双相演化
双相演化 Dual phase evolution （DPE）是一个在复杂自适应系统中驱动自组织的过程。[1] 它的产生是对系统组成部分所形成的连接网络中的相位变化的响应。DPE发生在广泛的物理、生物和社会系统中。它在技术上的应用包括制造新材料的方法和解决复杂计算问题的算法。
介绍
双相演化（DPE）是一个促进复杂系统中大规模有序涌现的过程。当一个系统在不同的阶段之间反复切换，并且在每个阶段中，不同的过程作用于系统中的组件或连接时，就会发生这种情况。DPE的产生是由于图论和网络论的一个性质：当边的数目增加时，图中的连接性雪崩将会发生。[2]
社交网络提供了一个熟悉的例子。在社交网络中，网络的节点是人，网络连接（边缘）是人与人之间的关系或互动。对于任何个人来说，社会活动都是在“局部阶段”和“全局阶段”之间交替进行的，在前者中个体只与他们已经认识的人进行互动，在后者中可以与他们以前不认识的大量人进行互动。历史上，这些阶段是由于时间和空间的限制而强加给人们的。人们把大部分时间花在局部阶段，只与周围的人（家人、邻居、同事）交流。然而，诸如聚会、假日和会议之类的间歇式活动涉及到一个全局阶段的转变，在这个阶段，他们可以与不认识的不同的人进行互动。不同的过程控制着每个阶段。从本质上讲，人们在全局阶段建立新的社会联系，在局部阶段则通过停止联系来改善或打破这种联系。
DPE机制
发生DPE需要以下特性[1]
底层网络
DPE发生在系统有底层网络的地方。也就是说，系统的组件形成一组节点，并且有连接（边）将它们连接起来。例如，家谱是一个网络，其中节点是人（有名字），边是关系，如“XX的母亲”或“XX的配偶”。网络中的节点可以采取物理形式，例如原子力将原子结合在一起，或者它们可以是动态状态或条件，例如棋盘上的位置，棋手的移动定义了边。
在数学术语（图论）中，图[math]\displaystyle{ \textstyle G = \langle N,E\rangle }[/math]是一组节点[math]\displaystyle{ \textstyle N }[/math]和一组边[math]\displaystyle{ \textstyle E \subset \{ (x,y) \mid x,y \in N \} }[/math]。每条边[math]\displaystyle{ \textstyle (x,y ) }[/math]提供一对节点[math]\displaystyle{ \textstyle x }[/math]和[math]\displaystyle{ \textstyle y }[/math]之间的链接。网络是一种图形，其中的值分配给节点或边。
相变
图和网络有两个阶段：断开（碎片化）和连接。在连接阶段，每个节点通过一条边连接到至少一个其他节点，对于任何一对节点，至少有一条路径（边序列）连接它们.
Erdős–Rényi模型表明，随着图中边密度的增加，随机图会经历连接性雪崩。[2]这种雪崩相当于最大连接子图大小的突然相变。实际上，图有两个阶段：连接（大多数节点通过交互路径连接）和碎片（节点要么孤立要么形成小的子图）。这些通常分别称为全局和局部阶段。
DPE 的一个基本特征是系统在两个阶段之间反复转换。在许多情况下，一个相位是系统的正常状态，它保持在那个相位，直到被扰动冲击到另一个相位，扰动可能来自外部。
选择和变化
在这两个阶段中的每一个阶段，网络都由不同的进程主导。[1] 在局部阶段，节点表现为个体；在全局阶段，节点会受到与其他节点交互的影响。最常见的两个工作过程可以解释为变异和选择。变异是指新特征，通常出现在两个阶段之一。这些特征可以是新节点、新边或节点或边的新属性。这里的选择是指修改、细化、选择或删除特征的方式。一个简单的例子是在全局阶段随机添加新边缘，在局部阶段有选择地删除边缘。
系统内存
一个阶段变化的影响会延续到另一个阶段。这意味着在每个阶段起作用的过程可以修改或改进在另一个阶段形成的模式。例如，在社交网络中，如果一个人在全球阶段结识了新朋友，那么其中一些新的社交关系可能会在本地阶段存活下来，成为长期的朋友。通过这种方式，DPE 可以产生如果两个进程同时运行可能无法实现的效果。
例子
已发现 DPE 存在于许多自然和人工系统中。[3]
社交网络
