基于知识观的原始性创新多Agent仿真研究

王猛　付韬　秦震

摘要：通过构建基于知识观的原始性创新多Agent模型，剖析原始性创新支撑知识、发起与参与主体以及主体合作网络之间的联系，进而完成主体行为描述及其适应性规则设计，并且借助Swarm平台实施仿真。结果显示学科研究方向总数极小的系统，其原始性创新绩效最优。对于学科研究方向总数中等乃至稍多的系统，采用优先适应其他主体原始性创新的策略或者强强联合的策略都可以显著提升其原始性创新绩效，二者相比不存在绝对的最优。

关键词：原始性创新；知识观；多主体仿真

中图分类号：G301 文献标识码：A 文章编号：1001-8409（2014）04-0121-06

Abstract： It proposes a multiagent model on the original innovation， and analyses the relationships among the supporting knowledge system， its participators， and participators collaboration network， design agents behaviors as well as their adaption rules， and simulate the model on Swarm platform. It shows that the system with very few research directions tends to have high innovation performance. As for systems with middle or higher amount of research directions， adopting the strategy to cooperate with the original innovations proposed by others with priority and the strategy to induce cooperation between experts may both improve the system innovation performance. These strategies both have their individual advantages， and cant conclude the best one.

Key words： original innovation； knowledge view； multiagent simulation

原始性创新主要表现为重大的科学发现、理论创新、技术创新、实验方法和仪器发明等，其本身有着极高的理论价值和现实效益，同时也具备很强的启发性，经常诱发一系列相关创新来完善其提出的理论及技术，或者模仿其解决问题的方式来研究相关和类似问题。目前，原始性创新已经逐渐成为国内学术界研究的热点，有众多学者从不同的层面对原始性创新展开研究，其研究主题涉及原始性创新的概念界定[1]，评估体系[2]，演化机理[1，3]，发生机制[4]，主体交互机制[5]，外部效应[6]和激励机制[7]等诸多方面。然而该领域的研究也存在一些缺陷，集中表现为领域内研究方式以思辨分析为主，所构建的模型大多属于概念模型，虽然一部分原始性创新的影响因素和优化策略被相继提出，但是其作用机制和影响效果都难以被清晰观察。上述缺陷极大限制了原始性创新研究的深度，也制约了人们对原始性创新影响因素和优化策略的理解与把握。本文将多主体仿真这一研究方法引入原始性创新研究，可以有效克服上述缺陷。

1基于知识观的原始性创新多Agent模型

原始性创新的概念由我国学者陈雅兰等人提出[1]，他们进一步将原始性创新划分为基础研究和应用基础研究两类[1，7]。学者舒成利和高山行指出[4]，如果从知识观的角度来看，原始性创新本身包含两个密不可分的过程：新知识的产生和对新知识的使用，其中前者对应于基础研究，后者对应于应用基础研究。通过进一步分析我们发现，无论是新知识的产生（基础研究）还是新知识的使用（应用基础研究），其背后形成支撑的往往是一个由不同研究方向不同性质的知识所组成的知识系统。例如，20世纪初兴起的量子力学（基础研究原始性创新），是由物理学科中经典力学对于某些实验现象的解释失败所引发，又以电动力学、热力学和统计物理学等物理子学科的研究成果为依据，才得以提出。又如20世纪中叶DNA双螺旋结构（基础研究原始性创新）的发现者Watson是遗传学家，Crick是物理学家，他们对于DNA结构的研究源于他们看到另一个遗传学家Franklin拍摄的DNA的X射线衍射图片，Watson向Franklin学习了X射线的衍射规律，还经常和其他的蛋白质专家进行讨论，才完成了DNA双螺旋结构的提出与确立。至于应用基础研究原始性创新，本文认为[3]，此类原始性创新要成功地解决一个现实问题必须开发出一整套技术来解决各个方面各个环节所遇到的子问题，其背后形成支撑的必然是各方面知识所组成的知识系统。基于上述知识观，本文提出了原始性创新多Agent模型（见图1）。该模型将原始性创新完全限定于某个学科之内，同时将该学科知识进一步划分为不同的研究方向，并且强调一个原始性创新的成功需要得到多个研究方向知识的支撑。

