桂 劍，馬 斌，陳小剛，董濟銘

(中國科學(xué)院上海高等研究院，上海 200120)

1 引言

隨著人工智能、物聯(lián)網(wǎng)的發(fā)展，無人化智能系統(tǒng)識別外部物理環(huán)境的體系結(jié)構(gòu)由過去的少量傳感器、單服務(wù)器主從架構(gòu)，向多傳感器、分布式服務(wù)器架構(gòu)發(fā)展。近年來更是有傳感器矩陣化、計算架構(gòu)去中心化、系統(tǒng)自組織自適應(yīng)化的發(fā)展趨勢。

傳感器矩陣化，就是在環(huán)境分布設(shè)置大量的傳感器，并通過態(tài)勢熱力圖構(gòu)建算法[1]，可以把大量的感知數(shù)據(jù)轉(zhuǎn)化為可視化的熱力圖，作為實時大數(shù)據(jù)融合的基礎(chǔ)。計算架構(gòu)去中心化，就是通過去中心化的架構(gòu)設(shè)計和算法設(shè)計，提升系統(tǒng)整體抗毀能力。羅陽[2]探索了去中心化的衛(wèi)星通信系統(tǒng)，證明去中心化對未來衛(wèi)星系統(tǒng)組織運用模式有極大參考價值。系統(tǒng)自組織自適應(yīng)化，是為了滿足隨遇接入的需要，使系統(tǒng)對新接入的設(shè)備、服務(wù)或計算節(jié)點動態(tài)規(guī)劃組織結(jié)構(gòu)、兼容新老節(jié)點，使得系統(tǒng)穩(wěn)定性更健壯、壽命更長。唐勝景[3]提出，智能化分布式協(xié)同作戰(zhàn)體系需要發(fā)展低成本、模塊化裝備研制技術(shù)，發(fā)展面向戰(zhàn)場大數(shù)據(jù)的集群認知與云決策技術(shù)，發(fā)展自適應(yīng)、去中心的集群動態(tài)組網(wǎng)技術(shù)。

把智能傳感器、服務(wù)器都分別看作一個自主工作的智能節(jié)點，用復(fù)雜體系理論來使系統(tǒng)內(nèi)各智能自組織成智能網(wǎng)絡(luò)并協(xié)同工作，這樣就形成了一個自組織智能網(wǎng)絡(luò)。顯然，自組織智能網(wǎng)絡(luò)滿足上文所述的三個發(fā)展趨勢，當待部署節(jié)點數(shù)量巨大的情況下具備十分便利的集成優(yōu)勢。這與劉峰[4]提出的城市大腦模型異曲同工，本文重點研究其感知部分，與之不同之處在于將傳感器群、云機器感知融合、類腦視聽等感知系統(tǒng)當作一個整體，用自組織理論解決問題。

在自組織智能網(wǎng)絡(luò)中，前端智能傳感器可以把連續(xù)的信號量，通過濾波算法轉(zhuǎn)化為由狀態(tài)或事件編號組成的離散序列。自組織系統(tǒng)通過識別和預(yù)測離散序列，可以感知認知外界的狀態(tài)和變化，從而為決策系統(tǒng)提供依據(jù)、關(guān)聯(lián)相關(guān)事件、分類環(huán)境信息。

常見的離散序列識別預(yù)測問題，包括全年能源消耗、銷售額走勢、心電圖、音樂、股票指數(shù)走勢等。楊海民[5]等指出常用的預(yù)測方法包括：Box-Jenkins方法[6]；機器學(xué)習(xí)方法，以及基于參數(shù)模型的在線時間序列預(yù)測方法ARMA-ONS[7]。馮霞[8]結(jié)合遺傳算法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測機場安檢旅客流量。ZHANG[9]等探索了決策樹、K最鄰近元回歸等算法預(yù)測序列以識別個人音樂情感。鄧玉婧[10]等采用神經(jīng)網(wǎng)絡(luò)算法RNN預(yù)測航班客座率。這些算法大多采用離線訓(xùn)練，并需要大量的算力，使得在低算力高存儲性能的設(shè)備上效果不佳。另一方面，當數(shù)據(jù)輸入發(fā)生變化時，預(yù)測準確率(PSR)會大大降低；對于缺少在線訓(xùn)練能力的算法，預(yù)測準確率(PSR)無法有效提高。受此啟發(fā)，思考通過將多個低算力高存儲性能的設(shè)備連接起來，應(yīng)用復(fù)雜體系理論構(gòu)造自組織網(wǎng)絡(luò)來解決離散序列的在線預(yù)測問題。

