基于系統動力學模型的物元相關網研究

李文軍，楊春燕

(1.廣東工業大學 可拓學與創新方法研究所，廣東 廣州 510006； 2.廣東工業大學 機電工程學院，廣東 廣州 510006)

基于系統動力學模型的物元相關網研究

李文軍1,2，楊春燕1,2

(1.廣東工業大學 可拓學與創新方法研究所，廣東 廣州 510006； 2.廣東工業大學 機電工程學院，廣東 廣州 510006)

在可拓學相關分析理論中，關鍵在于確定相關基元的函數關系。然而，在具體領域中運用的時候，相關函數的確定往往是比較困難的，也就局限了相關網方法的使用。文章以物元為研究對象，對物元的相關網進行了研究，提出了相關網的動力學模型建模方法以及一種在相關函數未知的情況下，基于系統動力學模型的物元相關函數近似構造方法。該方法的原理是通過基礎數據的收集和分析，在依據相關網建立的動力學模型中按照固定的步驟進行模擬分析，得出物元的近似相關函數。在此基礎上，相關分析的進行就變得簡單、可模擬。案例分析的結果表明，該方法能夠有效模擬和近似構造相關物元之間的函數關系，為相關網方法在具體領域中的運用奠定了一定的基礎。

可拓學； 物元； 相關分析； 相關網； 系統動力學； 仿真； 相關函數； 建模

相關網方法是可拓學中建立的利用基元模型研究基元之間的相關關系的方法[1]。目前對于復雜系統下相關網的量化研究較少，而對于復雜系統的研究而言，相關分析是一個很有用的分析方法。文獻[2]研究了復雜系統下相關分析中不同相關特征量值之間的函數關系，為復雜系統中相關網的進一步研究打下了堅實的基礎。文獻[3-7]基于基元的相關性介紹了傳導變換的概念以及傳導效應的計算方法。然而，對于復雜系統的相關網，如果能用更簡單系統化的方法進行分析和研究，為相關函數的近似構造提供依據，將會為可拓創意的生成和優選提供現實依據。

系統動力學是由美國麻省理工學院J.W.Forrester教授提出的一種對社會經濟問題進行系統分析的方法論和定性與定量相結合的分析方法。其目的在于綜合控制論、信息論和決策論的成果，以計算機為工具，分析研究信息反饋系統的結構和行為。系統動力學研究的是組成系統的內部若干因素相互間的影響，并加以模擬分析，得出最優的決策，使系統更加完善或者更好地發揮系統的功能。當然，這里的系統指的是對于分析的問題所建立的模型。文獻[8-13]對近年來系統動力學的廣泛運用領域進行了綜述，并且可以得出系統動力學作為一種系統的科學分析方法，實踐證明其在各種領域的應用研究效果顯著，在很多領域都具有很高的應用價值。

可拓學中相關分析理論雖然比較直觀地表述了各相關基元相關特征的量值之間的函數關系，但需要依賴于已有領域知識確定函數關系。根據文獻[14-19]可知，如果缺乏領域知識，目前有兩種處理方法：1)如果有相關的數據積累，則可以利用數據挖掘方法或統計方法獲得規則知識；2)如果沒有相關的數據積累，則只能用規則表示，不能定量地準確表示出來，也就不可能將相關影響過程用函數進行模擬。文獻[20]有效利用系統動力學進行數據挖掘工作，取得了很好的效果。

在分析時如果能直接通過將可拓學中相關分析和系統動力學有機結合，對相關分析而言，就可以使相關網能夠進行時間連續的動態仿真模擬，得出更加全面準確的分析，為生成更有價值、更準確的決策方案提供依據。

從系統動力學模型的組成部分來說，包括“流”與“元素”。“流”即為系統內傳遞的內容：信息或者實物。“元素”表示系統內全體屬性的一個表征量。一般來說，將所有狀態變量在某個時刻的取值視為系統當時的狀態即為狀態變量；系統輸入作用后在系統輸出端所出現的變量，是屬于不可控變量即為“速率”；“輔助變量”則是一個可以控制的變量，形成系統的輸入。

