统级推理，计算实现和推理的通用使能器。后者包括系统知识、自我意识、自适应、推理机制和决策等概念。这些被视为在S-CPS中实现智能的必要条件（Horváth，Rusák，Li，2017）。这些领域及其要素之间存在着许多认识论和方法论上的关系，这使得我们的研究变得复杂。我们将使用这个推理模型来构建本文的其余部分2.2. 数据收集在我们的文献研究中，术语框架对与推理模型相关的研究提出了一系列相关的关键词，如：系统级推理、自感知、自适应、智能、智能信息物理系统、知识、上下文和情境感知、推理机制和系统自适应。为了验证我们的推理模型，我们探索了这些关键字之间的关系，发现我们的文献搜索的出版物。我们利用Web of Science核心数据集作为主要数据源。其他来源，例如，在特定学科相关的CPS和网络知识库的数据库虽然我们主要关注过去十年（2008-697篇出版物符合我们的检索标准，并作为我们文献研究的知识基础。2.3. 初步定量分析本节的目的是概述基于定量分析的S-CPS的验证，特别是推理。我们的目的是提供一个广泛的看法，目前的状况，并取得初步成果。浏览共收集的697份文件，我们发现209份出版物的标题或关键词中含有“框架”一词在这个子集中，我们发现了33个文件，讨论了与CPS开发相关的某种框架。进一步的研究发现，总共有134个框架与推理的一个或另一个方面有关。有59个框架涉及推理的知识方面，58个框架涉及系统感知，91个框架涉及推理机制，11个框架涉及决策，13个框架是针对系统自适应。虽然有一些框架与推理的两个或多个方面有关，但我们没有发现同时解决五个方面中每一个方面的框架的描述（见图1）。 2）的情况。基于这一发现，我们假设，最近的研究还没有处理这种结合的研究和开发的挑战，因此，没有建议的框架，这将涵盖所有方面的推理S-CPS。3. 网络物理系统3.1. CPS的表现和演变“网络物理系统”一词是在2006年左右提出的。CPS被认为是下一代工程系统的一种模型，其根源在于硬件设备、嵌入式软件和大量数据流的紧密集成（Broy，图二. 维恩图显示了解决系统级推理的五个方面的框架的数量。530S. Tepjit et al./ Journal of Computational Design and Engineering 6（2019）527Cengarle，Geisberger，2012）。传统的CPS通常使用基于模型的方法来设计。它们被预先编程了一套关于给定情况的规则，并在任务中进行调节，关闭感知-处理-驱动循环（Nawaz，Petrov，Buchmann，2014）。大多数CPS表现为系统的系统。它们属于通过通信网络作为开放系统互连的较大系统。系统之间复杂的交互和互操作可能导致现象和行为的出现。CPS被认为能够处理操作中的不确定性和不可预测的情况，并快速适应环境中的异常。这需要CPS提供一定程度的情报。然而，并非所有传统CPS都能够满足这一要求（Dumitrache，2011）。Engell等人指出了开发CPS的认知方面的转变，并说明了与之相关的 新 的 研 究 挑 战 （ Engell ， Paulen ， Reniers ， Sonntag ，Thompson，2015）：（i）处理现实生活中的大量数据;（ii）态势感知(iii) 学习和适应;（iv）分析用户行为，发现需求和异常。他们还声称，认知CPS可以向前迈进下一代CPS。关于CPS的演变，科学家和实践者有不同的看法。目前尚未就下一代CPS达成一致意见。由于越来越需要澄清系统智能的理论，方法和计算问题，这些主题已被确定为CPS研究的分支之一的目标。&&‘术语智能网络物理系统（S-CPS）可用于描述下一代CPS，其配备有一定水平的计算智能，使其能够建立意识，推理目标和操作状态，并适应。S-CPS需要不同的功能和结构框架比传统的CPS由于支持系统级的组成特性，如智能性，可靠性，安全性，或开放性的实现的必要性。Ollesch，Hesenius和Gruhn（2017）声称，基于事件的控制范 式 是 S-CPS 中 所 需 的 自 适 应 分 析 控 制 机 制 的 重 要 推 动 因 素（Ollesch等人，2017年）。