既然学科知识可以划分为不同研究方向，一个隶属于该学科的学者也可能拥有一个或多个研究方向下的知识，这意味着一个原始性创新所需要的知识可以由不同的学者来承载，这些学者基于这样一种知识的互补性进行分工协作从而形成原始性创新科研团队，而“团队协作”也是陈雅兰等人提出的原始性创新影响因素之一[1]。他们提出的另一个影响因素“核心人物”要求我们将原始性创新团队成员进一步划分为发起者和参与者（见图1）。发起者通常也是团队中的核心人物兼领导，其从事的研究方向（原始性创新的主要研究方向）和原始性创新所需要解决的问题紧密相关，其本身的学术水平及战略眼光也将决定原始性创新的成败。

一个学者作为原始性创新多Agent模型中的主体，其可以和哪些其他学者主体展开创新合作，主要由其在主体合作网络（科学家合作网络）中的位置及其本身的视域所决定。一般而言，学者更倾向于在组织内部寻找创新合作伙伴，不过近年来有一些文献指出学者跨组织合作创新也很常见，特别是对于国内首屈一指的名校和科研机构[8，9]。因而在本文设计的多主体模型中，主体也被归入不同的科研组织，其合作网络也成为一种跨组织网络（见图1）。

总之，上述主体行为及其适应性规则的设计相对简单直白，便于理解和具体操作，也体现了仿真模型设计的简约性。

3参数取值及仿真结果分析

本文采用Swarm平台编写程序并且实施仿真，部分参数的描述及其取值由表1给出。这里的KN属于系统的环境变量，其取值高低代表了学科知识的广阔程度。LKN是学者主体在仿真开始时具备的研究方向总数，这里限定其取值为5，体现了每个学者除了有自己的学术专长方向之外，还掌握学科内一定数量其他研究方向的知识。RLi为主体编号为i的研究方向所对应的知识水平，其初始取值在0～100之间随机生成。OL是原始性创新发起者所需最低知识水平，其取值设定为80，PL是原始性创新参与者所需最低知识水平，其取值设定为40远远小于80。小组总数GS和组内主体数量GN属于系统环境变量。主体作为科学家合作网络的结点，其组内边数BI取值为5，高于组间边数BO取值2，体现了其在单位内部的潜在合作伙伴较单位外部更多，其单位内部合作也比跨单位合作频繁这一事实。

前文对于各系统最终EN数量的分析还提到中度和较高KN取值系统最终EN较低的原因在于某些主体缺乏竞争而停止适应性调整，对于此类主体，如果能够为其引入竞争使其成长为新的专家，势必将提升系统原始性创新绩效。具体的措施是如果某一主体成功地领导了一次原始性创新，他将有一次机会获取一条新的合作网络连接，该连接指向另外一个专家，如果有多个专家符合条件，他将选择其特长方向与自身最为接近的专家。在整个仿真过程中，所有结点都只有一次机会获取新的连接。这种强强联合策略下，特定的KN取值系统的原始性创新成功数量ON演化过程由图5给出，其中图5与图2中对应系统保持了完全相同的初始主体群体设置，与图2对比可见，中度 （KN=50）、较高（KN=100）的KN取值系统最终创新绩效有显著的提升，低度（KN=5）和高度（KN=350）的提升并不明显。这也证明该策略对于中度和较高的KN取值系统行之有效。

上述两种策略相比哪一个更为有效呢？对比图4（b）和图5（b），发现二者大致相当。而图4（c）和图5（c）则显示优先适应其他主体原始性创新策略的效果优于强强联合的策略。事实上强强联合的策略效果的发挥除了要求原系统的研究方向总数不能太低，还需要其具备一定初始数量成功的原始性创新。这一数量越高其效果发挥越好。图6对比了KN=30时两种策略的效果（二者仍然保持初始主体群体设置完全相同），此时，强强联合策略明显优于优先适应其他主体原始性创新策略，此外，强强联合还有提升最终专家数量EN的效果（图6（b）中最终的EN大于图6（a））。可见，两种策略相比不存在绝对最优。

4结束语

本文所构建的基于知识观的原始性创新多Agent模型及其仿真结果实际上论证了让所有学者密集从事少数几个接近的研究方向将有利于其形成知识互补和竞争，既能达成极高的原始性创新绩效，也有利于培养更多的专家。然而现实当中此类研究方向总数极少的学科并不常见，而对于具备中度乃至较高数量研究方向的学科，我们应该依靠相应的优化策略来促进学者间的合作与竞争。此时，采取优先适应其他主体原始性创新策略和强强联合策略都行之有效。前者旨在尽量聚拢学者之间的研究方向，在较小的范围内形成知识互补和竞争，且不需要支付额外的连接成本，后者对于其内部原始性创新数量已经达到一定规模的学科系统更为有效，且能培养出更多的专家，二者相比并不存在绝对的最优策略。

参考文献：

[1]陈雅兰，韩龙士，王金祥，曾宪楼.原始性创新的影响因素及演化机理探究[J].科学学研究， 2003，21（4）：433-437.