張維明[11]提出了一種復(fù)雜體系架構(gòu)設(shè)計新范式，為如何實現(xiàn)一個開放的復(fù)雜體系仿真軟件提供了設(shè)計指導(dǎo)。受復(fù)雜性科學(xué)的啟發(fā)，多智能體協(xié)同的方式可以用空間復(fù)雜度換時間復(fù)雜度，用組成架構(gòu)的變化應(yīng)對輸入數(shù)據(jù)特征的變化，實現(xiàn)在線學(xué)習(xí)。因此，本文采用多智能體網(wǎng)絡(luò)構(gòu)造了自組織智能網(wǎng)絡(luò)動態(tài)預(yù)測模型，設(shè)計并實現(xiàn)了一種新型的多智能體仿真服務(wù)器和自組織可視化實驗環(huán)境，為多智能體算法仿真和驗證提供了實驗平臺。算法創(chuàng)新點在于通過預(yù)測驅(qū)動體系自組織的協(xié)同工作，適應(yīng)多智能體網(wǎng)絡(luò)部署。

2 問題描述

2.1 基于自組織智能網(wǎng)絡(luò)的離散序列在線預(yù)測

“如何讓系統(tǒng)自組織分析輸入信號序列，使得系統(tǒng)有意識地‘發(fā)現(xiàn)’規(guī)律？”是一個難題。單靠神經(jīng)網(wǎng)絡(luò)算法，往往只能預(yù)先編譯好程序應(yīng)對特定的問題。自組織智能網(wǎng)絡(luò)中，對于隨機輸入的信號序列，依照給定采樣率對信號進行采樣，通過濾波算法或者神經(jīng)網(wǎng)絡(luò)算法轉(zhuǎn)將信號按狀態(tài)編號轉(zhuǎn)化為離散序列。這樣，基于自組織智能網(wǎng)絡(luò)可以把這個問題分解為“每個智能體節(jié)點在各自的認知維度、層級，實時輸出對上級輸出盡可能準確的預(yù)測值”。智能節(jié)點通過實時訓(xùn)練識別出具有周期性規(guī)律的序列，作為“發(fā)現(xiàn)規(guī)律”的依據(jù)；并將訓(xùn)練模型存儲作為記憶供以后使用。

2.2 問題的不確定性

雖然一個有規(guī)律的輸入信號，其離散序列會呈現(xiàn)周期特征；但是對于復(fù)雜系統(tǒng)，要考慮到中途輸入信號被更改的情況，此時離散序列也會發(fā)生變化。仿真系統(tǒng)允許用戶在系統(tǒng)運行過程中隨時更改輸入信號，自組織預(yù)測系統(tǒng)將應(yīng)對變化自適應(yīng)：調(diào)整組織結(jié)構(gòu)、應(yīng)對變化、經(jīng)過實時學(xué)習(xí)再次預(yù)測出盡可能準確的結(jié)果。