可拓學中的相關分析，可以形式化、定量化分析若干物元之間的相互作用和相互影響。本文研究的相關網是由具有相關關系的物元組成的網絡，在網絡內傳遞的內容可以是信息，也可以是實物，即為“流”。對于由多個動態物元組成的相關網，如果相關網內的每個動態物元都只有一個特征cm，該動態物元可表示為M(t)=(O(t),c,v(t))。設該特征在某一時刻t0的量值為v(t0)，且在時刻t1有v(t1)=v(t0)+Δv，此時，稱v(t0)為時刻t0處的狀態量，v(t1)為時刻t1的狀態量，Δv為狀態變化量。該物元的特征cm可以是“速率”或“輔助變量”，也可以是其他特征。

本文基于系統動力學模型和可拓學中的相關分析理論，針對一維物元，提出了建立物元相關網的一種方法，初步確定了本方法的使用步驟，并說明其應用領域。在此基礎上運用系統動力學理論對相關函數進行近似構造。案例分析說明了相關網方法與系統動力學進行結合的可行性以及該方法的優點。

1 相關分析與系統動力學建模

1.1 相關分析理論

為了讓人們更清晰、直觀地了解事物之間的相關關系和相互作用的關系，可拓學中研究了相關分析理論。相關分析是根據物、事和關系之間的相關性，利用基元作為形式化工具，對基元與基元之間的相關關系進行的形式化定量化分析。

基元描述了事物所有的特征及其相應的量值，如果沒有目的性地進行相關分析，則分析工作難以展開，同時工作量也異常大。而其中大部分的工作都是無用功。所以需要根據要分析的目標，選取與其相關基元中的相關特征進行分析，將不相關的特征摒棄，從而使分析工作簡單高效。本文僅以物元作為研究對象。

文獻[1]給出了基元相關的一般定義和相關分析原理。本文重點研究動態物元的相關，對動態物元而言，常用的相關關系包括同物異特征物元相關、異物同特征物元相關和異物異特征物元相關。

動態物元的相關具有如下原理：

給定物元M(t)=(O(t),c,v(t))，則至少存在一個異物同特征物元Mc(t)=(O′(t),c,v′ (t))或同物異特征物元Mo(t)=(O(t),c′,v′(t))或異物異特征物元M′(t)=(O′ (t),c′,v′ (t))，使M(t)～Mc(t),或M(t)～Mo(t)，或M(t)～M′(t)。

1.2 相關網方法

在可拓學中，物元可以形式化表示世間萬物，物元之間的相關關系都可以利用可拓學的相關理論對其進行形式化、定量化地分析。當某個物元并不能有效地用來研究問題時，可以考慮利用物元之間的相關關系，采用其他與之相關的物元來研究。另外，一個物元某個特征的量值發生變化，必將導致與其相關的物元的某些特征的量值發生變化，從而使物元發生變化。

由于一個物元可能與很多物元存在相關關系，用模型表述，就會形成一個網狀的結構，稱之為相關網，如圖1所示。相關樹是相關網的一種特殊情況。

圖1 相關網符號表示Fig.1 Symbolic representation of correlated network

由于世間萬物是在不斷變化的，所以相關網中的物元也會發生動態變化。當一個物元發生改變時，會導致網中與其相關的其他物元發生相應變化。由此可知，相關網應該是動態的。在某一時刻，物元是固定的，所以相關網也是唯一確定的。

建立相關網和初步分析的基本步驟如下：

1)將要分析的事物，建立初始物元模型Mi(t)；

2)利用相關分析原理和專業知識列出物元Mi(t)的相關網；

3)對相關網進行分析，確定引起物元Mi(t)變化的物元Mj(t)，或由于物元Mi(t)的變化而引起變化的物元Mj(t)。

在物元相關網中，由于物元都與其他物元存在著某種相關關系，所以不同物元之間的相關關系錯綜復雜。所以將相關網的表示進行變形[2]，單向箭頭表示有向相關，雙箭頭表示互為相關。例如，給定6個物元之間的相關關系，則相關網變成如圖2所示的相關關系圖。

