Traducido del inglés al español - www.onlinedoctranslator.

com

sistemas
Artículo

MBSE sin/sin simulación: estado del arte y

camino a seguir
Bernard P. Zeigler1,*, Saurabh Mittal2y Mamadou Kaba Traoré3
1 Codirector del Centro de Modelado y Simulación Integrativa de Arizona (ACIMS),
Universidad de Arizona y científico jefe, RTSync Corp., 6909 W. Ray Road, Chandler, AZ 85226, EE. UU. MITRE
2 Corporation, 7515 Colshire Dr., McLean, VA 22102, EE. UU.; smittal@mitre.org
3 IMS CNRS UMR 5218, Universidad de Burdeos, 33405 Talence, Francia; traore@isima.fr
* Correspondencia: zeigler@rtsync.com

---- -
Recibido: 11 de octubre de 2018; Aceptado: 9 de noviembre de 2018; Publicado: 15 noviembre 2018 ---

Resumen:Las limitaciones del soporte basado en modelos para la ingeniería de sistemas complejos incluyen una
capacidad limitada para desarrollar modelos multifacéticos, así como su análisis con motores de simulación robustos
y confiables. La falta de dicha infraestructura de modelado y simulación (M&S) conduce a lagunas de conocimiento
en la ingeniería de sistemas tan complejos y estas lagunas aparecen como comportamientos epistemológicos
emergentes. En respuesta, está en marcha una iniciativa para acercar la ingeniería de sistemas basados en modelos
(MBSE) a los desarrollos de simulación basados en modelos. M&S representa una capacidad central y es necesaria
para abordar los desafíos de ingeniería de sistemas complejos y adaptables de la actualidad. Este documento
considera los problemas planteados por MBSE tomado como una actividad de modelado sin el apoyo de la capacidad
de simulación integrada de fuerza completa y el potencial y las posibles formas de, mayor integración entre las dos
corrientes. Se examina un ejemplo de una aplicación de ingeniería de sistemas, una flota de vehículos no tripulados
que proporciona un servicio de ambulancia de emergencia, como una aplicación del tipo de metodología
multifacética de M&S necesaria para tratar eficazmente con tales sistemas.

Palabras clave:modelado y simulación; especificación del sistema de eventos discretos; DISPOSITIVOS; ingeniería de sistemas basada en

modelos; MBSE; Internet de las Cosas; internet de las cosas; sistemas físicos cibernéticos; SPC; complejos sistemas adaptativos de sistemas

1. Introducción

La ingeniería basada en modelos se originó en la década de 1970 y con la Teoría de Sistemas fundamental que
proporciona medios y métodos para incorporar la simulación como mecanismo integral para comprender las abstracciones y
la alineación conceptual entre varias partes/sistemas constituyentes. El libro de A. Wayne Wymore [1] se reconoce
generalmente como la primera formulación de la ingeniería de sistemas basada en modelos (MBSE). Muy apropiadamente,
Wymore es también uno de los primeros teóricos del sistema y la teoría en su libro [2] demuestra la base para la
especificación del sistema de eventos discretos (DEVS) que se discutirá aquí. Con el advenimiento de la tecnología de la
información a fines de la década de 1990, surgieron nuevas notaciones de modelado que ayudaron a desarrollar sistemas
habilitados para TI utilizando prácticas tradicionales de ingeniería de sistemas. Con la TI ahora entretejida en todos los tejidos
de la sociedad, los sistemas habilitados por TI se han vuelto complejos e inmanejables. Estos son comúnmente conocidos
como sistemas sociotécnicos.3].
Para describir esta nueva clase de sistemas supercomplejos en un mundo creado por el hombre, se
utilizan indistintamente etiquetas como Sistema de sistemas (SoS), Sistemas cibernéticos (CPS), Sistemas
adaptativos complejos (CAS) y Cyber CAS (CyCAS). [4,5]. Todos ellos son sistemas multiagente, es decir, tienen
gran número de agentes, están contextualizados en un entorno interactivo y manifiestan un comportamiento
emergente. Los agentes constituyentes están orientados a objetivos con información incompleta en un
momento dado e interactúan entre ellos y con el entorno. SoS se caracteriza por el constituyente

Sistemas2018,6, 40; doi:10.3390/sistemas6040040 www.mdpi.com/journal/systems

Sistemas2018,6, 40 2 de 18

sistemas bajo control operativo y de gestión independiente, separación geográfica entre los sistemas
constituyentes y hoja de ruta evolutiva independiente. CAS es un SoS donde los sistemas constituyentes
pueden interpretarse como agentes que interactúan y se adaptan al entorno dinámico. Cyber CAS es un CAS
que existe en un entorno centrado en la red (por ejemplo, Internet) que incorpora elementos humanos donde
la comunicación distribuida entre los sistemas y varios elementos se facilita mediante estándares y protocolos
acordados. CPS es un SoS en el que los sistemas integrados y físicos constituyentes se controlan de forma
remota a través de los componentes cibernéticos constituyentes.
La ingeniería de sistemas basada en modelos emplea prácticas basadas en modelos para diseñar sistemas habilitados
para TI. Si bien todavía se pueden crear utilizando las prácticas de MBSE, el uso de dichos sistemas está lejos de serlo. En la era
sociotécnica de Internet de las cosas (IoT), en la que están involucrados múltiples dominios (por ejemplo, cibernético, físico y
computacional en varios sectores sociales), experimentar con el modelo para comprender la funcionalidad del modelo y
diseñar el sistema complejo resultante es un Tarea desafiante. Los conjuntos de herramientas existentes carecen de las
capacidades de experimentación y análisis de simulación necesarias que conducen a comportamientos epistemológicos
emergentes, que es una característica que define la propiedad de cualquier sistema complejo [6]. Estos comportamientos
emergentes pueden ser tanto positivos como negativos. Los comportamientos emergentes negativos conducen a fallas en
cascada, mientras que los comportamientos emergentes positivos pueden ser sostenibles y mejorar la función general de los
sistemas complejos.7]. Para superar tales limitaciones, se requiere extender MBSE para el análisis de interacción hombre-
máquina y el diseño de sistemas resilientes.8].
El paradigma basado en modelos ha sido adoptado con éxito por muchas disciplinas en lo que respecta a la
ingeniería de sistemas tradicional. Sin embargo, para la ingeniería de sistemas complejos, todavía está en la infancia,
ya que el soporte del conjunto de herramientas para la ingeniería de sistemas complejos es limitado.9]. Estas
limitaciones van desde el desarrollo de modelos multifacéticos (que incluyen simulaciones completas y muy detalladas
y simplificaciones analíticas altamente informativas) hasta proporcionar motores de simulación subyacentes
igualmente capaces. La falta de tal infraestructura de M&S conduce a brechas de conocimiento en la ingeniería de
sistemas tan complejos y estas brechas aparecen como comportamientos epistemológicos emergentes.10]. Muchos
dominios y disciplinas están empleando con éxito capacidades de simulación dentro de sus dominios [11]. Además, un
fuerte apoyo para desarrollar un sistema empresarial de sistemas utilizando marcos de arquitectura [12] como el
Marco de Arquitectura del Departamento de Defensa (DoDAF), el Marco de Arquitectura Unificada (UAF), etc. ahora
está ampliamente disponible. Sin embargo, estos no están ni cerca de abordar los requisitos para el desarrollo de
modelos multifacéticos y su infraestructura subyacente de simulación y experimentación.
A los efectos de una etiqueta unificadora, consideraremos el término Sistema Adaptativo Complejo de Sistemas
(CASOS). Este término enfatiza tres aspectos: complejo, adaptativo y SoS de sistemas sociotécnicos complejos. Estas
tres son características distintas que requieren una infraestructura única (tanto hardware como software) para su
implementación. Un SoS puede ser complicado pero no complejo, es decir, SoS puede emplear ingeniería de sistemas
tradicional. El aspecto adaptativo se incorpora a la mezcla a través de la encarnación del agente, la situación y el
aprendizaje. Estos están disponibles en los sistemas sociotécnicos a través de la Inteligencia Artificial, el aprendizaje
automático, los algoritmos o la presencia de humanos en el circuito (que complementan la funcionalidad del sistema
con roles de orientación y participación). Consideramos una clase de ejemplos de tales CASOS en el ApéndiceApara
ilustrar los avances particulares en M&S requeridos para respaldar su diseño de ingeniería de sistemas.

