CURS 3

I. Sisteme adaptive complexe

(CAS)
II. Autoorganizarea –proprietate a
CAS
III. Aproximarea liniară a
sistemelor dinamice neliniare
IV. Aplicație numerică la metoda
cutiei negre

I. Sisteme adaptive complexe

(CAS)
Exemple:
- ecosistemele naturale,
- organizațiile sociale,
- piețele,
- corporații multinaționale,
- statele naționale.
1
Principiile CAS:
- sunt dominate de ordine și control,
- au o istorie/evoluție ireversibilă,
- au viitor incert.
Caracteristici:
- diversitatea și individualitatea
componentelor;
- posedă interacțiuni între
componente;
- posedă proprietatea de emergență:
interacțiunile între elemente
generează comportamente specifice
sistemului, comportamente care nu
sunt identice cu comportamentele
elementelor individuale;
- posedă proprietatea de selecție:
ieșirile sistemului selecționează

2
 elementele utilizate în continuare
pentru acțiune;
- sunt compuse din numeroși agenți
individuali al căror comportament se
bazează pe propriile modele
mentale;
- modelele mentale se modifică prin
învățare, adaptare, coevoluție;
- comportamentul sistemului în
ansamblul său, emerge din
interacțiunile între agenți;
- acțiunile unui agent, schimbă
contextul altor agenți;
- sistemele sunt neliniare: mici
modificări ale parametrilor, produc
schimbări ample;
- comportamentul este imprevizibil pe
termen lung;

3
- sunt posibile unele predicții pe
termen scurt;
- ordinea este o proprietate internă, nu
necesită intervenția utilizatorului;
- sistemele se pot autoorganiza și pot
crea noi funcții și elemente.

Proprietățile CAS:

1. Autoorganizarea;
2. Conectivitate și interdependență;
3. Coevoluția;
4. Structură disipativă, funcționarea
departe de echilibru;
5. Dependența de traiectorie și
istoricitatea;
6. Legea profitului crescător;
7. Procese feed-back;
4
 8. Emergența.

Definiții:
- Lindberg, Zimmerman (1997): CAS
este compus din agenți individuali
interconectați, care acționează liber,
imprevizibil, astfel încât acțiunea
unui agent, schimbă contextul pentru
ceilalți agenți.
- CAS sunt sisteme care, în funcție de
modificările în mediu, se
adaptează, în vederea atingerii
scopurilor către care sunt orientate.

II. Autoorganizare în CAS

Este una dintre proprietățile CAS.
Definiție: Apariția spontană, imprevizibilă
a unei noi structuri coerente, generată de
interacțiunile între agenți.
5
Ross Ashby (1954) introduce principiul
autoorganizării : sistemul dinamic tinde în
evoluția sa, către o stare pe care o numim
atractor. Aceasta este o stare de echilibru
în care toate elementele sunt reciproc
adaptate.
H. von Foster: principiul ordinii apărute
din zgomot: cu cât perturbațiile sunt mai
mari, cu atât sistemul se autoorganizează
mai repede întrucât probabilitatea ca o
traiectorie să se situeze în vecinătatea unui
atractor, crește.
McCallum aplică autoorganizarea în
rețelele neuronale.

Caracteristicile sistemelor cu
autoorganizare (Stuart Kauffman, Chris
Langton, John Holland):
1. Ordine globală, rezultată din
interacțiunile locale;
6
 2. Control distribuit;
3. Robustețe;
4. Neliniaritate;
5. Închidere organizațională;
6. Funcționare departe de echilibru;
7. Bifurcație și haos.

1. Ordine globală, rezultată din

interacțiunile locale
- Interacțiunile locale se realizează în
conformitate cu principiul cauzalității
circulare.
Cauzalitate circulară: cauza produce
efect, care are acțiune asupra cauzei
(feed-back).
Cauzalitate circulară ca proces feed-
back, integrează procesele FB pozitive și
negative.
Dinamica internă a sistemului,
testează interacțiunile, iar când acestea

7
devin instabile, cu ajutorul feed-back, se
schimbă structura.

2. Control distribuit
- Controlul organizației este distribuit
subsistemelor;
- Fiecare subsistem are agenți
specializați în control care cooperează
pentru atingerea scopurilor.