圖2 6個物元形成的相關網Fig.2 The correlative network between six matter-elements

1.3 系統動力學模型的建模流程

系統動力學模型由“流”與“元素”構成。“流”分為“實體流”和“信息流”；“元素”包括“狀態變量”、“速率”和“輔助變量”等6個要素。

系統動力學建模的過程為[3]：1)了解問題、界定問題、確認研究目標；2)繪制所研究系統的相關反饋圖；3)建立對應的系統動力學模型；4)對模型進行測試，驗證模型是否可以再現真實系統的行為；5)利用模型模擬策略，選出最佳策略；6)執行策略。

建模流程如圖3所示。

圖3 建模流程圖Fig.3 Flow of modeling process

對于系統模型來說，反饋環的存在使模型的正確表示以及分析工作得以進行，從而得出準確有用的結論。可以說，反饋環是系統動力學中最重要的部分。本文中通過利用已建立的相關網，建立反饋環，以此找到模型中物元之間存在的循環關系。在此基礎上，便可選取其中的循環關系，建立流率流量圖，進行模擬和仿真。

2 基于系統動力學模型的相關網建模方法

基于系統動力學模型建立相關網的具體操作步驟如下：

1)針對具體研究對象的建立原始物元模型Mi(t)=(O(t),C,V(t))，建立的物元模型的維數和個數依具體研究對象而定，可以是若干個物元模型，其中的模型可以是一維模型，也可以是多維模型。

由于需要對研究對象進行動力學分析，就要求在建立相關網的時候必須包括所有與研究對象相關的物元。只有把研究對象的所有相關的物元組合在一起，共同建立模型，進行模擬分析后才能得出準確、實用的決策。

2)根據建立的物元模型選取相關的同物物元和異物物元，建立相關網，然后分析各物元的量值之間的函數關系。

但是如果要把物元相關分析過程用系統動力學模型描述，并且進行模擬分析，就必須對參與模擬分析的物元進行變形。變形需要滿足的要求是必須具有變量、參數和函數關系。

多維物元可以分解為多個一維物元。多維物元包括的信息量很大，對于那些沒有相關關系的一維物元可以直接省去。此時，任意兩個一維物元Mi(t)=(Oi(t),ci,vi(t))和Mj(t)=(Oj(t),cj,vj(t))便有了可以進行系統動力學分析的條件，即變量vi(t)、函數關系vi(t)=fij(vj(t)) 或vj(t)=fji(vi(t))以及函數方程中的參數。

3)建立物元相關網圖。相關網是在相關的物元中表示有關系的符號連起來所組成的網狀圖形。但是相關網中并不能表示一個線段的兩個端點物元的特征ci和cj的量值之間具體的關系：函數關系、模糊函數關系以及ci與cj兩者的量值之間誰是自變量，誰是因變量等關系。在明確所有相關物元的量值之間的函數關系的情況下，才能做進一步的模擬分析。

4)以包含特征ci的一維物元為研究對象，利用系統動力學軟件Venple對相關網圖進行變形，稱其為“動力學相關網”。

對相關網進行變形的方法：找出相關網中量值之間具有相關函數關系的物元之間的線段，結合相互之間自變量與因變量的關系將線段變成有向線段，單箭頭表示有向相關，雙箭頭表示互為相關，如圖2。需要注意的是：這里的相關包括同對象異特征相關、異對象同特征相關、異對象異特征相關。

在此基礎上，利用系統動力學軟件，將表示互為相關的雙向箭頭變成兩個單向相關箭頭，即相關箭。就變成了動力學相關關系網，如圖4。這樣做的目的是為了方便系統動力學建模，所以對相關網變形是必要的。