CASOS presenta desafíos que no pueden abordarse fácilmente utilizando MBSE ni técnicas clásicas de modelado,
simulación y optimización. La ingeniería de sistemas basada en modelos recientes ha demostrado ser inadecuada debido a la
falta de un sustrato computacional de M&S de potencia completa [5]. La metodología de modelado y simulación (M&S) ha ido
evolucionando para proporcionar una capacidad cada vez mayor para ayudar a los ingenieros de sistemas a desarrollar
modelos de CASOS [4,11,13]. Dichos modelos de simulación respaldan el diseño y la prueba de mecanismos con capacidades
de aprendizaje para coordinar las interacciones de los componentes operativos y gerenciales independientes. El diseño de
dichos sistemas presenta desafíos para el uso independiente actualmente empleado de modelos simplificados para
verificación formal o simulaciones de fuerza bruta que están severamente limitadas en el rango de condiciones que pueden
probar. M&S de CASOS debe tener un entorno de modelado utilizable que facilite la validación del modelo por parte del
usuario final y una infraestructura de simulación robusta
Sistemas2018,6, 40 3 de 18

que se puede verificar formalmente para asegurar la correcta ejecución del modelo. Juntos, permiten una evaluación
exhaustiva de los parámetros y una experimentación avanzada. Los métodos basados en modelos que respaldan la
ingeniería de sistemas tradicional deben complementarse con metodologías basadas en simulación para garantizar
que respalden la ingeniería de sistemas complejos que integren sistemas discretos y continuos para sistemas híbridos
complejos. La ingeniería de CASOS no será posible a menos que los comportamientos emergentes no deseados se
eliminen por completo de un entorno computacional o se conozcan a priori para que puedan eliminarse con
conocimiento. Un entorno basado en simulación computacional brinda oportunidades de experimentación para
validar un modelo CASOS, de modo que se vuelva predecible y eventualmente útil [5]. En última instancia, esto se
puede realizar en un entorno en vivo, virtual y constructivo con una infraestructura de simulación robusta y
compromisos humanos en el circuito [14].
La tarea de integrar varios simuladores para que funcionen juntos como una simulación compuesta,
denominada cosimulación, implica tejer con precisión el comportamiento de la serie temporal y los intercambios de
datos, cuya falla producirá resultados de simulación inexactos. Según lo elaborado por Mittal y Zeigler [15], en
ausencia de un enfoque genérico, cada uno de estos sistemas híbridos requeriría un esfuerzo dedicado para construir
un entorno de cosimulación. Reunir varios simuladores es mucho más que un ejercicio típico de integración de
ingeniería de software.
En las siguientes secciones, comenzamos con algunos antecedentes en la teoría de M&S y el formalismo de
Especificación del sistema de eventos discretos (DEVS) para sentar las bases para la discusión del modelado
multifacético y la infraestructura de co-simulación asociada. Esto sienta las bases para considerar cómo se pueden
unificar MBSE, DEVS y CASOS. Luego, se propone una arquitectura genérica y un flujo de trabajo para que M&S trabaje
dentro de MBSE. Esto conduce a una discusión más profunda de las familias de modelos multiobjetivo,
multiperspectiva y multiresolución que respaldan las capacidades y herramientas de simulación. Se examina un
ejemplo de una aplicación de ingeniería de sistemas, una flota de vehículos autónomos no tripulados que proporciona
un servicio de ambulancia de emergencia, como una aplicación del tipo de metodología multifacética de M&S
necesaria para tratar eficazmente con dichos sistemas.
El documento está organizado de la siguiente manera: Sección2describe los desarrollos en M&S
utilizando el formalismo DEVS y su aplicación a Sistemas Adaptativos Complejos, Sección3describe los
conceptos de M&S multifacéticos que facilitan el desarrollo de modelos y simulaciones multirresolución,
multiperspectiva y multiobjetivo. Sección4proporciona una descripción general del estado del arte de las
herramientas de simulación. Sección5analiza el camino a seguir para MBSEcon, ysin que, simulación, seguido
de conclusiones en la Sección6.

2. Desarrollos en Modelado y Simulación y DEVS

El formalismo DEVS ofrece una solución al problema de desarrollar modelos y capacidades de simulación
asociadas que está ganando cada vez más aceptación con una construcción holística llamada Modeling and Simulation
Framework (MSF). Brevemente resumido, el marco define las entidades y sus relaciones de la empresa de M&S e
incluye la relación entre los modelos detallados y sus abstracciones [dieciséis]. El marco se basa en la teoría de
sistemas matemáticos y reconoce que la complejidad de un modelo se puede medir objetivamente por su uso de
recursos en el tiempo y el espacio en relación con un simulador en particular o una clase de simuladores. Además, las
propiedades intrínsecas del modelo a menudo están fuertemente correlacionadas con la complejidad
independientemente del simulador subyacente. Entonces se puede ver un modelado exitosocomo simplificación
válida, es decir, reducción de la complejidad para permitir que un modelo se ejecute en simuladores con recursos
limitados y, al mismo tiempo, crearmorfismos que preservan el comportamiento y/o las propiedades estructurales, en
algún nivel de resolución, y dentro de algún marco experimental de interés. De hecho, de acuerdo con el marco,
siempre hay al menos un par de modelos involucrados, que se denominan modelo. baseyagrupadomodelos, en tal
relación.
El formalismo DEVS se formula dentro de MSF y especifica formalmente el comportamiento interno del sistema,
así como el comportamiento macro del sistema general debido a su propiedad de cierre bajo acoplamiento. Esta
robustez tanto en la descripción estructural como en la conductual asegura que los comportamientos holísticos no
deseados, también conocidos como comportamientos emergentes negativos, se eviten explícitamente, junto con
Sistemas2018,6, 40 4 de 18

la manifestación garantizada de los comportamientos emergentes deseados (o positivos) [6,13,17]. El

superformalismo DEVS proporciona una base [15] que especifica un protocolo de simulación abstracta entre el
modelo y el simulador [dieciséis]. Por lo tanto, un requisito para M&S de CAS es emplear los principios del
protocolo de simulación Parallel DEVS (como se ilustra en el enfoque híbrido de Camus et al. [18], por ejemplo)
para respaldar la cosimulación robusta requerida.

2.1. MBSE, DEVS y CAS: Hacia la unificación

Un impulso importante de la comunidad MBSE exige modelos formalizados para reemplazar los documentos
como los bloques de construcción fundamentales de la ingeniería de sistemas [19] Dichos modelos admiten una gran
cantidad de actividades intensivas en modelos, como una comunicación mejorada sobre los artefactos del sistema
entre las partes interesadas, así como pruebas y verificaciones fortalecidas (tanto en el diseño como en el tiempo de
ejecución). La implementación práctica de este impulso exige que tales modelos eventualmente apoyentodoslas
actividades típicamente asociadas con la disciplina de simulación. Sin embargo, como se sugirió, los formalismos
MBSE actuales se quedan muy cortos en esta capacidad. Un enfoque para cerrar esta brecha es permitir que se
definan asignaciones que especifiquen con precisión modelos de simulación que realicen los comportamientos de los
modelos. Llevado a un límite lógico, este enfoque implica construir más capacidad en un formalismo MBSE para que
finalmente reproduzca todas las capacidades asociadas con la metodología de simulación tradicional. Aunque hay
intentos de lograr este objetivo [20,21], también hay razones fundamentales por las que no es alcanzable [22,23]. Un
enfoque que suponemos que funcionará es vincular los modelos MBSE con enlaces informales pero bien
documentados. Además, a medida que crece la experiencia con tales enlaces cruzados, eventualmente podría
volverse factible formalizar estas asociaciones. Otro enfoque complementario es la narración interactiva basada en
modelos (MBIS) que mejora MBSE y la narración interactiva para aumentar la participación de las partes interesadas
en el proceso de ingeniería de sistemas, especialmente involucrando a participantes de múltiples disciplinas y
eventualmente transdisciplinares (ver más abajo) [24].