DPE 能够生成具有已知拓扑结构的社交网络，特别是小世界网络和无标度网络。[3] 小世界网络，在传统社会中很常见，是局部和全局阶段交替的自然结果：在全局阶段形成新的长距离链接，在局部阶段加强（或移除）现有链接. 社交媒体的出现降低了空间对社交传播的制约作用，时间成为了很多人的主要制约因素。
社交网络中局部和全局阶段之间的交替以许多不同的形式发生。阶段之间的一些过渡定期发生，例如人们在家庭和工作之间移动的日常周期。这种交替会影响公众舆论的转变。[4] 在没有社交互动的情况下，媒体宣传的观点的吸收是一个马尔可夫过程。DPE 下社会互动的效果是延迟初始吸收，直到转换的数量达到临界点，然后吸收迅速加速。
社会经济学
社会经济学的 DPE 模型将经济解释为经济代理网络。[5]一些研究调查了当 DPE 作用于网络的不同部分时社会经济学的演变方式。一个模型[6]将社会解释为一个职业网络，居民与这些职业相匹配。在这个模型中，社会动态成为网络内 DPE 的一个过程，在发展阶段之间有规律的转变，在此期间网络进入平衡状态，在突变阶段，在此期间网络以随机方式通过创建新职业。
另一个模型[7] 将社会经济活动的增长和下降解释为合作者和叛逃者之间的冲突。合作者形成导致繁荣的网络。然而，网络不稳定，叛逃者的入侵会间歇性地破坏网络，减少繁荣，直到新合作者的入侵再次重建网络。因此，繁荣被视为一个交替的高度繁荣、相互关联的阶段和不繁荣、支离破碎的阶段的双阶段过程。
森林生态
在森林中，景观可以被视为树木可能生长的地点网络。[8]一些场地被活树占据；其他网站是空的。在本地阶段，无树木的站点很少，并且被森林包围，因此空闲站点的网络是碎片化的。在这些免费站点的竞争中，本地种子来源具有巨大的优势，来自远方树木的种子几乎被排除在外。[1]大火（或其他干扰）清除了大片土地，因此自由站点网络连接起来，景观进入全球阶段。在全球阶段，免费站点的竞争减少，因此主要的竞争优势是对环境的适应。
大多数情况下，森林处于局部阶段，如上所述。净效应是已建立的树木种群在很大程度上排除了入侵物种。[9]即使一些孤立的树木确实找到了自由地面，它们的种群也会被现有种群阻止，即使入侵者更好地适应了当地的环境。在这种情况下发生火灾会导致入侵人口激增，并可能导致整个森林的性质突然发生变化。
景观中的这种双相过程解释了北美、欧洲冰后森林历史中花粉带的组成，以及广泛分布的分类群（如山毛榉和铁杉）的抑制，随后是巨大的种群爆炸。类似的模式，花粉区被火灾引起的边界截断，在世界大部分地区都有记录
搜索算法
双相进化是一系列搜索算法，它们利用搜索空间中的相位变化来调解局部和全局搜索。通过这种方式，它们控制算法探索搜索空间的方式，因此它们可以被视为一系列元启发式方法。
诸如优化之类的问题通常可以解释为在可能性的搜索空间内找到最高的峰值（最优值）。可以通过两种方式完成该任务：局部搜索（例如爬山）涉及从点到点跟踪路径，并且始终“上坡”移动。全局搜索涉及在搜索空间中的广泛点进行采样以找到高点。
许多搜索算法涉及全局搜索和局部搜索阶段之间的转换。[3]一个简单的例子是大洪水算法，其中搜索者可以在景观中随机移动，但不能进入被洪水淹没的低洼地区。起初，搜索者可以自由漫步，但不断上升的水位最终将搜索限制在局部区域内。许多其他受自然启发的算法采用类似的方法。模拟退火通过其冷却计划实现阶段之间的转变。该细胞遗传算法在它们与当地的邻居只能滋生的伪景观放置解决方案。间歇性灾难清除补丁，使系统进入全局阶段，直到再次填补空白。
相关流程
双相演化与著名的自组织临界现象有关。两者都涉及关键相变促进系统内适应和组织的过程。然而，SOC与DPE在几个基本方面不同。[1]在SOC下，系统的自然状态是处于临界状态；在DPE中，系统的自然状态是非临界状态。在SOC中，扰动的大小遵循幂律；在DPE中，扰动的分布不一定相同。在SOC中，一个系统不一定要经历其他过程；在DPE中，不同的过程（如选择和变化）在两个阶段中运行。
参考文献
- ↑ 1.0 1.1 1.2 1.3 1.4 Green, D.G.; Liu, J.; Abbass, H. (2014). Dual Phase Evolution: from Theory to Practice. Berlin: Springer. ISBN 978-1441984227.
