[發(fā)明專利]一種用于對復雜系統(tǒng)和現(xiàn)象進行風險分析和建模的設備

在審

• 申請?zhí)枺?/td>: 201880089635.X
• 申請日: 2018-12-20
• 公開（公告）號: CN111727446A
• 公開（公告）日: 2020-09-29
• 發(fā)明（設計）人: 西蒙尼·科倫坡;雷莫·加爾瓦尼
• 申請（專利權）人: 西蒙尼·科倫坡
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q10/08;G06Q10/10
• 代理公司: 上海申新律師事務所 31272
• 代理人: 董科

一種對復雜系統(tǒng)和現(xiàn)象進行風險分析和建模的設備(1)包括：一處理單元(3)，可操作地連接到表征界面(2)，處理單元包括計算算法(4)，并被配置為在輸入端接收輸入文件(I)，該輸入文件(I)包括多個感興趣的變量/函數(shù)以及所述變量/函數(shù)之間的相互依賴關系，這對于回答特定決策問題是由必要的，同時所述處理單元(3)還被配置為通過所述計算算法(4)識別所述復雜系統(tǒng)/現(xiàn)象的風險預測；一建模和控制界面(5)，用于對風險進行建模和控制，并被配置為識別關鍵變量及其權重，以便對風險預測進行建模并定義管理策略。

技術領域

本發(fā)明涉及一種對復雜系統(tǒng)和現(xiàn)象進行風險分析和建模的設備。

背景技術

在許多不同部門中，人們感到有必要提供工具，以適當?shù)姆绞絽f(xié)助和指導決策者分析和管理復雜系統(tǒng)和現(xiàn)象的風險。

但是，目前的方法主要可以追溯到二十世紀七十年代末和二十世紀八十年代，這些方法基本上有五個主要局限性。首先，作為所有方法論問題的根源，存在的局限性是不可能或難以創(chuàng)建分區(qū)，即創(chuàng)建完整范圍的與考慮的/選擇的變量集有關的一整套可能的成分/場景，其中考慮的/選擇的變量集對于回答待答復的決定性問題是有必要的。

可以將無法或難以使用已知方法創(chuàng)建分區(qū)(即完整的全集場景)歸結為兩個原因，這兩個原因并不相互排斥。

第一個原因在于以已知方法論為基礎的邏輯方法構造本身存在的局限性。以故障樹方法為例，由于它提供了僅從不成功事件的組合中構建場景并排除了從混合成功和不成功事件的組合中得出的那些場景，因此僅允許部分呈現(xiàn)現(xiàn)實。再次以貝葉斯網(wǎng)絡為例，由于它們設想每個變量(父事件)只能影響下一個變量(子事件)，而不能影響下一個變量(未來世代)，因此也僅允許生成一部分與考慮的變量相關聯(lián)的宇宙(因此，僅部分代表被分析系統(tǒng)/現(xiàn)象的復雜性)。

第二個原因在于實際的局限性與“人工”創(chuàng)建可能的場景的需求有關。幾乎所有已知類型的方法都可以定義為“紙筆”方法，因為盡管有或多或少結構化的專用軟件的支持，但是這些方法依然需要分析人員利用他/她的創(chuàng)造力和經(jīng)驗來人工推導出場景。這種特征使得上述已知類型的方法不足以分析和管理復雜系統(tǒng)和現(xiàn)象的風險，因為即使它們的邏輯方法在理論上可以允許創(chuàng)建一個分區(qū)(即完整的場景)，例如在事件樹方法中，它們所需要的認知能力對于人類思維來說太高了。在任何情況下，即使對于最簡單的系統(tǒng)/現(xiàn)象而言，其認知局限性都不是創(chuàng)建分區(qū)的障礙，實際上也不可能在足夠的時間內生成完整的分區(qū)/宇宙來支持決策過程(關于這方面的內容，請參見下面的應用示例)。在已知類型的方法中，從生成完整度的場景角度來看，貝葉斯網(wǎng)絡是一個例外(它們不是“紙筆”方法的一部分)，因為它們使自動創(chuàng)建與考慮的變量集相關聯(lián)的場景成為可能。但是，不幸的是，由于與上一段中描述的邏輯方法構造有關的局限性，它們無法創(chuàng)建完整的分區(qū)/全集。

通過示例的方式，在文獻US20070011113中描述了一種已知類型的方法。該文獻描述了一種方法，該方法通過結合演繹方法(例如故障樹)和歸納方法(例如事件樹)，旨在獲得可能要分析的完整的場景，并從該場景中得出關鍵問題。

但是，此方法除了具有無法確保一致性的構造(非常肯定地針對故障樹的演繹部分)之外，還始終采用人工方法，因此無法自動創(chuàng)建完整的復雜系統(tǒng)/現(xiàn)象的可能場景。

無論是由于邏輯方法構造的限制，還是由于需要手動生成要素/場景，都無法創(chuàng)建完整的分區(qū)/全集，從數(shù)值意義來看，這種局限性為不可能獲得總概率加起來剛好是1的完整場景。這種數(shù)值局限性具有兩個非常重要的方法學含義，即：

1.它不允許計算分區(qū)的熵，因此不能理解分析中包含的信息量；

2.它無法確保一致性，即邏輯-隨機完整性，或最后導致無法確保一致性，即預測模型所預測的內容與其旨在表示的與系統(tǒng)/現(xiàn)象有關的經(jīng)驗證據(jù)之間的現(xiàn)象一致性。