然而，到目前为止，很少有帐户存在如何工程智能系统与智能的基础上实时事件处理。在我们看来，CPS是网络化的知识密集型多参与者系统，智能正在成为下一代的典型特征他们已经根据智力水平（自我意识）和组织水平（自我适应）进行了分类（Horváth等人， 2017年）。第一代CPS的典型特征是自调节和自调整，第二代CPS将被自感知和自适应所取代。这些能力不是由单个组件产生的，而是由整个系统的协同操作产生的。3.2. 作为整体能力的系统智能聪明是人类思考、感受、行动和创造的一种间歇性品质现代工程系统旨在能够智能地运行和提供服务。然而，系统智能的概念尚未得到巩固，尤其是在新兴产品的背景对一些人来说，聪明这个词是“老练”或“机敏”的同义词对于其他人来说，它意味着&因此，很难确定系统智能的真正内容，也很难对系统智能达成共识根据系统理论，智能是一种系统级特性，使系统能够超出其特定编程的范围运行，但不会从根本上改变其域、目标和运行资源（Mele、Pels、&Polese，2010年）。智能被解释为一类系统的典型根据Gottfredson（1997）的推理，它是理解我们周围环境的更广泛和更深入的能力的第一级表现-在文献中已经从不同的角度讨论了系统智能性。主要的是（i）智能普适系统（Datta，Dey，Paul，Mukherjee，2014），（ii）智能软件系统，（iii）传感器数据驱动系统（Scheidl，2016），（iv）人工智能启用系统（Arel，Rose，Karnowski，2010），以及（v）上下文感知自适应系统（Villegas，Tamura，Müller，Duchien，Casallas，2013）。这些系统的特征是，组件属性之间的关系在系统级别上创建了独特的操作模式，可以分配给任何单个组件，而只能分配给整体（Saarinen Hämäläinen，2010年）。智能操作假定系统各部分之间具有高层次的功能和体系结构协同作用.它超越了单纯基于还原论和传统基 于模 型 的 方法 的 分 析和 传 统系 统 设 计（ Bogdan Marculescu，2011）。从这个意义上说，整体论应该关注的是，对S-CPS的聪明是一种整体能力。它是组合性质的一个例子，就像其他系统级行为（例如验证，可靠性和安全性）一样（Zhou，Zuo，Hou，Zhang，2017）。4. 设计赋能框架4.1. 框架的基本概念框架一词对不同的人和不同的行业有不同的含义在系统工程领域 ， 关 于 术 语 框 架 的 定 义 还 没 有 达 成 共 识 （ Stamer ，Zimmermann，Sandkuhl，2016）正如牛津词典中的定义，框架是服务于特定目的的东西的结构在科学解释中，术语某物可以被识别为抽象实体。因此，框架被推导为实体的安排，这在很大程度上取决于上下文。框架中的可能实体是例如。理论、概念、变量、定义、功能、系统组件和方法。实体的结构和实体之间的关系可以通过各种方法来安排，例如因果关系、层次图、形式逻辑表达、拓扑和数学模型。框架可以用于各种目的，例如，用于提供规定性指导、解释性说明、生成性结构、分析性问题解决使能器和预测性模型。这些目的可以结合起来开发一个框架（基于开发人员的心理模型，有数千种方法）。它可以从概念性的想法到详细的描述，这可以指导如何设计系统。它可能是从结构的轮廓（AliventRoveri&，2017）构建到基于组 件 的 框 架 中 看 到 的 复 杂 结 构 （ Feng ， Quivira ， Schirner ，2016）。这表明没有用于构建框架的标准模型，特别是在支持组合性的系统开发框架的4.2. 系统开发各种各样的形容词被用来识别特定类型的框架，如：一般框架，概念框架和基于模型的框架。还有很多其他的具体名称S. Tepjit et al./ Journal of Computational Design and Engineering 6（2019）527531用于突出显示与不同框架类型相关联的目的、上下文和/或方法。