3. Robustețe (toleranță la erori):

- Sistemele cu autoorganizare au
rezistență mare la perturbații și au, de
asemenea, o mare capacitate de
refacere;
- Cauza toleranței mari la erori:
-controlul distribuit (părțile care
nu au fost avariate, cooperează pentru
refacerea părților afectate);

8
 -sistemul permite fluctuații,
mișcări aleatoare, sau zgomote, care
reprezintă adaptări la șocuri.

4. Neliniaritatea
Neliniaritatea presupune lipsa
proporționalității între cauză și efect ;
Neliniaritatea generează relații cauzale
circulare, mecanism FB specific
autoorganizării;
Buclele FB pozitive, sunt dominante și duc
la dezvoltare: în momentul în care nu mai
există resurse pentru dezvoltare, încep să
acționeze buclele FB negative.

5. Închidere organizațională
- Caracteristica sistemului de a-și
menține o anumită structură, până la
îndeplinirea unei anumite funcții;

9
- Sistemul cu autoorganizare este
independent față de schimbările
structurale în mediu, este
organizațional închis față de
schimbările structurale în mediu;
- Sistemul schimbă energie cu mediul,
dar structura sa nu se schimbă, până la
împlinirea unei anumite funții;
- Sistemele cu autoorganizare sunt
compuse din subsisteme autonome,
închise organizațional, interconectate și
organizate pe nivele ierarhice;
- Sistemele ierarhice pot avea o
cauzalitate (feed-back) downward (de
sus în jos) sau upward (de jos în sus).

6. Dinamică departe de echilibru

Ilya Prigogine ( fundamentează teoria
structurilor disipative): sistemele în
echilibru, nu au pierderi de energie,
entropia lor este minimă.
10
 Departe de echilibru înseamnă
disipație maximă (entropie maximă).
Sistemele departe de echilibru sunt
sisteme care nu vor atinge starea de
echilibru, ca în cazul sistemelor liniare.

7. Bifurcație și haos

Este o proprietate indusă de

neliniaritate- mici perturbații duc la
modificări ample ale comportamentului
sistemului.
În evoluția sistemelor, apar bifurcații,
traiectoria trece către un comportament
haotic, întâlnind apoi un atractor,
traiectoria se autoorganizează.
Starea de dezordine, precede
autoorganizarea

11
 III. Ecuații diferențiale neliniare
Aproximările liniare ale ecuațiilor
diferențiale neliniare
Considerăm ecuația:
ẋ (t )=f (x (t ))
f (x ) este neliniară în x(t ) dar continuă
și diferențiabilă.
În general, aceste ecuații nu se pot
rezolva analitic.
Trebuie să găsim punctele fixe pentru
ẋ(t )=0 , deci pentru f (x((t))=0 .
Presupunem f (x((t )) este continuă,
diferențiabilă în x((t ) într-un interval
¿
deschis care-l conține pe x=x
(punctul fix).

12
Aproximăm f (x((t )) folosind
dezvoltarea Taylor în jurul punctului
¿
x :
¿ ¿
¿ ¿ ¿ f ''( x )( x(t )−x )
f (x(t ))=f ( x )+f ' ( x )( x(t )−x )+ +...
2!
n ¿ ¿
f ( x )( x(t )−x ) ¿
+ +R n( x(t ), x )
n!
¿
Rn (x(t ), x ) este restul.
Aproximarea liniară de ordinul unu are
forma:
¿ ¿ ¿ ¿
f (x (t ))=f (x )+f ' ( x )( x (t )−x )+ R 2 ( x (t ), x )
Dacă dezvoltarea este făcută în jurul
¿
punctului fix, x , atunci
¿
R2 ( x(t ), x )≈0 .

13
 ¿
În plus, dacă x este punctul fix,
¿
atunci f (x )=0 și putem aproxima
f (x(t )) în punctul x ¿ prin:
¿ ¿
f (x(t ))=f ' (x )( x(t )−x )
Exemplul 1:
Modelul de creștere economică al lui
Solow cu funcția de producție Cobb-
Douglas, rezolvat prin aproximare
liniară.
Ecuația de evoluție a stocului de capital
per capita:

k̇(t )=sf (k(t ))−(n+δ)k(t )

Considerăm funcția de producție de tip
Cobb-Douglas:

14
 α 1−α
F( K (t ), L(t ))=aK (t ) L(t )
Calculăm funcția de producție în
mărimi percapita, împîrțind funcția la
L(t ) :