2.2. Arquitectura y flujo de trabajo para M&S Trabajar dentro de MBSE

Los sistemas definidos por software deben operar cada vez más con datos grandes, heterogéneos y variables en el
tiempo. Big Data permite y requiere que estos sistemas funcionen en una enorme variedad de condiciones operativas, lo que
presenta a los ingenieros desafíos de control y decisión multidimensionales, jerárquicos, inciertos y críticos que requieren
ingeniería de sistemas transdisciplinarios.24]. El trabajo reciente ha comenzado a abordar estos desafíos. Kavak et al. [25]
ofrecen un enfoque de modelado estructurado para producir agentes o partes de los mismos directamente a partir de datos
que se centran en datos de nivel individual para generar reglas de comportamiento de agentes y valores de parámetros.
Generalizando a partir del enfoque que recientemente permitió que el programa AlphaGo derrotara al jugador humano de Go
mejor clasificado del mundo, Wang et al. [26] imaginan una plataforma de computación similar a AlphaGo para permitir que
los sistemas artificiales modelen y evalúen sistemas complejos y, a través de la interacción del sistema virtual-real, realicen un
control y una gestión efectivos sobre los sistemas complejos.
La arquitectura de la figura1ofrece un flujo de trabajo genérico que admite Wang et al. [26] visión de la fuerza
computacional similar a AlphaGo para la futura ingeniería y gestión de sistemas basados en M&S. El Marco de
Modelado y Simulación [dieciséis] y, en particular, su jerarquía de especificación del sistema para adquirir niveles de
conocimiento sobre un sistema observado, proporciona una base sólida para la inferencia de estructuras a partir de
los volúmenes de Big Data previstos por Kavak et al. [25].
Figura1La arquitectura y el flujo de trabajo de M&S ofrecen una visión de la producción de modelos para su uso en
MBSE. El proceso comienza con el desarrollo (o reutilización) de una Estructura de Entidad del Sistema (SES) que organiza una
familia de modelos de simulación para la aplicación actual de interés [27]. SES es una ontología, un lenguaje con sintaxis y
semántica para representar el conocimiento declarativo [28]. El esquema de representación SES estructura la búsqueda de un
subconjunto de modelos que son de particular interés bajo criterios que se relacionan esencialmente con su comportamiento
y no pueden ser definidos en primera instancia por sus propiedades estructurales. De hecho, el comportamiento generado
bajo simulación se observa dentro del Marco Experimental que caracteriza los criterios que definen el subconjunto de interés.
Aproximadamente, un marco experimental (EF), como se define dentro del MSF, es una especificación de las condiciones bajo
las cuales se observa o experimenta el sistema.
Sistemas2018,6, 40 5 de 18

con. Como tales, los marcos experimentales son la formulación operativa de los criterios que motivan la búsqueda basada en M&S de los modelos de interés. El SES incluye información de acoplamiento que dirige las composiciones de

modelos jerárquicos a partir de componentes en la base del modelo. La combinación de selección de especializaciones y aspectos conduce a un espacio de búsqueda combinatorio muy alto. Dado que un SES describe una serie de

configuraciones del sistema, es necesario podar el árbol del SES para obtener una configuración particular, que se denomina Estructura de entidad podada (PES). Las operaciones de poda eliminan una especificación de modelo particular

que luego se puede transformar automáticamente en un modelo acoplado con componentes de la base del modelo. Dichos componentes son modelos DEVS o han sido envueltos en una interfaz DEVS para el cumplimiento de DEVS y la

compatibilidad con el acoplamiento especificado por el SES. La simulación de dicho modelo, eventualmente en una plataforma de alto rendimiento usando simulaciones paralelas de múltiples modelos bajo prueba para tiempos de

ejecución razonables, genera el comportamiento del modelo y produce resultados en el marco experimental de interés. Estos resultados miden hasta qué punto se cumplen los criterios rectores y se analizan como orientación para dirigir

la poda hacia un mayor porcentaje de modelos que satisfacen plenamente los criterios. En este punto, la Inteligencia Artificial (IA) es útil para ayudar a analizar los resultados y predecir qué nuevas podas del SES se deben realizar en la

próxima iteración. Construido en el bucle de iteración hay un segundo ciclo de transición entre eventualmente en una plataforma de alto rendimiento usando simulaciones paralelas de múltiples modelos bajo prueba para tiempos de

ejecución razonables, genera el comportamiento del modelo y produce resultados en el marco experimental de interés. Estos resultados miden hasta qué punto se cumplen los criterios rectores y se analizan como orientación para dirigir

la poda hacia un mayor porcentaje de modelos que satisfacen plenamente los criterios. En este punto, la Inteligencia Artificial (IA) es útil para ayudar a analizar los resultados y predecir qué nuevas podas del SES se deben realizar en la

próxima iteración. Construido en el bucle de iteración hay un segundo ciclo de transición entre eventualmente en una plataforma de alto rendimiento usando simulaciones paralelas de múltiples modelos bajo prueba para tiempos de

ejecución razonables, genera el comportamiento del modelo y produce resultados en el marco experimental de interés. Estos resultados miden hasta qué punto se cumplen los criterios rectores y se analizan como orientación para dirigir

la poda hacia un mayor porcentaje de modelos que satisfacen plenamente los criterios. En este punto, la Inteligencia Artificial (IA) es útil para ayudar a analizar los resultados y predecir qué nuevas podas del SES se deben realizar en la

próxima iteración. Construido en el bucle de iteración hay un segundo ciclo de transición entre Estos resultados miden hasta qué punto se cumplen los criterios rectores y se analizan como orientación para dirigir la poda hacia un mayor

porcentaje de modelos que satisfacen plenamente los criterios. En este punto, la Inteligencia Artificial (IA) es útil para ayudar a analizar los resultados y predecir qué nuevas podas del SES se deben realizar en la próxima iteración.

Construido en el bucle de iteración hay un segundo ciclo de transición entre Estos resultados miden hasta qué punto se cumplen los criterios rectores y se analizan como orientación para dirigir la poda hacia un mayor porcentaje de

modelos que satisfacen plenamente los criterios. En este punto, la Inteligencia Artificial (IA) es útil para ayudar a analizar los resultados y predecir qué nuevas podas del SES se deben realizar en la próxima iteración. Construido en el bucle

de iteración hay un segundo ciclo de transición entrebaseyagrupadomodelos donde elagrupado El modelo puede acelerar en gran medida la búsqueda de modelos de alto valor al permitir ejecuciones más rápidas que brindan

información útil para los más detallados.basemodelo. Algunas distinciones fundamentales entrebasey agrupadolos modelos se refieren a objetivos, representación, atributos y variables de entidad, procesos de interacción, mecanismos

de tiempo y complejidad computacional [dieciséis].

Como se ilustra en la figura1, la arquitectura prevé una colaboración entre agentes humanos y de IA. El
modelador humano desarrolla la base del modelo SES y DEVS para abarcar el espacio de configuración que abarca el
subconjunto de interés. El agente de IA, bajo el control del usuario, analiza los resultados y genera nuevas podas para
aumentar el porcentaje de modelos de interés. Aquí, nos apoyamos en el agente para que proporcione el grano para
los patrones que los humanos pueden discernir y explotar con imaginación, nuevos conocimientos y habilidad para
contar historias.24]. El modelador desarrolla morfismos de simplificación válidos para DEVSbaseyagrupadomodela y
decide cuándo y cómo iterar entre los niveles de resolución para acelerar el proceso general [29]. Aquí unbase-
agrupadopar de modelos se refiere a un par de modelos—el primero más “complejo” que el segundo, que son
equivalentes en un marco experimental de interés en la investigación del sistema [dieciséis]. Tal equivalencia permite
queagrupadomodelo para sustituir basemodelo para los objetivos subyacentes al marco. Así, mientras unagrupado
modelo no es necesariamente una proyección mórfica unidireccional de unbaseEl modelo, la formalización y el
soporte de herramientas de las transformaciones de modelo a modelo es una tecnología prometedora para respaldar
el flujo de trabajo ilustrado en la Figura1[30].
Para sondear estos conceptos con mayor profundidad, nos dirigimos hacia la metodología de modelado
multirresolución en el contexto más amplio de la metodología de modelado multifacético [27].

Figura 1.Arquitectura y flujo de trabajo para M&S trabajando dentro de MBSE.

Sistemas2018,6, 40 6 de 18

3. Modelado y simulación multifacéticos: familias de modelos multiobjetivo, multiperspectiva y

multiresolución

El modelado y la simulación son actividades que se llevan a cabo para respaldar la toma de decisiones de ingeniería de
sistemas: la capacidad de evaluar los efectos de las construcciones e intervenciones antes de que se lleven a cabo y
preseleccionar las prometedoras, en vista de los objetivos impulsores. Estos objetivos, a su vez, sirven para orientar los
esfuerzos de modelado. Reconocemos que un CASOS puede estar sujeto a una multiplicidad de objetivos de ingeniería de
sistemas.