为了掌握所有这些，我们需要严格的分类或分类。在系统设计领域，最常使用的框架如下：（i）概念框架，是对概念的安排，有几种变化和背景。它是一个相互联系的概念网络，例如一组概念，概念和相关变量的定义，以 及 理 论 模 型 的 构 建 块 ， 共 同 提 供 了 对 现 象 的 全 面 理 解（AlivanRoveri&，2017）;（ii）逻辑框架，定义了具有特定目的的系统的逻辑骨架。通常，系统功能的关系由因素及其定义和逻辑表达语言表示（Choi，McCarthy，Kim，&Stehr，2014）;（iii）架构框架，涉及在设计和重新设计过程中创建，分析和表示系统架构的常见实践（Díaz，Pérez，Pérez，Garbajosa，2016）。它们可以在不同的抽象层次上构建，从高级系统行为到表示显式上下文，任务或功能的特定模型;（iv）基于组件的框架，这是基于组件的系统实现的骨架，可以由组 件 开 发 人 员 专 门 化 以 生 成 自 定 义 组 件 （ Cicirelli ， Fortino ，Guerrieri，Spezzano，Vinci，2016）。它们基于系统组件及其关系构建，通常由可重用、可替换和可扩展的模块组成;以及（v）基于模型的框架，以抽象的具体表示捕获信息，应用简化来理解系统的本质和细节，并基于模型提供与系统性能相关的答案（Zhang He，2011）。模型集是构建基于模型的框架的使能器。4.3. 框架的组成部分分析制定CPS的框架是各种组成部分的组合所分析的框架涵盖了各种各样的应用目的，包括安全性、可信性、可靠性、数据分析和管理、资源管理、系统验证和适应问题。为了给未来的研究建立一个完整的框架，我们根据应用目的将这些框架分为七组：（i）控制;（ii）可靠性;（iii）网络和通信方面;（iv）资源管理;（v）数据驱动;（vi）智能推理;（vii）组合性。根据文献报道的框架类型进行了分类从概念和关系的集合，形式逻辑表达式，(iii)架构安排，（iv）信息流，（v）相关计算方法，以及（vi）实施指南。从抽象层次、类属结构、功能结构、组件结构、行为结构等角度对体系结构进行了分析。我们已经分析了33个专门为支持CPS的设计和实施而开发的框架分析结果如表1所示。X单元格表示特定框架的组件。如表1所示：分析表明，框架的内容是多样性的。这取决于开发人员的观点，即使在类似的设计方面。框架的使用与它们的体系结构完全不同。框架的基本概念对于确定如何使用框架的指导原则至关重要。我们可以根据其目标和用途来区分探索性、解释性、分析性、预测性和决策性框架。我们的分析表明，大多数提出的框架是支持分析问题解决。框架发挥多重作用在CPS设计过程中的作用，包括：（i）支持对现象的观察和理解，（ii）解决问题并提出解决问题的方法;（iii）提供结合跨领域知识以创建新概念的方法，（iv）提供验证概念想法的逻辑结构，以及（v）提供可以被视为设计系统的蓝图的多层体系结构。分析表明，由于可能的组件范围可能包括一组抽象实体，从高级系统抽象（即概念、通用组件和系统行为）到低级组件操作（即功能、组件规范和实现指南），构建框架可能这表明没有标准方法或事实上的规则来指导框架的构建过程。这个问题也使得关于旨在解释系统级行为的高级抽象框架的利用陷入困境，如Rajhans等人所见。（2014）以及Kappé、Arbab和Talcott（2016）。这些出版物无法提供指导方针，说明应如何在框架的驱动下实施与大多数捕获低级别操作的框架相反，它们提出了实施指南，但没有提供有关系统级特征的信息。因此，很可能无法保证系统级属性（如智能）的实现。因此，示例性框架没有明确地解决组合性问题。5. 系统级推理的最新进展综述5.1. 在系统级推理系统级推理是一种认知推理的能力，它是由推理成分以一种协调的方式排列而成的。在最近的文献中已经提出了几个推理框架。