圖4 動力學相關關系網Fig.4 The correlation network of dynamics

5)結合特征之間的關聯傳遞關系，建立動力學模型，并進行模擬分析。

在4)的基礎上，整個相關網經過分析、變形已經逐漸走向可以直接建立系統動力學模型的方向。

①根據有向線段兩端的物元的特征ci和cj之間的正影響和負影響關系，在線段的箭頭處用符號“+”和“-”標出，調整相關回路，并將回路用符號表示，如圖5。

圖5 動力學相關回路圖Fig.5 The correlation loop of dynamics

②建立相關分析目標的存量流量圖。

假設以M4為研究對象，則其對應的存量流量圖如圖6。

圖6 M4的存量流量圖Fig.6 The stock and flow diagram of M4

③量化分析模型及仿真計算。

6)初步得出模擬結果，用于后續的分析。

3 利用SD模型的DYNAMO基本方程近似構造相關函數

3.1 SD模型的DYNAMO的基本方程

SD的主要過程之一是通過確定對象系統的水準變量、速率變量、參量、輔助變量等，分析各變量之間存在的函數關系，建立DYNAMO仿真模型，進行人工計算或者仿真[7]。這是得到描述系統內部反饋機制的流程圖后建立動力學模型并進行定量分析的主要工作。DYNAMO方程就是SD的數學模型或者量化分析模型。

DYNAMO主要采用差分方程式描述有反饋的社會系統的宏觀動態行為，并通過差分及代數方程式的求解(簡單迭代)進行計算機仿真的專用語言。其最大特點是簡單明了，容易使用。

SD的對象系統是隨時間變化的動態系統。在DYNAMO方程中，變量一般都有時間標號，規定如圖7。SD使用逐步仿真的方法，仿真的時間步長記為DT。

圖7 DYNAMO方程時間標號及其含義Fig.7 Time label of DYNAMO equation and it’s meaning

DYNAMO方程是SD的數學模型或者量化分析模型。基本的DYNAMO方程主要有以下3個[12]：

1)水準方程。它是計算水準變量的方程，也就是計算一維物元特征量值的方程。它的標準形式為

式中：LEVELt1表示過去t1時刻的水準量，即此時一維物元M(t1)=(O(t1),c,v(t1))的量值；LEVELt2表示現在t2時刻的水準量，即此時一維物元M(t2)=(O(t2),c,v(t2))的量值；DT表示兩個時刻t1和t2之間的時間間隔；RINt1t2表示該時間段內量值的增加速率；ROUTt1t2表示該時間段內量值的減少的速率。

2)速率方程。它是計算速率變化量的方程，用來計算從t1到t2時間段內一維物元特征量值變化速率的量值。

式中：L·t2表示t2時刻的水準量，即一維物元M(t2)的特征c的量值v(t2)；A·t2表示t2時刻描述水準變量的輔助變量；C為常數。

該速率方程并沒有標準的形式，根據要分析的對象而定。速率的值在DT內不變，速率方程是在t2時刻進行計算，而在自t1至t2的時間間隔(即DT)中假定保持不變。

3)輔助方程。它是用來輔助說明速率變量的方程。

式中:Rt1t2表示在時刻t1和t2之間的時間間隔內，一維物元M(t)關于特征c的量值v(t)變化的速率。

該輔助方程沒有統一的標準格式，有時需要其他參數方程來進一步說明。

另外還有賦值方程和常量方程，本文沒有涉及，此不贅述。

3.2 近似構造相關函數的操作步驟

由于SD的基本函數模型已經概括性地刻畫了影響系統的所有相關函數關系，該模型在大多數相關領域都是很實用的，也說明了該基本函數模型的準確性。所以，在進行相關分析時，準確相關函數未知的情況下，就可以利用SD的基本函數模型對該相關關系進行判定，并且進行近似的構造，以便于進行相關分析。同時，為了方便相關分析能夠利用系統建模這個簡單的工具進行操作，可以考慮按著系統動力學的規范來操作。這樣的好處是能夠運用系統動力學的領域，相關網的實際運用就可以拓寬到該領域。具體步驟如下：