3.1. Familias de modelos de múltiples perspectivas

Múltiples objetivos requieren diferentes niveles de explicación para el mismo sistema bajo estudio. Cada
nivel de explicación se puede expresar dentro de un EF dedicado, aquel que da respuesta a preguntas de
interés desde la perspectiva de su objetivo correspondiente. Por lo tanto, es necesario construir una familia de
modelos específicos de perspectiva.
Si bien, en la práctica, cada uno de estos modelos parciales se ejecuta de forma aislada para proporcionar un
determinado nivel de explicación del sistema de interés, todos ellos están relacionados en la realidad, ya que representan
varias abstracciones del mismo sistema, pero desde diferentes perspectivas ( o facetas). Por lo tanto, mientras que cada
modelo específico de perspectiva produce resultados dentro de su marco experimental correspondiente, los modelos
parciales pueden integrarse holísticamente dentro de un marco experimental holístico, y las preguntas que son transversales
a diferentes perspectivas pueden abordarse con precisión, lo que no es posible en ninguna de las perspectivas. tomado solo.

¿Cómo identificamos las facetas/perspectivas en un contexto general y de forma sistemática?Revisamos un

enfoque estructurado para construir una ontología para el M&S de un dominio de interés. La ontología de análisis de
dominio debe proporcionar una forma formal de capturar todo el conocimiento que pueda estar en el rango de M&S
del dominio para el que es probable que se utilice. Por lo tanto, debe aprovechar las abstracciones utilizadas para la
simulación de todo el dominio objetivo, más allá del modelado específico de aspectos. Por lo tanto, el enfoque
genérico del análisis de dominio es una ontología de 4 capas que destaca en cada capa una característica clave
genérica. Como se muestra en el SES presentado en la Figura2, se definen las siguientes capas:

• Nivel de sistema, donde se destacan las especializaciones significativas de la clase de sistemas que
caracteriza el dominio de interés,
• Nivel de faceta, donde todos los aspectos acumulativos de un sistema de dominio están claramente separados,

• Nivel de escala, donde se enfatizan las principales escalas espaciales y temporales, Nivel de modelo, donde los modelos
convencionales que a menudo se originan a partir de décadas de hallazgos teóricos se identifican como artefactos reutilizables
para ser seleccionados e integrados en nuevos estudios.

losNivel del sistemareconoce todo el sistema complejo como una yuxtaposición de múltiples facetas, mientras que
varias especializaciones pueden identificarse como posibles instancias del mismo conjunto integrado de facetas en varios
contextos específicos. Por ejemplo, los sistemas de salud pueden especializarse en atención primaria, secundaria, ternaria y
domiciliaria.31], mientras que los sistemas de transporte pueden especializarse en transporte aéreo, terrestre, ferroviario y
acuático, y los sistemas militares pueden especializarse en fuerzas aéreas, terrestres y marítimas.
losNivel de facetaestablece tres facetas genéricas, a saber, “faceta de producción”, “faceta de consumo” y
“faceta de coordinación”. Aunque la identificación de las facetas de un sistema puede depender del dominio, así
como de los expertos involucrados y de los objetivos en mente, sugerimos la adopción sistemática de estos
patrones genéricos. En otras palabras, un sistema complejo se compone de una o varias facetas, cada una de
las cuales es un sistema de producción (que da lugar a un modelo ProF), un sistema de consumo (que da un
modelo ConF) o un sistema de coordinación entre la producción y consumo (dando un modelo CooF). Estos
patrones abarcan la dualidad tradicional de oferta y demanda que a menudo caracteriza a los sistemas
complejos.31]. La noción de “Producción” engloba la noción de “Suministro” en tanto involucra no sólo el
suministro intencional de los servicios necesarios, sino todos los fenómenos que producen impactos positivos y
negativos en los actores del sistema. Ejemplos de producción en salud incluyen vacunación y difusión de
información (como producción de facilidad), pero también contaminación y epidemias (como producción de
Sistemas2018,6, 40 7 de 18

enfermedad). Los ejemplos en el transporte incluyen la producción de servicios de transporte público o privado,
pero también la producción de contaminación del aire, uso del suelo y accidentes. Los ejemplos en los sistemas
militares incluyen la producción de seguridad y protección, pero también la producción de vida y destrucción
de infraestructura. De manera similar, la noción de “Consumo” engloba la noción de “Demanda”, ya que los
consumidores pueden no ser solo los usuarios que buscan intencionalmente los servicios, sino todos los
actores que consumen lo que produce el sistema. Ejemplos de consumidores son la población, los pacientes,
los viajeros, los peatones, los territorios, los enemigos, etc. Un elemento importante de este enfoque de
múltiples perspectivas es que, si bien las perspectivas tienen una influencia mutua entre sí, cada perspectiva
captura sus influencias recibidas por medio de parámetros, cuyos valores reflejan explícitamente supuestos
implícitos y simplificaciones realizadas sobre las influencias de otras perspectivas. Por ejemplo, cuando se
enfoca en el sistema como un sistema de producción, el modelo ProF hará uso de parámetros (como la tasa de
llegada de pacientes en un hospital, o la tasa de llegada de viajeros en un transbordador, o la tasa de llegada
de enemigos en un teatro de combate) para agregar todos los procesos que ocurren en el mismo sistema
cuando se toma como un sistema de Consumo. A su vez, el modelo ConF hará uso de parámetros (como la tasa
de mortalidad de una población) para agregar todos los procesos que ocurren en el mismo sistema cuando se
considera como un sistema de Producción. La coordinación puede verse como un mecanismo entre
organizaciones que gestiona las entidades y los recursos de las existentes, de modo que se satisfacen los
objetivos individuales y los objetivos de todo el sistema.
losNivel de escalahace hincapié en que un rasgo característico de los sistemas complejos es la aparición de
interacciones entre componentes heterogéneos a diferentes escalas espaciales y temporales con diversas
interpretaciones de la noción de escala, y una gran preocupación por los procesos de transferencia de escala en los
que las interacciones entre escalas deben describirse adecuadamente, como se enfatiza en [31]. Una escala se refiere
a un conjunto de relaciones, que implícitamente (o explícitamente) apuntan a propiedades espaciales (como
ubicación, forma, tamaño, etc.), así como propiedades temporales (como tiempo exacto o aproximado, simultaneidad
o secuencialidad, continuidad , etc.). Los umbrales entre escalas son puntos críticos a lo largo del continuo de la escala
donde ocurre un cambio en la importancia de las variables que influyen en un proceso. Como resultado, la ontología
genérica propuesta exhibe niveles de abstracción macro, meso y micro tanto en las facetas de consumo como de
producción, dando lugar respectivamente a los modelos genéricos MaConF, MeConF, MiConF, MaProF, MeProF y
MiProF. Se reconoce que la arquitectura macro-meso-micro describe los tres posibles niveles de indagación en los que
podrían basarse las investigaciones científicas sociales.32].

Figura 2.SES genérico para modelado multiperspectiva.

Sistemas2018,6, 40 8 de 18

losNivel de modeloidentifica modelos convencionales que a menudo se originan a partir de décadas de hallazgos
teóricos como artefactos reutilizables para ser seleccionados e integrados en nuevos estudios de M&S de sistemas complejos.
Define las abstracciones que se pueden simular directamente, distinguiendo cuatro tipos genéricos de modelo, es decir,
modelos de entidad, modelos de flujo, modelos funcionales y modelos espaciales. Mientras que los modelos de entidad
describen individuos autónomos con atributos específicos y con o sin un comportamiento orientado a objetivos, los modelos
funcionales se formulan como ecuaciones matemáticas, los modelos espaciales se componen de individuos ubicados
geográficamente en un modelo espacial y los modelos de flujo capturan escenarios por los que puede pasar un individuo.
Estos modelos describen explícitamente las propiedades temporales y espaciales señaladas (implícita o explícitamente) a nivel
de escala. Como consecuencia, la ontología genérica tiene en cada faceta, modelos de entidad y de flujo en el nivel micro de
abstracción, y modelos funcionales y espaciales en los niveles macro y meso de abstracción. Vale la pena señalar que el hecho
de que un modelo espacial en cualquier nivel macro involucre un modelo espacial que contenga abstracciones detalladas en
niveles inferiores (es decir, meso y micro), y que, de manera similar, un modelo espacial en cualquier nivel meso involucre un
modelo espacial que contiene abstracciones detalladas a nivel micro.