3 基于自組織智能網(wǎng)絡(luò)的離散序列預(yù)測算法

自組織網(wǎng)絡(luò)的所有智能體初始化為空閑節(jié)點，通過工作原型信息的發(fā)布和協(xié)商使它們分化，各自執(zhí)行不同的任務(wù)。其中，每個智能體節(jié)點有一個父節(jié)點接口和多個子節(jié)點接口。父節(jié)點接口由兩個信號通道組成，即父節(jié)點認知出的離散序列模型的輸入和向父節(jié)點返回預(yù)測值的輸出。子節(jié)點接口由兩個信號通道組成，即該節(jié)點認知出的離散序列模型的輸出和從子節(jié)點獲取的預(yù)測值輸入。就像是人類的大腦內(nèi)部結(jié)構(gòu)，智能體節(jié)點通過對父節(jié)點的輸入信號進行認知產(chǎn)生更高層次的信號發(fā)送給子節(jié)點，同時獲取子節(jié)點的預(yù)測信號，并將其作為自己向父節(jié)點發(fā)送預(yù)測信號的依據(jù)。智能體節(jié)點通過對每個子節(jié)點在一段事件內(nèi)的預(yù)測準確率(Psr)進行統(tǒng)計，選取最有可能的預(yù)測值，在知識庫中查找對應(yīng)的低層次模型并實時匹配，從而得出父節(jié)點所需的預(yù)測結(jié)果，并反饋給它。從而，多個智能體自組織組網(wǎng)，產(chǎn)生不同層次的預(yù)測值和離散序列模型，通過協(xié)同解決離散序列預(yù)測的問題。

3.1 自組織智能網(wǎng)絡(luò)架構(gòu)

3.1.1 自組織系統(tǒng)概述

系統(tǒng)內(nèi)多個智能體節(jié)點(Agent)可以實現(xiàn)自組織，根據(jù)實際需要自動發(fā)布工作“雇傭”需求，經(jīng)過協(xié)商，另一個節(jié)點可以被“雇傭”，形成能夠完成復(fù)雜任務(wù)的體系結(jié)構(gòu)。根據(jù)外部環(huán)境不同，體系結(jié)構(gòu)可以自組織實時改變。根據(jù)任務(wù)協(xié)調(diào)算法的不同體系結(jié)構(gòu)。本文所解決的問題，由于是單一agent接收輸入，所以是結(jié)構(gòu)呈樹形結(jié)構(gòu)。

3.1.2 節(jié)點(Agent)

一個自組織系統(tǒng)是由多個獨立的智能體節(jié)點(Agent)組成。每個節(jié)點有自己的生命周期，從系統(tǒng)啟動時就創(chuàng)建，具有空閑和忙碌兩種工作模式。當系統(tǒng)啟動時，節(jié)點工作模式被設(shè)置為空閑。只有空閑節(jié)點才會接受“雇傭”，只有忙碌節(jié)點才會發(fā)起“雇傭”需求。在實際應(yīng)用場景中，節(jié)點是一臺獨立的計算主機。節(jié)點間工作協(xié)調(diào)需經(jīng)過一次廣播和三次握手，才能正式建立連接。

3.1.3 子鏈結(jié)構(gòu)(Chain)

有“雇傭”關(guān)系的兩個節(jié)點，按照圖論原理，可以把“雇傭者”稱為父節(jié)點，“被雇傭者”稱為子節(jié)點。多個父、子節(jié)點協(xié)同工作產(chǎn)生的鏈式結(jié)構(gòu)，稱為子鏈結(jié)構(gòu)；其中最開始的父節(jié)點稱為根節(jié)點，末后的子節(jié)點稱為葉子節(jié)點。往往輸入數(shù)字信號在子鏈結(jié)構(gòu)中傳遞，從根節(jié)點到葉子節(jié)點。每個節(jié)點會按周期將輸入序列感知成新的模型序列，并傳給自己的子節(jié)點。

3.1.4 多節(jié)點網(wǎng)絡(luò)模型

圖1展示了一種多節(jié)點網(wǎng)絡(luò)模型，每個節(jié)點對輸入數(shù)據(jù)感知出認知模型(model)并輸出給子節(jié)點、接收所有子節(jié)點的預(yù)測數(shù)據(jù)，經(jīng)過特定的選擇算法(Select Algorithm)選取最有可能的解作為預(yù)測結(jié)果并輸出給父節(jié)點；特別的，節(jié)點1接收來自外部的輸入，輸出的結(jié)果就是下一幀音符。