1)近似構造某研究對象的相關關系時，首先要根據物元的構造規范，正確建立研究對象關于其特征和相應的量值構成的多個一維物元。確定相關的一維物元。

2)根據領域知識，搜集研究對象關于其特征的量值變化的一些數據，需要注意這些數據的變化規律。不同的函數曲線代表著不同的函數類型。作為佐證確定的相關函數是否符合事實并且可用的依據。

3)根據SD的基本函數模型，在符合相關數學規則的情況下，盡量從最簡單的函數方程出發來近似構造特征的相關函數。如果上一次確定相關函數沒有成功的話，根據上一次函數方程模擬得到的信息作為依據，逐漸將方程復雜化，繼續模擬分析，直到找到可以描述事實規律的近似相關函數。

4)利用已經建好的相關網動力學模型，在參數相同的情況下，對近似構造的函數進行建模仿真，根據搜集的數據，判斷函數的正確性，如果不正確，重復上述操作，直到找到符合實際規律的近似相關函數。

需要補充一點，在有數據支撐的情況下，盡量把相關網建得詳細一些，將有助于確定更加準確的相關函數。

根據客觀事實，可以確定相關因素并且在數據詳實的情況下運用本方法比較方便。對于受很多復雜因素影響的物元相關網，該方法并不適合使用。

4 案例分析

W公司是一家數字教學器材公司。VAX系列微型計算機是這家公司很成功的產品。每臺VAX微型計算機的售價在100 000～150 000美元之間。VAX11/750型微型計算機于1980年試制成功。其銷售主要是靠用戶的口頭傳播。通過對一定數量的數據樣本進行分析可知：銷售曲線成正態分布，產品累計銷售曲線呈現為S型結構。

為了讓產品的銷售過程持續保持良好的狀態。下面利用本文提出的方法來研究該新產品的銷售過程中與產品的銷售相關的因素，并且找尋相互之間的相關函數。對于企業來說，這樣就可以細致準確地模擬產品銷售過程的各種情況，為進一步做出正確的決策提供依據，使產品的銷售過程滿足企業的利潤訴求。

4.1 建模與相關分析

1)根據案例背景以及相關資料，建立產品的物元模型如下：

2)根據領域知識和相關分析原理分析各分物元之間的相關關系如下：

根據上述分析，可建立如圖8所示的相關網。

圖8 相關網Fig.8 The correlation network

對上述相關網進行分析，可以得出如下分析結果：在新產品的銷售過程中，要強提高銷量，即當前用戶的數量，就必須提高產品的銷售速率。同時，潛在用戶與用戶接觸產品的速率存在間接相關關系。它們也會影響當前用戶數量的變化，即M3(t)～M1(t)～M2(t)，M5(t)～M4(t)～M2(t)。