La ontología genérica está destinada a ser instanciada en el análisis de cualquier nuevo dominio de interés en
vista de su M&S. Tal creación de instancias proporciona la ontología específica del dominio que impulsará el proceso
de modelado de múltiples perspectivas y simulación holística (MPM&HS) del dominio de destino.

3.2. Familias de modelos de resolución múltiple

El modelado de resolución múltiple (MRM) es esencial para el análisis exploratorio de los espacios de diseño de CASOS
porque no es ni cognitiva ni computacionalmente posible realizar un seguimiento de todas las variables relevantes y las
relaciones causales.33]. Un escenario típico de resolución múltiple aplicable a la defensa investiga las diferencias operativas
entre las entidades militares de bajo nivel, como tanques individuales, y las unidades agregadas de alto nivel, por ejemplo,
batallones opelotonescuando se mueve en un campo de batalla. Los atributos de una entidad agregada como un batallón de
tanques a menudo se determinan aplicando un mapeo de agregación a los atributos de sus entidades individuales. El mapeo
puede agrupar un conjunto de tanques en un solo batallón de tanques junto con una función para derivar valores de atributos
holísticos, por ejemplo, una velocidad promedio de un batallón de tanques, a partir de las velocidades de los tanques
individuales constituyentes (la desagregación es el mapeo inverso). Aquí elbaseEl modelo es típicamente "más capaz" y
requiere más recursos para la interpretación y simulación que el modelo. agrupadomodelo. Por el término “más capaz”,
queremos decir que elbasemodelo es válido dentro de un conjunto más grande de marcos experimentales (con respecto a un
sistema real) que elagrupadomodelo. Aquí, notamos que los términos “base" y "agrupado” son términos empleados con el
marco para denotar la gama completa de posibles pares de modelos en los que el primero es más capaz (por ejemplo, más
detallado, desagregado, de alta resolución, de grano fino) que el segundo (menos detallado, agregado, de baja resolución,
grano grueso). Notamos que MRM a veces se refiere a entornos de simulación en los que las entidades se agregan o
desagregan en tiempo de ejecución en función de ciertas condiciones de activación, en cuyo caso, la resolución cambia
dinámicamente en tiempo de ejecución. Dichos modelos de estructura dinámica se incluyen dentro de la categoría más
amplia de familias de modelos estructurados en diferentes resoluciones que cumplen diferentes objetivos de modelado.

El producto alcance/resolución/interacción está limitado por los recursos computacionales disponibles. Por lo tanto,
típicamente una restricción de gran alcance en la resolución e interacción que se puede representar, mientras que un alcance
más pequeño permitirá una mayor resolución e interacción. Sin embargo, la tendencia hacia M&S de alta fidelidad implica
aumentar todos los factores en el alcance//resolución/producto (como en elbasemodelo) mientras que la agrupación puede
reducir tanto el alcance como la resolución de forma independiente.
Algunas distinciones típicas a menudo trazadas entrebaseyagrupadoLos modelos con respecto al modelado de
agentes se presentan en la Tabla1[33,34].
Sistemas2018,6, 40 9 de 18

Tabla 1.Algunas distinciones fundamentales entrebaseyagrupadomodelos (en un ejemplo de simulación militar).

Modelo base Modelo agrupado

Resultados trazables a suposiciones y datos de

rendimiento específicos. Predecir resultados generales
Evaluar diferencias sutiles en armas, Incluya una pequeña cantidad de parámetros Valores
Objetivos
sensores o tácticas, de parámetros susceptibles de identificación a partir de
Comprender cómo las diferentes entradas afectan el datos factibles de obtener
rendimiento del combate.

Agregue entidades en grupos que

Representación Agentes individuales como entidades separadas
normalmente respetan la jerarquía de mando.

Ubicación en el espacio y el tiempo, posición en las Valores de entidad promediados atribuidos a

jerarquías sociales o de otro tipo, percepción de la
Atributos de entidad
situación: amenazas y oportunidades, capacidades,
y Variables
etc. actualizados en la ocurrencia de eventos o
grupos, eventos discretos compuestos en tasas
para grupos,
Conjuntos de estados globales, productos cruzados de conjuntos de estados

pasos de tiempo individuales

Descompuesto en secuencias de eventos

Procesos agregados en fórmulas a nivel de grupo
Procesos de interacción y actividades,
que abstraen el comportamiento individual
Seguimiento de comportamientos individuales

Las microsecuencias estocásticas se pueden agregar a

Mecanismos de temporización
Coordine las secuencias de eventos para los
macrocomportamientos utilizando la ley de los grandes
numerosos participantes para que se puedan
números expresada más simplemente en forma
modelar patrones de interacción sutiles
estocástica o determinista

Inclinarse hacia un alcance más pequeño, baja

Computacional
Complejidad
(Alcance/resolución/
producto de interacción)
resolución e interacción restringida.
El producto alcance/resolución/interacción está limitado
por los recursos computacionales disponibles. Por lo
tanto, típicamente una restricción de gran alcance en la
resolución e interacción que se puede representar,
Inclinarse hacia un gran alcance, alta resolución
mientras que un alcance más pequeño permitirá una
e interacción sin restricciones
mayor resolución e interacción. Sin embargo, la
tendencia hacia M&S de alta fidelidad implica aumentar
todos los factores en el alcance//resolución/producto
(como en elbase modelo) mientras que la agrupación
puede reducir tanto el alcance como la resolución de
forma independiente.

Sin embargo, el punto importante es que dentro de un marco experimental particular de interés, elagrupado modelo
podría ser tan válido como elbasemodelo. Además, el compromiso entre rendimiento y precisión [35] es una consideración
fundamental donde el rendimiento se refiere a los recursos computacionales utilizados en una ejecución de simulación y la
precisión se refiere a la validez de un modelo con respecto a un sistema de referencia dentro de un marco experimental [
dieciséis]. El uso de recursos computacionales vinculados a las demandas de tiempo y espacio de un simulador para generar
el comportamiento del modelo están correlacionados con su producto de alcance/resolución, donde el alcance se refiere a la
cantidad del mundo real que se representa, la resolución se refiere al número de variables en el modelo y su precisión/
granularidad.
Los modelos deben construirse de manera incremental con el compromiso y la validación continuos de
los expertos en la materia (SME) y su asignación a los marcos experimentales. Este emparejamiento permite la
selección de la resolución correcta del modelo. Esto permite el desarrollo de una visión temprana del objetivo
del modelado, proporciona una visión holística del sistema bajo estudio, proporciona un marco de prueba para
el objetivo, explica el comportamiento del objetivo al principio del ciclo de desarrollo de M&S y sirve como base
para agregar más complejidad a los modelos posteriores. El desarrollo paralelo de los marcos experimentales
proporciona los requisitos de experimentación y recopilación de datos para el modelo y los requisitos
computacionales de la plataforma de simulación subyacente.
La forma incremental de menor complejidad a mayor complejidad funciona cuando uno intenta construir
modelos de arriba hacia abajo. Sin embargo, puede haber situaciones en las que los modelos de alta fidelidad ya
estén presentes y sea necesario unirlos para desarrollar un modelo SoS más grande. Esto incluye la incorporación de
modelos y simuladores heredados. En esa situación, la agrupación debe manejarse con cuidado ya que la información
se pierde en la agregación si no está justificada por abstracciones válidas, como las del
Sistemas2018,6, 40 10 de 18

ciencia fundamental subyacente (p. ej., física, química, etc.). Luego, esto se respalda con morfismos y homomorfismos
de sistemas para garantizar que haya una correspondencia continua entre la familia modelo (que contienebase,
agrupadoy mayor fidelidad) y la jerarquía del modelo. Figura3 proporciona una ilustración de la construcción de una
familia modelo tal como se construye a partir debase/agrupadopares de modelos. por ejemplo, unbaseEl modelo
puede estar compuesto de múltiples componentes, cada uno de los cuales puede agruparse en bultos simplificados y
acoplarse juntos constituyen un nuevoagrupadomodelo. losbasemodelo podría servir en sí mismo como unagrupado
componente de un modelo más grande que conduce a una construcción jerárquica. Además, unagrupadoEl modelo
puede servir en sí mismo como unbasemodelo para una abstracción que admite resolución reducida. Por lo tanto,
trabajando juntas, las operaciones de resolución y composición pueden crear una familia de modelos de simulación de
resolución múltiple.