K (t ) α L(t ) 1−α
f (k (t ))=a( )( ) →
L(t ) L(t )
α
f (k (t ))=ak (t )
Ecuația de evoluție a capitalului devine:
α
k̇ (t )=sak (t )−(n+δ )k (t )
Punctele fixe sunt:
k̇ (t )=0→sak α (t )−(n+δ)k (t )=0
α −1
k (t )( sak (t )−(n+δ ))=0

( ) 1
¿
k 2= ( )
n+δ
sa
α−1

15
 ¿
k 1=0
Dezvoltarea Taylor de ordinul unu în
¿
punctul fix k =k 2 :
' ¿ ¿
f (k (t ))=f (k 2 )(k (t )−k 2 )
Cu:
¿ α −1
f ' (k (t ))=α sa(k ) −(n+δ )
¿ ¿
Considerăm acum
k =k 2 :
Atunci :
f ' (k )=α sa(k 2 )α −1 −( n+δ )=
¿

[( ]
α−1

)
1
n+δ
α sa α−1 −(n+ δ )=
sa
α (n+δ )−(n+δ )=−(1−α )(n+δ )
Rezultă aproximarea liniară:
¿
f (k (t ))=−(1−α )( n+δ )(k (t )−k 2 )

16
Întrucât 0<α<1 iar n și δ sunt pozitive,
atunci funcția f(k) are pantă negativă în
¿
k 2 și deci sistemul este local stabil,
punctul fix este de tip atractor.
Aproximarea de ordinul unu în jurul
¿
k
echilibrului 2 este:
¿
k̇(t)=f (k(t))=−(n+δ)(1−α)(k(t)−k 2 )
Este ecuație diferențială liniară de
ordinul unu.
Ecuația omogenă:
k̇(t )=−(n+δ )(1−α )k(t )
G −( n+δ )(1−α ) t
k t (t )=Ce
P
k t (t )=D
Soluția particulară trebuie să verifice
ecuația neomogenă:
17
 ¿
k̇(t)=−(n+δ)(1−α )k(t)+(n+δ)(1−α)k 2
¿ ¿
(n+δ)(1−α)D=(n+δ )(1−α)k 2→D=k 2
G P −(n+δ)(1−α)t ¿
k(t )=k t (t )+k (t )=Ce +k 2
Aplicăm condițiile Cauchy:
0 ¿
k 0=Ce +k 2
¿
C=k 0−k 2
Soluția:
¿
¿ −(n +δ )(1−α )t
k (t )=k 2 +(k 0 −k )e 2
¿
lim k(t )=k 2
Pentru aproximarea liniară, t →∞ ,
¿
k
respectiv 2 este punct fix asimptotic
local stabil pentru aproximarea liniară.

Temă:
18
Considerăm datele:
α=0 , 45 , s=0 ,25 , a=100 , n=0 , 002 , δ=0 , 05 , k 0 =106 ,
L0 =1000
1. Scrieți modelul lui Solow pe date;
2. Determinați traiectoria atât
rezolvând ecuația Bernoulli, cât și
prin aproximare liniară;
3. Calculați punctele fixe;
4. Determinați natura punctelor fixe;
5. Calculați traiectoria înzestrării
tehnice a muncii în EXCEL, pentru
t=1,…,20.
6. Scrieți ecuația investițiilor brute și
a consumului per capita:
α α
i(t )=sak (t ) ;c(t )=(1−s)ak (t )
Și calculați traiectoriile pentru t-1,
…20.
7. Calculați indicatorii economici ai
modelului în mărimi totale și faceți

19
 graficele în EXCEL pentru t=1,…
20.
Y (t )=L0 ent ak (t ) α ;I (t )=L0 e nt sak(t )α ;
C(t )=L0 e nt (1−s)ak (t )α ; K (t )=L0 ent k (t )
8. Comparați traiectoriile obținute
prin rezolvarea ecuației Bernoulli
și prin aproximare liniară.