3)建立相關關系圖如圖9。

圖9 相關關系圖Fig.9 The correlations of matter-elements

4)對相關網變形得到系統動力學相關網。并分析各相關物元的量值之間的函數關系。系統動力學相關網如圖10。

圖10 系統動力學相關網Fig.10 The correlation network of dynamics

5)結合特征之間的關聯傳遞關系，建立動力學模型，并進行模擬分析。

根據上述步驟可得出相關網回路圖如圖11。

圖11 動力學相關網回路圖Fig.11 The correlation loop of dynamics

6)根據相關回路圖，找出回路中存在的反饋環(回路)，并且以系統的目標為重點，提取主要回路進行分析。

根據圖11可知，本系統存在4個反饋環，以銷售過程的現有用戶數量為目標，存在兩個反饋環如圖12。建立存量流量圖，如圖13。

圖12 銷售系統回路圖Fig.12 Flow of sales system

圖13 銷售過程存量流量圖Fig.13 The stock and flow diagram of selling progress

圖14 累計銷售量增長圖Fig.14 The growth label of total sales

圖15 歷年銷售速率Fig.15 The selling rate of calendar year

4.2 根據歷史資料近似構造各相關函數

1)對于不易確定的相關特征之間的相關函數，查閱并分析公司的歷年的相關數據，部分如圖14、15。

2)以SD的DYNAMO方程為依據，近似構造相關網內各物元特征的相關函數，并通過模擬，初步驗證相關函數的可用性。

根據專業資料可知：用戶群總數=當前用戶數量+潛在用戶數量，即v1(t)=v2(t)+v3(t)。

t+1時刻的潛在用戶數量=t時刻的潛在用戶數量-從t時刻到t+1時刻的時間間隔內產品的銷售速率·時間間隔，即v3(t+1)=v3(t)-v4(t)·DT。

t+1時刻的當前用戶數量=t時刻的當前用戶數量+從t時刻到t+1時刻的時間間隔內產品的銷售速率·時間間隔，即v2(t+1)=v2(t)+v4(t)·DT。

由于銷售速率受很多因素的影響，而且在數學函數無法獲得的情況下，根據收集的歷史銷售數據與領域知識可知：用戶接觸速率v5(t)、當前用戶數量v2(t)和潛在用戶數量v3(t)與銷售速率v4(t)成正比，可假設：v4(t)=v5(t)·v2(t)·v3(t)·R(t)·f(v1(t))

其中,R(t)為未知的影響因素函數。

經過反復的分析和模擬，最后一次模擬結果如下圖16所示。

(a)當前用戶(A)

(b)銷售速率(AR) 圖16 模型運行結果Fig.16 The results of the model

在參數相同的情況下，將模擬結果與搜集的歷史資料進行對比，可以確定近似構造的函數基本上可以比較準確的描述各相關特征之間的關系，近似構造對比結果如圖17～18。

圖17 銷售量模擬對比Fig.17 The comparison of modeling result of total sales

圖18 銷售速率模擬對比圖Fig.18 The comparison of modeling result of sales rate

所以，最終可以確定：

則各物元的量值之間的近似函數關系如下：

v1(t)=v2(t)+v3(t)

v3(t+1)=v3(t)-v4(t)·DT

v2(t+1)=v2(t)+v4(t)·DT

5 結論

可拓學中的相關分析理論為研究可拓變換的傳導變換提供了前提，在相關分析的基礎上實施可拓變換，可以避免傳導變換的負效應的產生，以獲得可行的創意，為創新、創造以及具體領域問題的研究提供了一種分析工具，為了更好地將相關分析理論運用到更廣泛的領域，以提高相關分析方法的可操作性，相關分析理論有待于在普適性以及運用的廣泛性方面進一步發展：

1)本文針對物元相關網，提出了相關網的系統動力學模型建模方法，為相關分析的實施提供了可智能化模擬分析的工具，在一定程度上為相關分析理論應用領域的拓展提供了可能。

2)在此基礎上提出了在動力學相關網模型中近似構造相關函數的方法。為相關函數未知情況下相關分析的實施提供了工具，在一定程度上彌補了相關分析理論運用中的局限性。

3)以W公司新產品銷售過程為例，通過對其建立相關網動力學模型，進行模擬分析以及近似構造未知相關函數，通過與對現實數據進行初步分析得出的信息對比，驗證了其有效性。

本文對相關分析的智能化模擬分析和相關函數的確定研究，可以為未來相關領域的應用及對相關網的進一步理論深入研究作打下基礎性工作。

[1]楊春燕，蔡文．可拓學[M].北京: 科學出版社， 2014: 43-46，130-133.

[2]湯龍，楊春燕. 復雜基元相關網下的傳導變換[J].智能系統學報, 2016， 11(1)： 1-9.