Figura 3.Relación entre elbasey elagrupadomodelos dentro de la familia de modelos.

En la figura se ilustra una metodología para construir una familia de modelos de resolución múltiple.4, de
la siguiente manera: dados los requisitos y restricciones del problema, considere un modelo que satisfaga
todos los requisitos y restricciones como elbasemodelo al que se aspira. Crearagrupadomodelos haciendo
suposiciones acerca de labasemodelo, incluida la relajación de las restricciones y la eliminación de los
requisitos. Cree modelos de mayor resolución eliminando suposiciones que se agregaron previamente e
incluyendo representaciones más refinadas para abordar las restricciones y requisitos afectados, mientras
verifica la consistencia de las predicciones entre losbaseyagrupadomodelos el objetivobasemodelo es el que se
logra cuando todos los supuestos que se han hecho se eliminan en este proceso iterativo.

Figura 4.Desarrollo deagrupadomodelos a través de la adición/eliminación de supuestos.

Sistemas2018,6, 40 11 de 18

ApéndiceAanaliza esta metodología en un ejemplo de una aplicación de ingeniería de sistemas, una flota de
vehículos autónomos no tripulados que proporciona un servicio de ambulancia de emergencia.

4. Capacidades y herramientas de simulación

Muchas de las herramientas de modelado de arquitectura empresarial (EA) (por ejemplo, Sparx Enterprise
Architect, NoMagic MagicDraw/Cameo, IBM Rational/Raphsody) se adhieren al Lenguaje de modelado unificado (UML),
Lenguaje de modelado de sistemas (SysML), Notación de modelado de procesos comerciales ( BPMN), DoDAF y
especificaciones UAF [12]. Se ha invertido mucho trabajo en el desarrollo de la infraestructura de modelado para que
el conocimiento de múltiples dominios se pueda administrar y compartir de manera centralizada entre todas las
partes interesadas. Sin embargo, la capacidad de simulación necesaria para experimentar con el comportamiento
dinámico de un modelo de este tipo es bastante rudimentaria, ya que la capacidad de modelado todavía corresponde
a las prácticas tradicionales de ingeniería de sistemas. Esto plantea aún más preguntas sobre la idoneidad de las
notaciones de modelado ampliamente entendidas, como UML, SySML y BPMN, para desarrollar un modelo de
sistemas adaptativos complejos y la infraestructura de simulación requerida para experimentar con dicho modelo.5].
En consecuencia, gran parte del trabajo realizado en el análisis computacional del sistema de sistemas M&S se lleva a
cabo en la comunidad académica y de investigación que lidera el desarrollo de la infraestructura que lo acompaña
empleando Computación de alto rendimiento (HPC) y entornos de nube. La metodología SES/DEVS se ha empleado en
una amplia gama de aplicaciones de modelado y simulación para una variedad de sistemas complejos (conocidos por
otras etiquetas como sistemas adaptativos, sistema de sistemas, sistemas adaptativos complejos, sistema de sistemas
en red o una combinación de estos) a través de la simulación y la experimentación.

5. Discusión y camino a seguir

Se deben hacer dos argumentos: MBSE sin simulación y MBSE con simulación. Antes de presentar los
argumentos, debemos afirmar inequívocamente que el modelado y la simulación son actividades distintas. El
modelado facilita la comprensión de los fenómenos (tanto naturales como artificiales) y ayuda a desarrollar una
comprensión (tanto personal como compartida). Esta comprensión, junto con las prácticas tradicionales de
ingeniería de sistemas, dio paso al desarrollo de MBSE en su estado actual. La simulación subsume el
modelado, es decir, la simulación es operativa solo cuando existe un modelo para ejecutar en una plataforma
(por ejemplo, mental, colaborativo, computacional). Esta ejecución permite la experimentación con el modelo y
brinda oportunidades para experimentar el "modelo" en varios entornos (por ejemplo, entornos en vivo,
virtuales y constructivos [14].
MBSE sin simulación, en adelante, implica un esfuerzo dedicado al desarrollo del modelo. En entornos de SoS, CAS,
CASOS, etc., debido a un gran número de partes interesadas, esta actividad adquiere un significado completamente nuevo
donde desarrollar un entendimiento compartido es un logro en sí mismo. Los entornos de modelado habilitados para TI
disponibles en el mercado proporcionan el repositorio centralizado y los entornos de edición de modelos necesarios para
facilitar el desarrollo de modelos. El objetivo principal de esta actividad es poner a las partes interesadas en sintonía. En este
sentido, MBIS puede explotar los poderes inmersivos de la narración de historias para transmitir un diseño de sistema en
evolución y un concepto de operaciones a partes interesadas técnicamente poco sofisticadas [24].

Entre el MBSE sin simulación y el MBSE con simulación está el reino de los modelos ejecutables. En este modelo
se aplican métodos formales que conducen a la implementación del software. Esto permite probar y verificar los
sistemas bajo investigación durante el tiempo de ejecución del modelo. Si bien no están respaldados por una
infraestructura de experimentación, sí permiten experimentar con el sistema en estudio.
MBSE con simulación permite experimentar y experimentar con el modelo. La ingeniería de simulación
requiere una teoría, métodos y técnicas informáticas avanzadas para proporcionar un sustrato computacional
para que el modelo se ejecute. Cuando la ingeniería de simulación se combina con la teoría de sistemas para
desarrollar la plataforma computacional, obtenemos una plataforma de simulación componible. DEVS es un
ejemplo de ello. En entornos SoS, CAS, CASOS, etc., la plataforma computacional se convierte en un ejercicio de
ingeniería explícito a medida que se introducen nuevos dominios en el entorno de simulación [15]. El objetivo
principal de esta actividad es experimentar con el modelo y ganar
Sistemas2018,6, 40 12 de 18

experiencia en la comprensión del comportamiento del modelo. La combinación de M&S con MBIS puede mejorar la
capacidad de los modelos en mundos virtuales para fomentar el descubrimiento de interacciones y dependencias
previamente desconocidas entre los elementos del sistema y entre el sistema y el entorno.24].
En el futuro, siempre que uno se adhiera a los objetivos principales, tanto MBSE sin simulación como MBSE con
simulación son esfuerzos valiosos que emplean el arte del modelado y la tecnología de simulación para desarrollar
una comprensión abstracta del sistema en consideración y experimentar con él. Las prácticas actuales de MBSE deben
extenderse para incorporar modelos de múltiples resoluciones y múltiples perspectivas dentro de un enfoque
holístico para contribuir a la ingeniería de sistemas complejos. MBSE, incluso con simulación, es inadecuado para
soportar la ingeniería de sistemas complejos. Los principios de la ciencia de la complejidad que incorporan conceptos
como la no linealidad, el comportamiento emergente, la conectividad de la red, etc. se están incorporando para
aumentar las prácticas de MBSE con DEVS [17,36] y se están realizando esfuerzos para desarrollar una metodología
integral para su aplicación a sistemas complejos de próxima generación como Internet de las cosas (IoT) y Cyber
Physical Systems (CPS). SES y DEVS proporcionan teoría y tecnología fundamentales para diseñar sistemas complejos
basados en M&S en todos sus diferentes sabores (SoS, CAS, CASOS, etc.).
Examinamos estos desafíos como presentación de un camino a seguir para DEVS M&S en el contexto de
la hoja de ruta [37] formulado por el Consejo Internacional de Ingeniería de Sistemas (INCOSE).
En esta línea, Zeigler, Mittal y Traoré [31] han identificado fuertes requisitos que deben cumplirse para
permitir que M&S basado en DEVS se practique en su nivel más productivo. Mesa2considera estos desarrollos
en apoyo de los niveles de madurez 4 y 5 en la Tabla3a la luz de la metodología multi-resolución discutida
anteriormente.

Tabla 2.Desarrollos de M&S basados en DEVS para soportar los niveles de madurez 4 y 5 de la Tabla3.