圖1 一種簡單的自組織結(jié)構(gòu)

3.1.5 節(jié)點多樣化

為了保證不同的分工協(xié)作、達到更高效率，自組織中的節(jié)點必須多樣化，以至于能夠分化成能夠處理特定功能的精英節(jié)點。自然界有許多例子，比如把干細胞看作一個節(jié)點，干細胞可以分化為多種祖細胞：心肌細胞、內(nèi)皮細胞和神經(jīng)細胞等[12]。本文通過給子節(jié)點分配不同的質(zhì)數(shù)周期，幫助子節(jié)點識別出不同的模型，使得子節(jié)點多樣化。

3.1.6 激活子鏈(Active Chain)

任一幀內(nèi)，節(jié)點會根據(jù)選擇算法選擇某一個子節(jié)點的預(yù)測值作為解，從根節(jié)點開始到葉子節(jié)點內(nèi)所有被選中的子節(jié)點組成的子鏈結(jié)構(gòu)(Chain)稱作激活子鏈。激活子鏈的意義在于直觀地表示出當前幀系統(tǒng)內(nèi)計算出有效解的子鏈結(jié)構(gòu)。如同大腦思考問題時，從大腦皮層開始激活的一條神經(jīng)元鏈路。由n個節(jié)點組陳過的激活子鏈可以表示為[A1，A2，…，An]，其中A是各節(jié)點編號。

3.2 算法概述

本文中的自組織系統(tǒng)內(nèi)部每個Agent程式同構(gòu)，根據(jù)數(shù)據(jù)交互自組織產(chǎn)生不同的結(jié)構(gòu)、協(xié)同計算解決問題。主要算法是感知認知算法、預(yù)測算法、工作協(xié)調(diào)算法。

3.2.1 感知認知算法

如果將離散序列比作音樂，那么其周期性特征好像和弦，每個離散信號如同音符。感知認知算法目標是對輸入數(shù)據(jù)進行高維度模型化的認知，模擬人類聽音樂時實時地識別出音樂的和弦的功能，并把模型知識沉淀為模型庫，為預(yù)測算法提供依據(jù)。有規(guī)律的離散序列，如同音樂一樣會呈現(xiàn)周期性特征，子節(jié)點可以對父節(jié)點發(fā)來的輸入模型采用質(zhì)數(shù)周期來進行感知，從而發(fā)現(xiàn)特征。不同節(jié)點會以不同的周期感知認知輸入的模型。模型庫里需要新建模型稱為“感知”，模型庫中提取已有模型作為解的過程稱為“認知”。此例中，1號節(jié)點以1為周期感知認知輸入，并將結(jié)果輸入給子節(jié)點2，2、3節(jié)點分別以2為相對周期感知認知上級節(jié)點的輸入模型。周期模型對應(yīng)的涵義是音樂和弦。選取一個包括常見音樂周期的質(zhì)數(shù)表，作為招募子節(jié)點的分工依據(jù)，所形成的組織結(jié)構(gòu)就有能力識別有節(jié)奏的信號。這里選取2，3，5，7作為節(jié)點識別周期分化依據(jù)。假設(shè)輸入序列為3345循環(huán)，一個激活子鏈為 {Sinput，S1，S2，S3}，認知出的模型如下

(1)

顯然對于激活子鏈而言，節(jié)點越靠近葉子節(jié)點，識別模型的層級越高，越容易發(fā)現(xiàn)重復(fù)性規(guī)律。

3.2.2 預(yù)測算法

節(jié)點每幀的預(yù)測算法如下所示。

1) 節(jié)點獲取一個新的輸入字符s，判斷并執(zhí)行工作協(xié)調(diào)算法；

2) 根據(jù)節(jié)點和子節(jié)點的上一幀預(yù)測返回，統(tǒng)計并更新預(yù)測正確率r；

3) 若當前已有正在匹配的模型，轉(zhuǎn)到4)；否則轉(zhuǎn)到10)；

4) 如果匹配模型是新創(chuàng)建的模型，則返回預(yù)測值s，同時如果s是模型最后一個字符，則將新模型保存至模型庫；否則轉(zhuǎn)到5)；

5) 若s恰好匹配模型正在匹配的字符，則匹配成功，轉(zhuǎn)到6)；否則匹配失敗轉(zhuǎn)到10)；

6) 若s不是匹配模型中最后一個字符，則返回預(yù)測值為匹配模型中的下一個字符，結(jié)束；否則s恰好是匹配模型中的最后一個字符，轉(zhuǎn)到7)；

