[发明专利]一种用于对复杂系统和现象进行风险分析和建模的设备

说明书

一种对复杂系统和现象进行风险分析和建模的设备(1)包括：一处理单元(3)，可操作地连接到表征界面(2)，处理单元包括计算算法(4)，并被配置为在输入端接收输入文件(I)，该输入文件(I)包括多个感兴趣的变量/函数以及所述变量/函数之间的相互依赖关系，这对于回答特定决策问题是由必要的，同时所述处理单元(3)还被配置为通过所述计算算法(4)识别所述复杂系统/现象的风险预测；一建模和控制界面(5)，用于对风险进行建模和控制，并被配置为识别关键变量及其权重，以便对风险预测进行建模并定义管理策略。

技术领域

本发明涉及一种对复杂系统和现象进行风险分析和建模的设备。

背景技术

在许多不同部门中，人们感到有必要提供工具，以适当的方式协助和指导决策者分析和管理复杂系统和现象的风险。

但是，目前的方法主要可以追溯到二十世纪七十年代末和二十世纪八十年代，这些方法基本上有五个主要局限性。首先，作为所有方法论问题的根源，存在的局限性是不可能或难以创建分区，即创建完整范围的与考虑的/选择的变量集有关的一整套可能的成分/场景，其中考虑的/选择的变量集对于回答待答复的决定性问题是有必要的。

可以将无法或难以使用已知方法创建分区(即完整的全集场景)归结为两个原因，这两个原因并不相互排斥。

第一个原因在于以已知方法论为基础的逻辑方法构造本身存在的局限性。以故障树方法为例，由于它提供了仅从不成功事件的组合中构建场景并排除了从混合成功和不成功事件的组合中得出的那些场景，因此仅允许部分呈现现实。再次以贝叶斯网络为例，由于它们设想每个变量(父事件)只能影响下一个变量(子事件)，而不能影响下一个变量(未来世代)，因此也仅允许生成一部分与考虑的变量相关联的宇宙(因此，仅部分代表被分析系统/现象的复杂性)。

第二个原因在于实际的局限性与“人工”创建可能的场景的需求有关。几乎所有已知类型的方法都可以定义为“纸笔”方法，因为尽管有或多或少结构化的专用软件的支持，但是这些方法依然需要分析人员利用他/她的创造力和经验来人工推导出场景。这种特征使得上述已知类型的方法不足以分析和管理复杂系统和现象的风险，因为即使它们的逻辑方法在理论上可以允许创建一个分区(即完整的场景)，例如在事件树方法中，它们所需要的认知能力对于人类思维来说太高了。在任何情况下，即使对于最简单的系统/现象而言，其认知局限性都不是创建分区的障碍，实际上也不可能在足够的时间内生成完整的分区/宇宙来支持决策过程(关于这方面的内容，请参见下面的应用示例)。在已知类型的方法中，从生成完整度的场景角度来看，贝叶斯网络是一个例外(它们不是“纸笔”方法的一部分)，因为它们使自动创建与考虑的变量集相关联的场景成为可能。但是，不幸的是，由于与上一段中描述的逻辑方法构造有关的局限性，它们无法创建完整的分区/全集。

通过示例的方式，在文献US20070011113中描述了一种已知类型的方法。该文献描述了一种方法，该方法通过结合演绎方法(例如故障树)和归纳方法(例如事件树)，旨在获得可能要分析的完整的场景，并从该场景中得出关键问题。

但是，此方法除了具有无法确保一致性的构造(非常肯定地针对故障树的演绎部分)之外，还始终采用人工方法，因此无法自动创建完整的复杂系统/现象的可能场景。

无论是由于逻辑方法构造的限制，还是由于需要手动生成要素/场景，都无法创建完整的分区/全集，从数值意义来看，这种局限性为不可能获得总概率加起来刚好是1的完整场景。这种数值局限性具有两个非常重要的方法学含义，即：

1.它不允许计算分区的熵，因此不能理解分析中包含的信息量；

2.它无法确保一致性，即逻辑-随机完整性，或最后导致无法确保一致性，即预测模型所预测的内容与其旨在表示的与系统/现象有关的经验证据之间的现象一致性。