例如，人工智能中的系统级推理通常通过表达“感知-思考-行动”（RaducanuVitrià，2008）来总结&&信念-愿望-意图（Belief-Desire-Intention，BDI）范式是一种常用于构建复杂Agent系统的操作体系结构。嵌入这种架构的经典框架是程序推理系统（PRS）（Caillou，Gaudou，Grignard，Truong，Taillandier，2017）。它包括三个主要过程：感知、解释和执行。另一个例子是FUSION框架，它实现了检测、计划和效果过程。它可用于设计和实现自适应软件系统的底层自适应逻辑。例如，它支持用于适应规则开发，例如，系统工作（例如，满足用户，实现目标），不要改变它;当它坏了，找到最好的修复方法，只修复坏的部分（Elkhovan，Esfahani，&Malek，2010）。Sense-Plan-Act循环也被用作自适应系统的推理概念（Steinbauer Woosh，2013）。这些循环基本上是通过使用基于规则的推理来执行的，该推理是基于演绎原理实现的（Berka，2011）。通过传感器和执行器技术的进步一般来说，系统可以将来自其环境的真实世界数据与相应过程的知识以及系统内部如何工作的知识相结合（Cala&Calà，2014）。在这些特征的基础上，系统级推理可以通过感知、识别事件、推断情况、从动态情况中学习、战略规划、决策和适应的各种过程的多个反馈回路来构建。这些过程的设计在概念上是不同的。组合性作为一种新的系统被引入表1分析框架的组成部分固件类型设计方面问题推理方面参考案例日志建筑结构信息compImp结果ABSGen有趣网beh概念控制可靠性动态调度与控制可信可靠性Gaham、Bouzouia和Achour（2015）David，Du，Larsen，Miku，and Skou（2012）Wu and Kaiser（2013）XXXXXXXXXXXX解释分析的分析联网&网络管理操作知识建模，Siryani，Mazzuchi和SarkaniXX预测通信资源自组织资源决策支持（2015年）Wang，Zhang，and Li（2016）XX分析管理数据驱动重新配置数据分析决策克劳利、布雷斯林和柯里XX决定-推理预测改进全面自我意识（2015年）Siryani，Tanju和Eveleigh（2017）《Alibaba and Roveri》（2017）XXXXX决策解释性知识转化知识建模，决策支持信息融合知识建模，Li，Song，Horváth，Opiyo，Zhang，and Xiong（2014）电影Petnga and Austin（2016）XXXXXXXX分析决定-逻辑资源数据存储和处理决策支持知识共享，Kim，Stehr，and Talcott（2012）XX使解释性管理推理适应推理规则知识共享;Choi等人（2014年）XX决定-架构可靠性安全适应变化Kang，Lee，Jeong和Park（2015）XXXX使分析可靠性时效Shih，Hsiu，Chang，and Kuo（2016）XXXX分析联网通信通信Eliasson，Delsing，Derhamy，Salcic和Wang（2015）佩斯、阿洛伊、卡利丘里和福蒂诺XXXXXXXXX分析决定-通信控制（2016年）优素福、埃尔赛义德和穆罕默德XXXX使分析互操作性适配上下文信息知识库，（2016年）Dillon，Zhuge，Wu，Singh和Chang（2011）Tanik和Begley（2014）XXXXXXX解释的资源资源管理适应Datta等人（2014年）XX分析管理数据管理Zhang，Yan，Xu，and Su（2014）XXXX分析可扩展性，灵活性，适应性，自适应Díaz等人（2016年）XXX分析灵活性，自我管理安抚管理层上下文感知侯赛因，拉赫曼，XXXX分析数据驱动面向服务（大数据分析）穆罕默德（2017）第50集9.6 The Fighting（2016）XX分析组件-推理上下文推理上下文建模Cicirelli等人（2016年）XXXXX解释性基于控制设计.