7) 若該節(jié)點沒有子節(jié)點，則默認重新匹配當前模型，取出當前模型的第一個字符s＿m，并作為預(yù)測值返回，結(jié)束。否則，轉(zhuǎn)到8)；

8) 等待子節(jié)點返回預(yù)測結(jié)果m＿p識別模型，取出第一個字符s＿p；

9) 比較各節(jié)點預(yù)測正確率，選擇算法會選擇正確率最高的s＿p作為預(yù)測解，返回給上級節(jié)點，結(jié)束。

10) 在模型庫中查找是否存在能夠匹配當前模型的模型：如果存在，設(shè)置為正在匹配的模型，轉(zhuǎn)到4)；否則創(chuàng)建新的匹配模型，返回預(yù)測值為s，結(jié)束。

其中第6)步和第8)步的預(yù)測稱為模型間預(yù)測，第5)步和第9)步的預(yù)測為模型內(nèi)預(yù)測。

3.2.3 匹配l新模型的選擇算法

考慮一條激活子鏈C，其中每個節(jié)點記為Ci，子鏈C上節(jié)點個數(shù)為n。節(jié)點n的識別周期記為Tn。則Cn的識別周期為

(2)

其中

Tk，k+1∈prime{2，3，4，5}

(3)

當Tn恰好等于輸入序列的周期時，經(jīng)過Tn幀的學(xué)習(xí)后該節(jié)點的模型內(nèi)預(yù)測會獲得最優(yōu)效果。

記節(jié)點預(yù)測正確度隊列為Q，第m個子節(jié)點為Qm，令Q0=Q,則有

(4)

其中qi，j代表Qi的緩沖區(qū)中第j個預(yù)測結(jié)果是否正確，取值為0或1，有

qi，j∈{0，1}

(5)

所以，對子節(jié)點i的預(yù)測正確率ri有

(6)

特別的，節(jié)點自身預(yù)測正確率r=r0

所以匹配新模型的選擇算法為選擇第k個子節(jié)點作為預(yù)測的新的匹配模型，使得預(yù)測率正確率rk最大

k={k|rk≥ri，i∈[1，m]∩N}

(7)

模型間預(yù)測將k節(jié)點的預(yù)測輸出認知為節(jié)點自身的模型，再以第一個字符作為預(yù)測解返回給上級節(jié)點。

3.2.3 工作協(xié)調(diào)算法

節(jié)點間需要工作協(xié)調(diào)以完成任務(wù)。自然界中有許多這樣的例子，比如多個細胞協(xié)同工作，完成器官功能；而器官的發(fā)育往往有一個過程：由一組細胞不斷分裂，分裂的過程中不斷分化，滿足一定數(shù)量后才是功能完善的器官。細胞分裂就是自組織生命生長擴張的過程的一種形式化表現(xiàn)。一個受精卵分裂成若干胚胎干細胞，再由這些胚胎干細胞可以發(fā)育成哺乳動物，以上就是自然界中典型的生命生長規(guī)則的一個形式化例子。本文中多節(jié)點自組織的工作協(xié)調(diào)算法相當于自組織生命的生長規(guī)則的實現(xiàn)，本文暫不考慮“死亡”的情況。自然界生命生長規(guī)則有以下基本要素：生命到達一定歲數(shù)、生長激素和抑制激素。受此啟發(fā)，如果抑制條件滿足，則不會生長；如果生長條件滿足，則可以生長。算法如下所示。