TANG Long, YANG Chunyan. Conductive transformation under complicated basic-element correlative network[J]. CAAI transactions on intelligent systems, 2016， 11(1)：1-9.

[3]楊春燕，蔡文．可拓學與矛盾問題智能化處理[J]．科技導報， 2014, 32(36): 15-20．

YANG Chunyan，CAI Wen. Extenics and intelligent processing of contradictory problems[J]． Science and technology review， 2014， 32(36): 15-20．

[4]YANG Chunyan，CAI Wen．Extenics: theory，method and application[M]. Beijing: Science Press， 2013．

[5]蔡文，楊春燕，何斌．可拓邏輯初步[M]． 北京: 科學出版社, 2004: 55-56．

[6]李立希，楊春燕，李鏵汶． 可拓策略生成系統[M].北京: 科學出版社, 2006: 46-62．

[7]汪應洛.系統工程[M].北京： 機械工業出版社， 2008： 86-102．

[8]張波，虞朝暉，孫強，等.系統動力學簡介及其相關軟件綜述[J]. 環境與可持續發展, 2010(2)： 1-4.

ZHANG Bo, YUN Chaohui, SHUN Qiang, et al. Overview of system dynamics and related software[J]. Environment and sustanable development, 2010(2)： 1-4.

[9]張力菠.基于系統動力學的管理決策建模研究[D].南京： 南京理工大學, 2001： 8-19.

ZHANG Libo. Research of management decision-making based on system dynamics modeling[D]. Nanjing: Nanjing University of Science and Engineering, 2001： 8-19.

[10]陳國衛.系統動力學應用研究綜述[J].控制工程, 2012, 19(6)： 921-928.

CHEN Guowei. Application research overview of system dynamics[J]. Control engineering of China, 2012, 19(6)： 921-928.

[11]畢克新,孫德花,李柏洲.基于系統動力學的制造業企業產品創新與工藝創新互動關系仿真研究[J]. 創新管理,2008, (12)： 75-80.

BI Kexin, SUN Dehua, LI Baizhou. Product innovation and process innovation-a system dynamics-based simulation of the interaction in manufacturing enterprise [J]. Innovation management, 2008, (12)：75-80.

[12]吳振華，黎蕓，貴文龍，等.基于系統動力學的住宅價格預測研究[J].技術經濟與管理研究， 2013(8)： 101-105.

WU Zhenghua, LI Yun, GUI Wenlong, et al. The forecast research of urban commodity residence price based on system dynamics[J]. Techno economics and management research, 2013(8)：101-105.

[13]鄭士源.基于系統動力學的兩廠商投資微分博弈模擬[J].上海海事大學學報, 2006， 27(4): 70-74.

ZHENG Shiyuan. Duopoly investment differential game simulation based on system dynamics[J]. Journal of Shanghai maritme university， 2006， 27(4): 70-74.

[14]梁吉業，馮晨嬌，宋鵬.大數據相關分析綜述[J]. 計算機學報, 2016, 39(1): 1-18.

LIANG Jiye, FENG Chenjiao, SONG Peng. A survey on correlation analysis of big data[J]. Chinese Journal of Computers, 2016, 39(1): 1-18.

[15]夏幼明，解敏，周雯.數據挖掘方法分析與評價[J]. 云南師范法學學報, 2003, 23(2): 7-16.

XIA Youming, XIE Min, ZHOU Wen. Analysis and evaluation of data mining [J]. Journal of Yunnan normal university, 2003, 23(2): 7-16.

[16]郭秀娟. 數據挖掘方法綜述[J]. 吉林建筑工程學院學報, 2004, 21(1): 49-53.

GUO Xiujuan. Summary of data mining[J]. Journal of Jilin architectural and civil engineering, 2004, 21(1): 49-53.

[17]王惠忠，彭安群. 數據挖掘研究現狀及發展趨勢[J]. 工礦自動化, 2011, 37(2): 29-32.