[2]陈劲，谢靓红.原始性创新研究综述[J].科学学与科学技术管理，2004，22（2）：22-26.

[3]王猛，张永安，付韬.应用基础研究类原始性创新的演化机理研究[J].科技进步与对策，2012，29（4）：1-5.

[4]舒成利，高山行.基于知识生产模式的原始性创新发生机制的研究[J].科学学研究，2008，26（3）：640-644.

[5]舒成利，高山行.原始性创新：效率、分布性主体间的交互机制[J].科学学研究，2010，28（3）：436-443.

[6]陈雅兰，郭伟锋.原始性创新的外部效应及其控制[J].科学学研究，2010，24（4）：612-617.

[7]陈雅兰，张妍.原始性创新的激励机制与制度问题研究[J].科技进步与对策，2009，26（4）：81-84.

[8]王贤文，丁堃，朱晓宇.中国主要科研机构的科学合作网络分析——基于Web of Science的研究[J].科学学研究，2010，28（12）：1806-1812.

[9]闫相斌，宋晓龙，宋晓红.我国管理科学领域机构学术合作网络分析[J].科研管理，2011，32（12）：104-111.

[10]EA Leicht， RM D'Souza.Percolation on Interacting Networks[RB/OL].Preprint at http：//arxiv.org/abs/0907.0894， 2009.

（责任编辑：张京辉）

一个学者作为原始性创新多Agent模型中的主体，其可以和哪些其他学者主体展开创新合作，主要由其在主体合作网络（科学家合作网络）中的位置及其本身的视域所决定。一般而言，学者更倾向于在组织内部寻找创新合作伙伴，不过近年来有一些文献指出学者跨组织合作创新也很常见，特别是对于国内首屈一指的名校和科研机构[8，9]。因而在本文设计的多主体模型中，主体也被归入不同的科研组织，其合作网络也成为一种跨组织网络（见图1）。

总之，上述主体行为及其适应性规则的设计相对简单直白，便于理解和具体操作，也体现了仿真模型设计的简约性。

3参数取值及仿真结果分析

本文采用Swarm平台编写程序并且实施仿真，部分参数的描述及其取值由表1给出。这里的KN属于系统的环境变量，其取值高低代表了学科知识的广阔程度。LKN是学者主体在仿真开始时具备的研究方向总数，这里限定其取值为5，体现了每个学者除了有自己的学术专长方向之外，还掌握学科内一定数量其他研究方向的知识。RLi为主体编号为i的研究方向所对应的知识水平，其初始取值在0～100之间随机生成。OL是原始性创新发起者所需最低知识水平，其取值设定为80，PL是原始性创新参与者所需最低知识水平，其取值设定为40远远小于80。小组总数GS和组内主体数量GN属于系统环境变量。主体作为科学家合作网络的结点，其组内边数BI取值为5，高于组间边数BO取值2，体现了其在单位内部的潜在合作伙伴较单位外部更多，其单位内部合作也比跨单位合作频繁这一事实。

前文对于各系统最终EN数量的分析还提到中度和较高KN取值系统最终EN较低的原因在于某些主体缺乏竞争而停止适应性调整，对于此类主体，如果能够为其引入竞争使其成长为新的专家，势必将提升系统原始性创新绩效。具体的措施是如果某一主体成功地领导了一次原始性创新，他将有一次机会获取一条新的合作网络连接，该连接指向另外一个专家，如果有多个专家符合条件，他将选择其特长方向与自身最为接近的专家。在整个仿真过程中，所有结点都只有一次机会获取新的连接。这种强强联合策略下，特定的KN取值系统的原始性创新成功数量ON演化过程由图5给出，其中图5与图2中对应系统保持了完全相同的初始主体群体设置，与图2对比可见，中度 （KN=50）、较高（KN=100）的KN取值系统最终创新绩效有显著的提升，低度（KN=5）和高度（KN=350）的提升并不明显。这也证明该策略对于中度和较高的KN取值系统行之有效。