1)若計時器觸發(fā)，goto 2)；否則goto 8)；

2)若不滿足遺忘條件，goto 3)；否則goto 7)；

3)若系統(tǒng)最大預(yù)測準確率 r＿max 小于目標值T，goto 4)；否則goto 9)；

4)若節(jié)點預(yù)測準確率小于生長限制r＿g，goto 5)；否則goto 9)；

5)若節(jié)點預(yù)測正確率小于最低生長率r＿mg，goto 9)；

6)子鏈生長，廣播“雇傭”公告；

7)遺忘子節(jié)點，結(jié)束；

8)計時器 - 1，結(jié)束；

9)抑制生長，結(jié)束。

顯然，生長和抑制條件不能只考慮某一時刻的情況，因為經(jīng)常出現(xiàn)當前幀自組織預(yù)測正確、下一幀自組織預(yù)測失敗的情況，這是不穩(wěn)定的。所以需要有個科學(xué)合理的方法評估系統(tǒng)穩(wěn)定性。仿照自然界生命隨歲數(shù)生長形成不同形態(tài)的概念，自組織系統(tǒng)的體系結(jié)構(gòu)在動態(tài)、不斷變化中，經(jīng)過一段時間后，就可以對組織結(jié)構(gòu)做出一個穩(wěn)定性評估。

4 仿真研究

為了驗證算法的可行性和實際預(yù)測準確度，本文實現(xiàn)了一個多智能體仿真服務(wù)器。為了方便觀察體系結(jié)構(gòu)內(nèi)部子鏈激活狀態(tài)隨時間關(guān)系的動態(tài)變化過程，還實現(xiàn)了一個3D可視化系統(tǒng)。3D圖中的節(jié)點顏色表示預(yù)測準確度，紅色為0%，深綠色為100%；所以，激活子鏈必然是一條由綠色節(jié)點組成的子鏈。通過不同的序列循環(huán)輸入，可以驗證算法可行性和觀察學(xué)習(xí)過程中多智能體網(wǎng)絡(luò)結(jié)構(gòu)的動態(tài)變化。統(tǒng)一設(shè)置整體目標預(yù)測率為75%，當系統(tǒng)預(yù)測準確率達到這個目標后，體系結(jié)構(gòu)達到相對穩(wěn)定狀態(tài)；令單個節(jié)點的預(yù)測率低于70%時，都有“招募”子節(jié)點的能力；而低于15%的節(jié)點，被認為是預(yù)測效果差的節(jié)點，失去“招募”能力。

為了表現(xiàn)組織結(jié)構(gòu)隨輸入序列的變化而變化的情況，在telnet中用命令行調(diào)用SetInput(str)函數(shù)實時改變輸入序列，輸入節(jié)點會自動不間斷地向自組織節(jié)點循環(huán)輸入序列str。仿真設(shè)計如下所示。

1) 預(yù)設(shè)輸入為”abc”，等待一段時間，觀察訓(xùn)練結(jié)果。

2) SetInput(“7156”) 等待一段時間，觀察訓(xùn)練結(jié)果。

3) SetInput(“abc”) 等待一段時間，觀察訓(xùn)練結(jié)果。

4) SetInput(“EXFGACDU”) 等待一段時間，觀察訓(xùn)練結(jié)果。

5) SetInput(“100101110”) 等待一段時間，觀察訓(xùn)練結(jié)果。

圖2和圖3記錄了仿真各節(jié)點的預(yù)測準確度隨時間幀的變化和系統(tǒng)組織結(jié)構(gòu)的變化過程。其中節(jié)點1、2、3的識別周期分別為1、2、3。不難看出，仿真開始時，輸入為abc的周期序列，節(jié)點3的預(yù)測準確度迅速上升到100%，激活子鏈為[0，1，3]。第二步，改變周期序列為7156，由于突然的改變，節(jié)點的預(yù)測準確率全部下滑，同時重新訓(xùn)練，隨后節(jié)點2的預(yù)測準確率拉升至100%，激活子鏈為[0，1，2，6]，使得最終節(jié)點1的選擇節(jié)點由3改為2。第三步，輸入再次改變?yōu)?/p>