Desarrollo Descripción

El marco proporciona una metodología de múltiples perspectivas para desarrollar

modelos acoplados de componentes de varios formalismos capaces de expresar las
Lidiar con la naturaleza SoS
diferentes perspectivas necesarias para SoS junto con abstracciones holísticas que
respaldan la integración y la coordinación.17,38–41].

M&S basado en DEVS incluye las facetas de nivel macro que organizan
Desarrollar un efectivo
adecuadamente el dominio CASOS y admiten el refinamiento en componentes más
ontología organizacional
detallados en los niveles meso y micro.

El SES/MB (Model Base) soporta la composición jerárquica del modelo acoplado

resultante de la poda que selecciona de la familia combinatoria de posibles
Permita que la ontología admita
composiciones descritas por el SES. El formalismo DEVS, que puede abarcar
composiciones y exploración de modelos
modelos expresados en varios formalismos, suele ser útil en estudios de
combinatorios
simulación.38]. MBIS puede mejorar la exploración de los comportamientos del
modelo en la configuración de LVC [24].

Incluya las facetas principales facetas principales para La ontología de 4 capas destaca en cada capa una característica clave genérica.
garantizar la representación de todos los niveles (macro, Aprovecha las abstracciones utilizadas para la simulación de todo el dominio
meso y micro) de comportamiento, de destino.

Un ejemplo en salud [31] ilustra modelos que abarcan la difusión de la salud, la

asignación de recursos, el modelado de proveedores y provisiones, la difusión de la
Incluye un amplio espectro de modelos para
población, modelos espaciales que incluyen modelos basados en agentes a nivel
la composición combinatoria
individual y abstracciones de nivel superior que incluyen
mecanismos de coordinación.

El MSF incluye marcos experimentales que pueden especificar, recopilar y agregar la

Instrumentar el sistema complejo para admitir información para niveles más altos en un modelo de múltiples perspectivas. La
datos continuos de alta calidad infraestructura de simulación garantiza la correcta ejecución del modelo compuesto
y los comportamientos de forma transparente [5,17].

Se encuentra disponible una amplia variedad de mecanismos en diferentes niveles de

abstracción y complejidad computacional con paralelismos típicos con el aprendizaje
inspirado biológicamente y los procesos evolutivos, incluida la asignación de créditos basada
en actividades, técnicas no supervisadas (por ejemplo, agrupación, minería de reglas) y
Incluir aprendizaje automatizado
aprendizaje por refuerzo.42–45]. Estos pueden basarse en la premisa de que los nuevos
incremental generalizado
estados del sistema se capturan continuamente en instantáneas oportunas de datos y se
agregan a un depósito acumulado que representa el conocimiento del sistema que respalda
el entrenamiento iterativo que emplea actualizaciones en el comportamiento del sistema.
Sistemas2018,6, 40 13 de 18

Tabla 3.Camino a seguir para DEVS M&S en relación con INCOSE Roadmap.

Correlación con DEVS

Nivel de madurez Hoja de ruta de INCOSE MBSE
Desarrollo de M&S
Estándar de modelo DEVS y estándar de
1 Estándares MSBE emergentes
protocolo de simulación DEVS

Métricas y métodos MBSE maduros: Marco experimental Representación de

2 Sistema integrado métricas, modelos DEVS para
(Hardware/Software) modelos Sistemas integrados

Modelos de arquitectura integrados con Marco DEVS para modelos de arquitectura

3
simulación, análisis y visualización y soporte para análisis y visualización.
Teoría MBSE definida, ontología y
4 Ver tabla2
formalismos
Repositorios de modelos distribuidos y seguros
5 Ver tabla2
que cruzan múltiples dominios

6. Conclusiones

Como se indicó anteriormente, en la era de IoT y CPS, los conjuntos de herramientas MBSE existentes carecen de las
capacidades de experimentación y análisis de simulación necesarias que conducen a comportamientos epistemológicos
emergentes. En consecuencia, surge el objetivo de tratar de gestionar los aspectos negativos de la emergencia conservando
sus buenas cualidades. Esto es una reminiscencia de Whitehead y Russell [46] intentos de controlar la autorreferencia en
Matemáticas formales en los Principia Mathematica, que finalmente demostraron ser de naturaleza paradójica. La solución de
Principia de construcciones de conjuntos jerárquicos puede sugerir un camino a seguir en el caso de SoS y el formalismo DEVS
ofrece una solución lista para la construcción de modelos jerárquicos justificada por el cierre bajo acoplamiento [6,dieciséis].

MBSE en su estado actual está muy ligado a la ingeniería de sistemas tradicional y necesita expandirse
para incorporar prácticas complejas de ingeniería de sistemas. Parece claro que necesitamos manejar mejor
todo el ciclo de vida de SoS con un enfoque combinado MBSE/DEVS más deliberado. Esto nos ayudará a
centrarnos en el problema y comprender mejor los cinco atributos de SoS [47] que subyacen e interactúan para
inducir la aparición en un sistema formalmente definido con información de acoplamiento explícito [48].
Aún así, debemos reconocer enormes obstáculos que deben superarse para lograr estas
visiones. El progreso puede requerir nuevas formas de pensar en los sistemas que realmente
permitan desarrollarlos con componentes reutilizables, lo que finalmente conducirá a soluciones de
M&S componibles. Debemos volvernos capaces de identificar las limitaciones al tratar con Big Data
y las limitaciones al tratar con su naturaleza multidimensional, jerárquica e incierta. Aquí, hemos
considerado los problemas planteados por MBSE tomado como una actividad de modelado sin el
apoyo de la capacidad de simulación integrada de fuerza completa y el potencial y las posibles
formas de integración más estrecha entre M&S y MBSE como se expresa en el aumento de la hoja
de ruta de INCOSE para MBSE maduración con requisitos para la evolución de M&S basada en
DEVS.

Contribuciones de autor:Todos los autores contribuyeron por igual a Conceptualización, Metodología, Redacción—Preparación del
borrador original, Redacción—Revisión y Edición.

Conflictos de interés:Los autores declaran no tener conflicto de intereses. La afiliación del autor con MITRE
Corporation (McLean, VA, EE. UU.) se proporciona solo con fines de identificación y no pretende transmitir ni implicar
la coincidencia o el apoyo de MITRE a las posiciones, opiniones o puntos de vista expresados por el autor. Aprobado
para Publicación Pública, Distribución Ilimitada (Caso: PR_18-2996-1).

Apéndice A. Ejemplo de familia de modelos multifacéticos

Como se sugiere en el texto principal, el foco de nuestra atención está en los CASOS, sistemas de sistemas
adaptativos complejos. Aquí, presentamos brevemente un ejemplo para ilustrar los atributos enfatizados. Siguiendo a
Dahmann [3], considere el problema de los primeros en responder a eventos catastróficos que brindan
Sistemas2018,6, 40 14 de 18

rescate y socorro. Tal servicio requiere la coordinación de múltiples sistemas (también lo es un SoS) con redes
interconectadas complejas y requiere adaptación a los diferentes desafíos que plantean las diferentes llamadas al
servicio. Ahora, imagine que dicho servicio debe ser respaldado por una flota de vehículos autónomos no tripulados
(UAV) responsables de todas las tareas de transporte necesarias. Restringimos el enfoque aún más al diseño de
ingeniería del sistema de un SoS que proporciona un servicio de ambulancia de emergencia, como una aplicación del
tipo de metodología de M&S multifacética requerida para lidiar de manera efectiva con un SoS adaptativo (CASOS) tan
complejo.
Primero, considere una breve lista de categorías de objetivos relevantes para el diseño y la
implementación de un nuevo sistema de ambulancia que emplee vehículos autónomos no tripulados (UAV)
como se describe en la TablaA1. Un modelo integral podría proporcionar la base para la toma de decisiones en
cada una de estas categorías. Sin embargo, los impedimentos para construir un modelo tan completo lo hacen
casi imposible. En cambio, podemos imaginar una colección de modelos parciales, cada uno orientado a uno o
más objetivos [49].
El siguiente es un subconjunto de modelos que se desarrollaron para abordar los objetivos 1 a 3 y 8 a 10 que se acaban
de enumerar:

• UAVMotiones un modelo de eventos discretos que representa el movimiento de los UAV como agentes en el espacio
empleando solo los parámetros cinéticos de los vehículos y la distribución aleatoria de espacio-tiempo de las solicitudes
para obtener una predicción de primer orden del número necesario para satisfacer la demanda.
• MarkovDutyCycleCTMrepresenta el ciclo de trabajo de un UAV típico como un proceso estocástico de Markov
con un pequeño número de estados que representan su ubicación en el depósito o en el área de servicio y capaz
o no de proporcionar servicio.
• multitrabajorepresenta los UAV como servidores individuales en un modelo de evento discreto con un protocolo de
licitación simple para coordinar la respuesta a las solicitudes entrantes con los servidores avanzando a través de un
ciclo de trabajo consistente con el modelo de Markov.
• Composición jerárquicadesarrolla el modelo Multiwork incorporando estados de los vehículos (p. ej.,
transportando pacientes) que se relacionan con la velocidad de viaje y el combustible disponible. La estructura
jerárquica resulta de la representación del UAV como un compuesto en sí mismo con componentes que
representan protocolos de coordinación, cinética y consumo de combustible.