Tema 2:
Aceleași cerințe ca și la tema
precedentă, folosind datele:
1.
α=0 , 35 , s=0,4 ,a=1000 , n=0 ,001 , δ=0 , 045 ,
k 0 =3 . 106 , L0 =1500
2.
α=0 , 55 , s=0 , 35 , a=300 , n=0 , 005 , δ=0 , 055 ,
k 0 =5 . 106 , L0 =1700

Exemplul 2:
Modelul logistic:
2
Ṗ(t )=kP (t )−δP (t )
20
Puncte fixe:
Ṗ(t )=0
2
0=kP(t )−δP (t )
0=P (t )(k−δP(t ))
Puncte fixe:
P¿1=0
¿ k
P2 =
δ
Aproximarea liniară:
' ¿ ¿
Ṗ( t )=f (P 2 )( P(t )−P 2 )
¿ k
P2 =
Aproximarea liniară în δ
2
f (P(t ))=kP (t )−δP (t )
'
f ( P(t ))=k −2 δP(t )
' ¿ ' k k
f ( P2 )=f ( )=k−2 δ =−k
δ δ
k
Ṗ(t )=−k ( P(t )+ )=−kP(t )−k 2 /δ
δ
care este o ecuație liniară de ordinul întâi,
neomogenă.

21
 G −kt
P (t )=Ce
P
P (t )= D
0=−kD−k 2 /δ
D=−k /δ
−kt
P(t )=Ce −k /δ
P(0 )=P0
C=P0 + k /δ
−kt
P(t )=(P 0 +k /δ )e −k /δ
Temă:
Considerăm datele:

1.
k =0 , 003 , δ=0 ,001 , P0 =50

2. k=0 ,005 , δ=0,002 , P0 =100 .

3. k=0 ,002,δ=0 ,003 , P0 =10
1. Scrieți modelul lui logistic pe date;
2. Determinați traiectoria atât
rezolvând ecuația Bernoulli, cât și
prin aproximare liniară;
3. Calculați punctele fixe;
22
 4. Determinați natura punctelor fixe;
5. Calculați traiectoria populației în
EXCEL, pentru t=1,…,20.
6. Comparați traiectoriile obținute
prin rezolvarea ecuației Bernoulli
și prin aproximare liniară.
IV. Metoda cutiei negre
Considerăm seriile de valori logaritmice:
I PIB IK ln I PIB ln I K ^I PIB =0 , 618819( I K )0 ,68434
t t t t t t t

1 1,21 1,4608 0,19 0,37 0,8201

2 9
2 1,257 1,6209 0,22 0,48 0,8619
7 3
3 1,543 1,4933 0,37 0,40 0,7515
4 1 0 1
4 1,652 1,6520 0,35 0,50 0,87248
2 0 2
5 1,647 1,6470 0,41 0,49 0,870687
7 1 9
Intrările în sistem: I K , I PIB
t

23
 ^I
Ieșirile din sistem: t PIB

Ipoteza asupra formei funcționale:

α
y(t )= Ak (t )
Liniarizam funcția în parametri:
ȳ (t )=ln y (t )=ln A +α ln k (t )=a+αx(t )
5
min S=min ∑ ( ȳ−a−αx (t ))2 =min ((0,192- a−α 0,379)2 +(0,227-a- α 0,483)2 +
t=1
+(0,37-a- α 0,401 )2 +(0,35-a-α 0,502)2 +(0,411-a- α 0,499 )2 )
∂S
=0→−2[(0 , 192−a−α 0,379)+(0,227-a- α 0,483 )+
∂a
+(0,37-a- α 0,401 )+(0,35-a- α 0,502 )+(0,411-a- α 0,499 )]=
=−2(1 , 55−5 a−2 , 264 α )=−3,1+10 a+4 ,528 α=0
∂S
=0→−2( 0,379(0 ,192−a−α 0,379)+0,483 (0,227-α 0,483)+0,401(0,37-α 0,401)+
∂α
+0,502(0,35-α 0,502)+0,499(0,411- α 0,499)=0→
−0, 14556+a+0,287282 α−0, 219282+a+0, 466578 α−0 ,29674+a+0, 321602 α−
−0, 3514+a+0 ,504008 α−0, 410178+a+0 , 498002α=0→
−1, 4258062+10 a+2, 077472=0
Am obținut sistemul algebric:
−3,1+10 a+4, 528α=0
−1, 4258062+10 a+2,077472α=0
−3,1+10a+4,528 α=0
−1,4258062+10a+2,077472α=0
a^ =0,61881
α^ =0,68434
Funcția de producție estimată:
0 ,68434
y(t )=0,61881 k(t )

24
 Observăm că diferențele între valorile
observate și valorile calculate sunt mari
și tragem concluzia că modelul nu este
bun. Pentru identificarea funcției de
producție, facem acum ipoteza
liniarității:
y (t )=a+bk (t )
Temă:
Estimați parametrii pentru funcția liniară,
folosind datele din table.

25