上述两种策略相比哪一个更为有效呢？对比图4（b）和图5（b），发现二者大致相当。而图4（c）和图5（c）则显示优先适应其他主体原始性创新策略的效果优于强强联合的策略。事实上强强联合的策略效果的发挥除了要求原系统的研究方向总数不能太低，还需要其具备一定初始数量成功的原始性创新。这一数量越高其效果发挥越好。图6对比了KN=30时两种策略的效果（二者仍然保持初始主体群体设置完全相同），此时，强强联合策略明显优于优先适应其他主体原始性创新策略，此外，强强联合还有提升最终专家数量EN的效果（图6（b）中最终的EN大于图6（a））。可见，两种策略相比不存在绝对最优。

4结束语

本文所构建的基于知识观的原始性创新多Agent模型及其仿真结果实际上论证了让所有学者密集从事少数几个接近的研究方向将有利于其形成知识互补和竞争，既能达成极高的原始性创新绩效，也有利于培养更多的专家。然而现实当中此类研究方向总数极少的学科并不常见，而对于具备中度乃至较高数量研究方向的学科，我们应该依靠相应的优化策略来促进学者间的合作与竞争。此时，采取优先适应其他主体原始性创新策略和强强联合策略都行之有效。前者旨在尽量聚拢学者之间的研究方向，在较小的范围内形成知识互补和竞争，且不需要支付额外的连接成本，后者对于其内部原始性创新数量已经达到一定规模的学科系统更为有效，且能培养出更多的专家，二者相比并不存在绝对的最优策略。

参考文献：

[1]陈雅兰，韩龙士，王金祥，曾宪楼.原始性创新的影响因素及演化机理探究[J].科学学研究， 2003，21（4）：433-437.

[2]陈劲，谢靓红.原始性创新研究综述[J].科学学与科学技术管理，2004，22（2）：22-26.

[3]王猛，张永安，付韬.应用基础研究类原始性创新的演化机理研究[J].科技进步与对策，2012，29（4）：1-5.

[4]舒成利，高山行.基于知识生产模式的原始性创新发生机制的研究[J].科学学研究，2008，26（3）：640-644.

[5]舒成利，高山行.原始性创新：效率、分布性主体间的交互机制[J].科学学研究，2010，28（3）：436-443.

[6]陈雅兰，郭伟锋.原始性创新的外部效应及其控制[J].科学学研究，2010，24（4）：612-617.

[7]陈雅兰，张妍.原始性创新的激励机制与制度问题研究[J].科技进步与对策，2009，26（4）：81-84.

[8]王贤文，丁堃，朱晓宇.中国主要科研机构的科学合作网络分析——基于Web of Science的研究[J].科学学研究，2010，28（12）：1806-1812.

[9]闫相斌，宋晓龙，宋晓红.我国管理科学领域机构学术合作网络分析[J].科研管理，2011，32（12）：104-111.

[10]EA Leicht， RM D'Souza.Percolation on Interacting Networks[RB/OL].Preprint at http：//arxiv.org/abs/0907.0894， 2009.

（责任编辑：张京辉）

一个学者作为原始性创新多Agent模型中的主体，其可以和哪些其他学者主体展开创新合作，主要由其在主体合作网络（科学家合作网络）中的位置及其本身的视域所决定。一般而言，学者更倾向于在组织内部寻找创新合作伙伴，不过近年来有一些文献指出学者跨组织合作创新也很常见，特别是对于国内首屈一指的名校和科研机构[8，9]。因而在本文设计的多主体模型中，主体也被归入不同的科研组织，其合作网络也成为一种跨组织网络（见图1）。

总之，上述主体行为及其适应性规则的设计相对简单直白，便于理解和具体操作，也体现了仿真模型设计的简约性。

3参数取值及仿真结果分析

本文采用Swarm平台编写程序并且实施仿真，部分参数的描述及其取值由表1给出。这里的KN属于系统的环境变量，其取值高低代表了学科知识的广阔程度。LKN是学者主体在仿真开始时具备的研究方向总数，这里限定其取值为5，体现了每个学者除了有自己的学术专长方向之外，还掌握学科内一定数量其他研究方向的知识。RLi为主体编号为i的研究方向所对应的知识水平，其初始取值在0～100之间随机生成。OL是原始性创新发起者所需最低知识水平，其取值设定为80，PL是原始性创新参与者所需最低知识水平，其取值设定为40远远小于80。小组总数GS和组内主体数量GN属于系统环境变量。主体作为科学家合作网络的结点，其组内边数BI取值为5，高于组间边数BO取值2，体现了其在单位内部的潜在合作伙伴较单位外部更多，其单位内部合作也比跨单位合作频繁这一事实。