圖2 節(jié)點2實驗數(shù)據(jù)統(tǒng)計

圖3 最下層節(jié)點實驗數(shù)據(jù)統(tǒng)計

abc，由于節(jié)點2的子節(jié)點7周期為6，也能完整識別abcabc；而此時節(jié)點3要經(jīng)過子節(jié)點的綜合評估，其訓(xùn)練速度比7慢；所以，激活子鏈為[0，1，2，7]。第四步，訓(xùn)練較長的周期序列EXFGACDU，激活子鏈為[0，1，2，6，19]，節(jié)點2再次帶動節(jié)點1到達100%。第五步，訓(xùn)練周期序列改變?yōu)?00101110，激活子鏈為[0，1，3，10]，由于訓(xùn)練起始數(shù)據(jù)的偏差，10有時選擇24、有時選擇25，導(dǎo)致少數(shù)幾位預(yù)測不準確，預(yù)測準確率在86.9%至91.3%波動。

5 結(jié)論

實驗結(jié)果顯示模型庫越豐富，模型內(nèi)預(yù)測的準確度越高；當子節(jié)點PSR越高，模型間預(yù)測的準確度也越高。通過實驗步驟2可以看出一般情況下認知周期為輸入序列長度的因數(shù)的節(jié)點會優(yōu)先“生長”，并獲得更好的預(yù)測效果；正如大腦通過大量神經(jīng)元協(xié)同工作能夠快速捕捉到序列“規(guī)律”的過程。實驗步驟3和實驗步驟4證明有些認知周期不為輸入序列長度的因數(shù)時，在前期也會因為預(yù)測較為準確而優(yōu)先“生長”，但長期訓(xùn)練后會失去先發(fā)優(yōu)勢；正如一個常見的現(xiàn)象：許多人雖會唱歌，缺把握不準音樂節(jié)奏，經(jīng)過長期反復(fù)訓(xùn)練可以合拍。實驗圖表可以看出，當激活子鏈的葉子節(jié)點認知周期恰好等于輸入序列周期時，往往可以達到100%預(yù)測準確率，但是步驟5顯示當識別起始位置有擾動時，預(yù)測準確率會下降至87%左右。當出現(xiàn)擾動時，需要一些額外機制來提升預(yù)測準確率，可以總結(jié)為訓(xùn)練深度必須達到足夠深度才能獲得最優(yōu)解；此外，當一些“無用”的節(jié)點經(jīng)過長期訓(xùn)練，模型庫比較豐富，也能獲得次優(yōu)解，為提升整體預(yù)測準確率提供了一個備選方案。

以復(fù)雜體系思想為啟發(fā)，本文運用現(xiàn)有主流生物學(xué)觀點通過多智能體節(jié)點系統(tǒng)探索了一種模擬大腦神經(jīng)元集群識別并反饋預(yù)測的模型。在實驗過程中也觀察到一些現(xiàn)象與現(xiàn)實具有一定的聯(lián)系，對類似音樂片段的輸入：比如周期為音樂長度的因數(shù)的節(jié)點更有可能優(yōu)先獲得高預(yù)測率，好像現(xiàn)實中把握音樂節(jié)奏的人能更快的學(xué)會一首歌；一些周期與音樂長度互質(zhì)的同級節(jié)點在起步階段和長期訓(xùn)練后也能提高預(yù)測準確率，就好像許多人明明會唱一首歌卻總是不合節(jié)拍。本文的預(yù)測方法偏向于對大腦思維模式的模擬和探索，與深度神經(jīng)網(wǎng)絡(luò)不同在于每個神經(jīng)元不僅僅持有簡單的乘加計算，而是一個獨立的虛擬計算機。本文不足之處在于遇到節(jié)點數(shù)量不足時，預(yù)測率會低于預(yù)期且不穩(wěn)定，需要在多智能體節(jié)點協(xié)調(diào)過程中添加新的機制以完善預(yù)測功能。