计算方法Feng等人（2016年）XXXXXX分析模型-控制效率（成本，准确性）自我监控，决策-Liu等人（2017年）XXXX分析基于互操作使张和他（2011）X解释性可靠性安全当地知识Liu等人（二零一三年）XXX预测资源复原力/有效性资源管理Chiaradonna，DiGiandomenico和Masetti（2016）Nayak，Reyes Levalle，Lee和NofXXXXXXX分析分析管理（2016年）推理偏好感知组件意识Kappé等人（2016年）XXXX解释性组合性系统级验证Rajhans等人（2014年）XXXXX分析a缩略语：c =：概念; log =：逻辑表达式; abs =：抽象; gen =：通用; fun =：基于功能; com =：基于组件; beh =：行为; info =：信息结构; comp =：计算方法; imp =：执行准则。532S. Tepjit et al./ Journal of Computational Design and Engineering 6（2019）527S. Tepjit et al./ Journal of Computational Design and Engineering 6（2019）527533系统级推理开发的TEM表现原理这超越了传统的基于组件的设计方法，即系统组件（Seceleanu Crnkovic，2013）。组合性这个术语最早出现在语言学、数学和语义学领域。在语言学中，它被定义为实现由其组成部分的意义所决定的复杂表达的意义的原则（Hoeksema，2000）。在计算机科学中，组合性是通过组合和连接系统组件来适应系统操作的原则，并对整个系统进行推理（Ghani，Hedges，Winschel，Zahn，2016）。在系统设计领域，组合性框架用于系统级验证（Rajhans等人， 2014），系统意识（Kappé等人， 2016）和可扩展性（Tripakis，2016），但尚未用于实现系统级推理以及推理机制用于S-CPS。5.2. 系统级推理系统级推理的实现可以使用分析和综合计算方法在多个行为级别前者是基于硬件设备和软件应用的结合，其计算功能是利用已有知识通过逻辑推理得出结论。后者基于单一逻辑理论或复合逻辑理论，和/或试图实现与人类推理相比相对较高的真实性的计算方法根据文献，这两种方法通常用于不同的抽象层次分析方法为系统级行为的合理性提供了计算方法。在Dragomir，Preoteasa和Tripakis（2016）中，为仿真模型的分层框图提出了一种组合语义和分析框架。该框架提供了一系列的谓词和属性转换器作为语义的组合在一个系列中，并行，并在个别块的反馈。该方法旨在将实际系统的复杂性降低到一个抽象模型。例如，在（Schaefer&Poetzsch-Heffter，2008）中，在基于模型的验证中提出了组合推理，用于设计嵌入式系统。它应用一种形式化的语义来在一个高的抽象层次上捕捉系统组件的特征。在系统级模型上，推理应该确认系统及其模型在所考虑的属性方面具有相同的行为。这种方法的局限性在于，它不能提供用于推理智能系统如何操作的计算模型。然而，在大多数软件工程，计算机科学和人工智能实践中，抽象是通过编码过程在形式或计算模型中构建的，但设计的系统只能单独执行或部署（Saitta&Zucker ，2013;Subagdja Tan，2016）。在合成计算方法中，术语合成意味着推理架构、过程和结果是由计算合成产生的。这种方法通常通过基于AI的（Guo，Lu，Gao，Cao，2018），机器学习（Mauriski Kacalak，2017）和认知架构（Ng，Du，Ng，2017）应用于认知机器人，上下文感知系统和自适应系统领域。例如，记忆-注意力-合成（MAC）框架（HudsonManning，2018），它是一种端到端的可区分架构，用于执行多步推理过程。为了解决问题，模型被分解为一系列与计算单元相关联的推断推理步骤在Sarathy和Scheutz（2018）中，提出了计算认知启示的框架。认知循环由两部分组成，即基于逻辑的表示和执行综合推理的计算架构，即Action。