- ↑ 2.0 2.1 Erdős, P.; Rényi, A. (1960). "On the evolution of random graphs" (PDF). Publications of the Mathematical Institute of the Hungarian Academy of Sciences. 5: 17–61.
- ↑ 3.0 3.1 3.2 Paperin, G.; Green, D.G.; Sadedin, S. (2011). "Dual Phase Evolution in Complex Adaptive Systems". Journal of the Royal Society Interface. 8 (58): 609–629. doi:10.1098/rsif.2010.0719. PMC 3061102. PMID 21247947.
- ↑ Stocker, R.; Cornforth, D.; Green, D.G. (2003). "A simulation of the impact of media on social cohesion". Advances in Complex Systems. 6 (3): 349–359. doi:10.1142/S0219525903000931.
- ↑ Goodman, J. (2014). "Evidence for ecological learning and domain specificity in rational asset pricing and market efficiency" (PDF). The Journal of Socio-Economics. 48: 27–39. doi:10.1016/j.socec.2013.10.002.
- ↑ Xu, G.; Yang, J.; Li, G. (2013). "Simulating society transitions: standstill, collapse and growth in an evolving network model". PLOS ONE. 8 (9): e75433. Bibcode:2013PLoSO...875433X. doi:10.1371/journal.pone.0075433. PMC 3783390. PMID 24086530.
- ↑ Cavaliere, M.; Sedwards, C.; Tarnita, C.E.; Nowak, M.A.; Csikász-Nagy, A. (2012). "Prosperity is associated with instability in dynamical networks". Journal of Theoretical Biology. 299: 126–138. arXiv:1102.4947. doi:10.1016/j.jtbi.2011.09.005. PMC 3298632. PMID 21983567.
- ↑ Green, David G. (1994). "Connectivity and complexity in ecological systems". Pacific Conservation Biology. 1 (3): 194–200. doi:10.1071/PC940194.
- ↑ Green, David G (1982). "Fire and stability in the postglacial forests of southwest Nova Scotia". Journal of Biogeography. 9 (1): 29–40. doi:10.2307/2844728. JSTOR 2844728.
编者推荐
集智课程
复杂网络机制和演化模型
本课程中，主要讨论复杂网络的形成机制和演化规则。
演化与适应：从存在到演化
复杂系统具有适应性，体现为复杂系统会动态地调节自身的结构以适应外在的环境。一般来说，任何复杂系统都具有一定的适应性，但是在复杂适应系统的理论模型中，适应性被特意强调以展示与一般的适应性较差的复杂系统的区别。
复杂系统的适应性可以体现为两个层面，一个是整体层面，另一个是个体层面。在整体层面上，系统的相互连接结构会根据环境的不同而发生动态的变化。而在个体层面上，每个组成元素都会发生适应型的变化从而导致系统整体属性的变化。前者如鸟群，每只鸟个体本身都是固定的程序和规则，但是由于个体的相互作用联系，使得鸟群体能够动态地调节飞行轨迹以躲避障碍物。个体层面具有适应性的例子主要包括股票市场，在股市中，每个主体都会根据价格信息来动态地调节投资策略，个体的学习即体现了个体层面的适应性。模仿股票交易的人工股市模型很好地展现了股票市场这种复杂适应系统。复杂适应系统理论模型所讨论的适应性主要在于个体层面的适应性。
具有适应性的复杂系统通常会随着时间而演化（evolution）。因此复杂适应系统理论研究的一个主题就是系统的演化，也包括生物的进化。复杂系统的适应性演化通常体现为生存竞争、优胜劣汰的复杂过程。普遍认为，生物系统的进化过程是复杂系统演化的很好的例子。
该课程中，我们将介绍关于系统的动力学与复杂系统的演化。
ABM仿真与大数据双轮驱动的网络舆情演化全周期模型
网络舆情事件呈现稳健的“生命周期” 宏观涌现规律。综合采用大数据分析与ABM仿真两种方法予以双向考察。大数据分析真实网络事件的宏观涌现特征，构建目标拟合函数。微观行为研究方面，设置事件（Hots）与网民（Netizens）两类智能体，进行ABM多主体仿真。通过参数遍历，求解拟合度最高的最优参数组合。拟合度考察指标包括寿命、峰值、差值、比值、分布等。最优解的存在，表明模型较好地刻画了微观行为机制，进而才能实现宏观演化过程的高精度复现。基于此客观模型的精准研判、轨迹预测、双向干预等实践操作，其精确性、科学性、自适应性将大为增强。
本中文词条由Henry翻译，薄荷编辑，如有问题，欢迎在讨论页面留言。
本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。