前文对于各系统最终EN数量的分析还提到中度和较高KN取值系统最终EN较低的原因在于某些主体缺乏竞争而停止适应性调整，对于此类主体，如果能够为其引入竞争使其成长为新的专家，势必将提升系统原始性创新绩效。具体的措施是如果某一主体成功地领导了一次原始性创新，他将有一次机会获取一条新的合作网络连接，该连接指向另外一个专家，如果有多个专家符合条件，他将选择其特长方向与自身最为接近的专家。在整个仿真过程中，所有结点都只有一次机会获取新的连接。这种强强联合策略下，特定的KN取值系统的原始性创新成功数量ON演化过程由图5给出，其中图5与图2中对应系统保持了完全相同的初始主体群体设置，与图2对比可见，中度 （KN=50）、较高（KN=100）的KN取值系统最终创新绩效有显著的提升，低度（KN=5）和高度（KN=350）的提升并不明显。这也证明该策略对于中度和较高的KN取值系统行之有效。

上述两种策略相比哪一个更为有效呢？对比图4（b）和图5（b），发现二者大致相当。而图4（c）和图5（c）则显示优先适应其他主体原始性创新策略的效果优于强强联合的策略。事实上强强联合的策略效果的发挥除了要求原系统的研究方向总数不能太低，还需要其具备一定初始数量成功的原始性创新。这一数量越高其效果发挥越好。图6对比了KN=30时两种策略的效果（二者仍然保持初始主体群体设置完全相同），此时，强强联合策略明显优于优先适应其他主体原始性创新策略，此外，强强联合还有提升最终专家数量EN的效果（图6（b）中最终的EN大于图6（a））。可见，两种策略相比不存在绝对最优。

4结束语

本文所构建的基于知识观的原始性创新多Agent模型及其仿真结果实际上论证了让所有学者密集从事少数几个接近的研究方向将有利于其形成知识互补和竞争，既能达成极高的原始性创新绩效，也有利于培养更多的专家。然而现实当中此类研究方向总数极少的学科并不常见，而对于具备中度乃至较高数量研究方向的学科，我们应该依靠相应的优化策略来促进学者间的合作与竞争。此时，采取优先适应其他主体原始性创新策略和强强联合策略都行之有效。前者旨在尽量聚拢学者之间的研究方向，在较小的范围内形成知识互补和竞争，且不需要支付额外的连接成本，后者对于其内部原始性创新数量已经达到一定规模的学科系统更为有效，且能培养出更多的专家，二者相比并不存在绝对的最优策略。

参考文献：

[1]陈雅兰，韩龙士，王金祥，曾宪楼.原始性创新的影响因素及演化机理探究[J].科学学研究， 2003，21（4）：433-437.

[2]陈劲，谢靓红.原始性创新研究综述[J].科学学与科学技术管理，2004，22（2）：22-26.

[3]王猛，张永安，付韬.应用基础研究类原始性创新的演化机理研究[J].科技进步与对策，2012，29（4）：1-5.

[4]舒成利，高山行.基于知识生产模式的原始性创新发生机制的研究[J].科学学研究，2008，26（3）：640-644.

[5]舒成利，高山行.原始性创新：效率、分布性主体间的交互机制[J].科学学研究，2010，28（3）：436-443.

[6]陈雅兰，郭伟锋.原始性创新的外部效应及其控制[J].科学学研究，2010，24（4）：612-617.

[7]陈雅兰，张妍.原始性创新的激励机制与制度问题研究[J].科技进步与对策，2009，26（4）：81-84.

[8]王贤文，丁堃，朱晓宇.中国主要科研机构的科学合作网络分析——基于Web of Science的研究[J].科学学研究，2010，28（12）：1806-1812.

[9]闫相斌，宋晓龙，宋晓红.我国管理科学领域机构学术合作网络分析[J].科研管理，2011，32（12）：104-111.

[10]EA Leicht， RM D'Souza.Percolation on Interacting Networks[RB/OL].Preprint at http：//arxiv.org/abs/0907.0894， 2009.

（责任编辑：张京辉）