计划推理，有意义的任务。这些方法没有明确地解决组合性问题。在Zhou et al.中发现了一种改进CPS组合性的尝试。（2017年）。几种结构的组件组成的可靠性和持续时间的说明。制定了组成规则这些规则确认了组件级的组合性，但不能保证系统级的组合性它假设如果整个系统都由组合规则表示，则可以实现系统级属性。5.3. 系统级推理系统智能需要与知识转换相关的推理机制的特定综合，例如基于上下文的推理，态势感知，目标驱动的战略规划，功能适应和行为进化，这些机制以协同的方式相互作用以产生智能。通过推理，系统可以在运行时操作中做出决策和自适应。在接下来的章节中，从系统知识，系统感知，推理机制，决策和系统适应的角度来审查系统级推理的使能因素。5.3.1. 系统知识知识是对特定语境中信息的语义意义的认识和熟悉。系统知识是知识的符号化过程，与学习和推理过程密切相关（Kunze，Hawes，Duckett，Hanheide，&Krajník，2018）。它用于支持系统基于常见功能执行认知过程，包括感知、感知、建立情境意识、推理和学习、规划和控制以及通过反馈控制回路进行驱动（Metzler Shea，2010）。最近，知识是包括CPS在内的智能系统的主要组成部分（Lanting&Lionetto，2015; Petnga Austin，2013）。它们还需要整合各种知识，即推理事物的常识知识，定义动作和对象的知识，以及&系统知识是知识的符号化过程，它与学习和推理过程紧密相连（Kunze例如，2018年）。它可以从不同的来源获得，并通过知识表示捕获。新知识的构建也需要利用以前的知识和不同的认知过程。这意味着知识可以被捕获并为系统所用它可以从不同的来源获得，并以多种形式表示，包括分布式、符号性、非符号性、声明性、概率性和基于规则的（Rajeswari&Prasad，2012）。知识已经被建模，范围从非常非正式的对象-属性-值方案到严格正式的OWL DL。AlmeidaandLopez-de-Ipina（2012）认为本体是将上下文信息转化为知识的最佳途径之一本体通常被定义为概念化的明确它描述的概念和关系可以表示为层次概念树。实际上，很难手动创建涵盖大量实体、属性和属性的所有排列的本体从技术上讲，随着本体中三元组数量的增加，环境行为的推理时间变得不可持续（Almeida&Lopez-de-Ipina，2012）。这实际上是基于知识工程的知识建模方法的一个众所周知的缺点5.3.2. 系统意识意识是知识处理的产物，而监控（X。Li，Martinez，Rubio，2015）。它包含了背景，534S. Tepjit et al./Journal of Computational Design and Engineering 6（2019）527-541情况和自我意识。在动态变化的环境中运行的系统应该能够建立以下意识：(i)他们的操作环境（即需要动态调整任务和目标以响应外部因素），（ii）他们操作的情况（即，了解环境对营运的影响）;及（iii）自我意识（即：了解系统语 境 可 以 被 视 为 一 种 知 识 （ Gomes ， Marques ， Costa ，Novais，Neves，2010）。它指的是用于表征被观察实体的情况的任何一个系统很可能无法从一个孤立的实体中识别出一个情况。它需要多个实体，即人、地点、物理或虚拟对象，这些实体组合起来对 语 义 上 下 文 进 行 建 模 （ Gouin-Vallerand ， Abdulrazak ，Giroux，Dey，2013）。通常认为，使用知识工程技术的上下文建模将创建完整准确的模型。不同的方法已经被用于对某些上下文信息进行推理，即模糊逻辑、概率逻辑、基于本体的、贝叶斯网络、隐马尔可夫模型和证据的Dempster-Shafter理论（Bettini等人，2010年）。每种技术都有其自身的优点和缺点，如Gilman（2015）中的综述所示。为了支持知识密集型上下文推理，基于本体的模型被 证 明 是 产 生 有 意 义 的 上 下 文 信 息 的 最 有 前 途 的 技 术 （ Li ，Martínez，Rubio，2017）。