WANG Huizhong, PENG Anqun. Study on status and development trends of data mining[J]. Industry and mine automation, 2011, 37(2): 29-32.

[18]胡文瑜，孫志輝，吳英杰.數據挖掘取樣方法研究[J].計算機研究與發展, 2011, 48(1): 45-54.

HU Wenyu, SUN Zhihui, WU Yingjie. Study of sampling methods on data mining and stream mining[J]. Journal of computer research and development, 2011, 48(1): 45-54 .

[19]崔廣風.數據挖掘中的統計方法及其應用研究[D].成都：西南石油大學， 2014: 8-25.

CUI Guangfeng. Study on statistical method and Its application in data mining[D]. Chengdu: Southwest Petroleum University, 2014: 8-25.

[20]黨輝.基于系統動力學和云模型模糊數據挖掘的生態安全仿真預警[D].蘭州：西北師范大學, 2013: 29-49.

DANG Hui. Ecological security simulation early warning based on system dynamics and fuzzy data mining on cloud model[D].Lanzhou: Northwest Normal University, 2013: 29-49.

Researchonacorrelativenetworkofmatter-elementsbasedonasystemdynamicsmodel

LI Wenjun1,2, YANG Chunyan1,2

(1. Research Institute of Extenics and Innovation Methods, Guangdong University of Technology, Guangzhou 510006, China; 2. School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou 510006, China)

In the correlative analysis of Extenics, the key is to define the correlation function relating to the basic-elements. However, it is very difficult to define the correlation function when it is applied to specific areas and this limits the usage of the correlative network. In this paper, a correlation network based on matter-elements is studied. Then, we present a method for establishing a system dynamics model of the correlation network and a method for approximately identifying the correlation function based on the system dynamics model, in which the correlation functions under some related matter-elements are unknown. The principle of this method is to derive the approximate correlation functions of related matter-elements according to the principle of collecting and analyzing basic data, and establishing a kinetic model for simulation and analysis in terms of a fixed procedure in the correlative network. In this way, correlative analysis becomes easy and can be simulated. The clear conclusion is that the method efficiently simulates the correlation function and lays the foundation for the application of correlation analysis to specific areas.

Extenics; matter-element; correlative analysis; correlative network; system dynamics; simulation; correlation functions; modeling

2016-10-13.網絡出版日期2017-04-07.

國家自然科學基金項目(61273306)；廣東省科技計劃項目(2016A040404015).

楊春燕. E-mail: 276519106@qq.com.

10.11992/tis.201610013

http://kns.cnki.net/kcms/detail/23.1538.tp.20170407.1758.020.html

TP18

A

1673-4785(2017)04-0459-09

中文引用格式：李文軍，楊春燕.基于系統動力學模型的物元相關網研究J.智能系統學報， 2017, 12(4): 459-467.

英文引用格式：LIWenjun,YANGChunyan.Researchonacorrelativenetworkofmatter-elementsbasedonasystemdynamicsmodelJ.CAAItransactionsonintelligentsystems, 2017, 12(4): 459-467.

李文軍，男，1991年生，碩士研究生，主要研究方向為可拓學、工業工程、產品創新。申請專利3項,已授權2項。

楊春燕，女，1964年生，研究員，中國人工智能學會可拓學專業委員會主任，中國人工智能學會常務理事，廣東省未來預測研究會副理事長。主要研究方向為可拓學、知識管理、決策科學、創新方法與創新設計、數據挖掘、智能系統。國家自然科學基金項目、863項目、廣東省自然科學基金項目通訊評議專家，全國可拓學研究領域的學術帶頭人之一。主持國家自然科學基金項目3項、廣東省自然科學基金項目3項和廣東省科技計劃項目2項。獲廣東省科學技術獎二等獎1項、三等獎2項，獲中國人工智能學會首屆“吳文俊人工智能科學技術獎創新獎”一等獎1項。發表學術論文90余篇，授權發明專利3項、實用新型專利9項。出版專著10部。