态势感知是一种计算范式，它通常涉及在现实生活中使用态势的概念如果一个位置被指定为与其他对象的一组关系，那么对象及其关 系 都 可 能 随 着 时 间 和 位 置而 变 化 在 认 知 态 势 建 模 的 框 架 中（Jakobson，Buford，Lewis，2006），态势感知是态势管理的一部分，它基于感知和感知的步骤，旨在建立对当前作战态势的理解情境建模和推断的范围可以从使用简单的条件规则到应用更复杂的技术。它们被分为基于规范的技术（例如形式逻辑，时空逻辑和证据理论）和基于学习的技术（例如贝叶斯偏差，人工神经网络和网络挖掘），关于它们对问题描述复杂性增加的贡献（Ye，Dobson，&McKeever，2012）。自 我 意 识 可 以 被 看 作 是 更 高 层 次 的 情 境 意 识 （ Lewis ，Chandra ， Parsons ， Robinson ， Glette ， Bahsoon ， &Yao ，2011）例如，一个系统不断地意识到其操作和服务状态和行为。换句话说，自我意识是指系统从其环境中收集和处理信息的能力，以及自主理解可能影响系统实现其操作目标的外部和内部实体的情况的 能 力 （ Schlatow ， Moostl ， Ernst ， Nolte ， Jatzkowski ，Maurer，Herkersdorf，2017）。这种能力基于自我监控，通常由硬件和软件传感器网络实现。基于计算自我意识的工程学观点，它不仅是能力，而且可以被认为是集体系统的一种涌现属性，即使没有 单 个 组 件 对 整 个 系 统 具 有 全 局 意 识 （ Gurgen ， Gunalp ，Benazzouz，Galissot，2013）。作为S-CPS的一个典型特征，自感知对于在运行时变化的环境下实现可靠运行起着至关重要的作用。5.3.3. 推理机制推理是操纵先前获得的知识以得出新的推论或回答新问题的能力（Hudson Manning，2018）。推理机制执行综合推理过程，通常涉及对逻辑表达式/语句进行多个逻辑运算以得出结论（Patokorpi，2006）。在智能系统的情况下，包括在推理机制中的计算算法处理输入数据，并基于在特定上下文中针对给定目的的预编程来导出新知识。推理机制是实现智能系统的一种手段，它由一系列计算在智能系统、智能系统和自治系统的背景下应用了几种推理方法。基于规则的推理提供了一种处理和推理知识的自然方法.基于规则的知识系统具有模块化结构，可以很容易地用额外的规则进行扩展，并提供统一的知 识 表 示 （ Basu ， Agrawal ， Hazra ， Kumar ， Seetharam ，Beland，Lafond，2014）。然而，它提供了有限的表达来描述某些复杂的特征。因此，它不能充分利用事件提供的潜力。基于案例的推理 经 常 用 于 决 策 过 程 （ Sene ， Kamsu-Foguem ， Rumeau ，2015）。它可以根据某种情况确定一系列行动。基于本体的推理用于概念化实体之间的关系以创建知识。它通常与其他推理方法相结合 ， 例 如 基 于 规 则 的 推 理 ， 以 便 从 上 下 文 信 息 中 推 断 情 况（Cimino，Lazzerini，Marcelloni，Ciaramella，2012），或基于案例的推理，以便自动化决策过程。概率推理，如贝叶斯网络（BN）和隐马尔可夫模型（HMM），适 用 于 不 确 定 性 推 理 （ Romdhane ， Bremond ， Thonnat ，2010）。BN用于分析数据和专家知识，特别是在不确定性方面。他们可以很容易地以数学上连贯的方式处理来自不同来源的概率知识（Uusitalo，2007）。隐马尔可夫模糊逻辑是非常有前途的技术之一，它能够处理不确定性，不精确性和模型非确定性问题（PanBester，2018）。结合其他推理技术，如本体论，概率建模和基于规则的推理，它可以处理