Tabla A1.Objetivos relevantes para la ingeniería de sistemas de un Servicio de Ambulancias de Emergencia basado en UAV.

# Objetivos Modelos Necesarios

Modelos cinéticos de UAVs, capacidades para transportar

Determinar los requisitos de viaje y carga útil para vehículos
1 aparatos médicos
aéreos no tripulados y personal
Capacidades de paramédico

Seleccionar ubicaciones de depósitos y

2 Costo inmobiliario, distancias involucradas, caracterización del tráfico
sitios de implementación

Toma de decisiones centralizada o distribuida sobre qué UAV manejar

3 Optimización de la política de respuesta
la llamada de emergencia

4 Marketing Entorno: gustos del consumidor, competencia

5 Garantía de seguridad Diseño de alarmas, rutas de escape, planes a prueba de fallas

Mecanismos de coordinación, protocolos de

6 Interfaz con los sistemas existentes
comunicación, interoperabilidad

7 Satisfacción del paciente Tiempo de espera, comodidad, etc.

Tipos y frecuencias de emergencias médicas a tratar

8 Determinar la respuesta de emergencia requerida
Requisitos de tiempo de respuesta y cómo cumplirlos
Capacidad para adaptarse a entornos cambiantes asociados con
9 Comportamiento adaptativo autónomo
diferentes eventos catastróficos.

Sustentabilidad, mantenimiento y Precios de servicios, costos de equipos, capital de inversión, tendencias a

10
evolución del sistema largo plazo, capacidad no utilizada, potencial de crecimiento
Sistemas2018,6, 40 15 de 18

Estos modelos se desarrollaron en el orden de presentación anterior siguiendo la metodología de la Figura4. El primer
modelo asume que los vehículos son esencialmente elementos puntuales que se mueven en el espacio con la capacidad de
responder a solicitudes sin coordinación en un vecindario. El segundo es altamenteagrupado modelo que representa la flota
en un sentido de conjunto similar a las leyes de la física de los gases ideales. El tercero introduce el tratamiento de los
vehículos como individuos que requieren coordinación para brindar el servicio, mientras que el cuarto profundiza en esta
representación para introducir más de las restricciones requeridas.
El quinto modelo se relaciona directamente con el modelado de CASOS para el diseño de ingeniería
de sistemas. Tal diseño podría buscar arquitecturas en un espacio de compensación que involucre
tamaño y costo. Aquí, por ejemplo, la mitad de la cantidad de UAV a, digamos, la mitad del costo, podría
ser suficiente para garantizar un tiempo de respuesta que sea solo un 10% más alto que el
nominalmente especificado. Sin embargo, en lugar de que el ingeniero de sistemas tenga que
determinar el tamaño de la flota antes del despliegue, podría diseñar soportes superiores/inferiores
dentro de los cuales limitar un plan adaptativo. Esto podría ser similar a la forma en que la cantidad de
conductores de Uber en una ciudad se ajusta a la demanda de pasajeros. Dichos objetivos de “diseño
para el sostenimiento adaptativo” exigen la inclusión de modelos del entorno en el que se produce la
adaptación, así como del mecanismo que media en el proceso.43–45]. Una posibilidad que parece
especialmente adecuada aquí (y rara vez se considera) se basa en la analogía con la capacidad de carga
de un ecosistema para una especie miembro. Aquí, una especie se ajusta dinámicamente a un tamaño de
población en el que está en equilibrio con los recursos necesarios para sustentarla.42]. De manera
análoga, incorporar dicho autoajuste en una flota de UAV requiere un mecanismo económico en el que
los UAV deben “ganarse el sustento” y medios para la infusión/retirada de UAV hacia/desde la flota
operativa (una ilustración directa de la oferta/demanda en el ontología de la figura2). Dichos modelos
adaptativos pueden probarse en simulación y desplegarse con pocos cambios en el código utilizando
métodos de continuidad del modelo.
Los supuestos, las limitaciones y la contribución de cada modelo se enumeran en la TablaA2. La progresión del
desarrollo ilustra que la adición de suposiciones y la eliminación de restricciones no proceden necesariamente de
manera monótona, sino de una manera guiada por las necesidades incrementales de establecer límites en las
predicciones que vendrán más tarde y desarrollar andamios estructurales más fáciles para la construcción posterior.

Tabla A2.Un subconjunto de modelos desarrollados para los objetivos 1 a 3 y 8 a 10 de la TablaA1.

Modelo Suposición Limitación Contribución

Distribución espacial cinética de Sin ciclo de trabajo

Predice el número de UAV
solicitudes, la política emplea representación No
UAVMotion necesarios según las propiedades
visibilidad y puesta en marcha No
espaciales fundamentales
propiedades espaciales propiedades del producto

Por encima de las limitaciones +

Representación combinada Predice los números
Agrupa UAVS en un solo
MarkovDutyCycleCTM estocástica y determinista del ciclo requeridos bajo servicio simple
número que determina
de trabajo aproximación del ciclo
tasa de servicio

Flujo de trabajo múltiple
UAV individualmente
representados como servidores en ciclo
de trabajo, distancia de UAV para solicitar
empleo, política emplea propiedades
espaciales y de visibilidad
sin producto Predicción más refinada que
propiedades—capacidad y incluye rendimiento/costo de la
ciclo de trabajo abstracto frontera de Pareto

Sin espacial Buena solución de aproximación

Todos los requisitos 1 a 3 y 8 y las
Jerárquico representación, sin bajo servicio.
restricciones consideradas en
composición cuenta de requisitos/restricciones está de
primera aproximación
utilización de energía acuerdo con predicciones anteriores

Amplía el modelo UAVMotion con Igual que UAVMotion Puede predecir la dinámica de la
Diseño para adaptativo el mecanismo económico UAV más la simplificación de "capacidad de carga", incluido el
sostenimiento "ganarse el sustento" y la economia y flota equilibrio del tamaño de la flota en
modificación del tamaño de la flota modificación de tamaño un entorno de demanda fija
Sistemas2018,6, 40 16 de 18

Referencias

1. Wymore, AWIngeniería de Sistemas Basada en Modelos; CRC Press: Boca Ratón, FL, EE. UU., 1993.
2. Wymore, AWUna teoría matemática de la ingeniería de sistemas: los elementos; Krieger: Huntington, Nueva York, Estados Unidos, 1967.
3. Dahmann, J.Guía de ingeniería de sistemas; Publicación MITRE: McLean, VA, EE. UU., 2018.
4. Mittal, S. Ingeniería de modelos para sistemas adaptativos complejos cibernéticos. En Actas del Simposio Europeo
de Modelado y Simulación, Burdeos, Francia, del 10 al 12 de septiembre de 2014.
5. Mittal, S.; Martin, JLR Sistemas adaptativos complejos basados en simulación. EnGuía de disciplinas basadas en simulación:
avanzando en nuestro futuro computacional; Mittal, S., Durak, U., Oren, T., Eds.; Springer: Nueva York, NY, EE. UU., 2017.
6. Mittal, S. Emergencia en sistemas adaptativos complejos y estigmérgicos: una perspectiva formal de sistemas de eventos
discretos.Cog. sist. Res.2013,21, 22–39. [Referencia cruzada]
7. Mittal, S.; Rainey, LB Aprovechamiento de la emergencia: el diseño y control del comportamiento emergente en el sistema de
ingeniería de sistemas. En Proceedings of the Summer Computer Simulation Conference, Chicago, IL, EE. UU., 24 a 27 de julio de
2016.
8. Orellana, D.; Madni, A. Ampliación de la ingeniería de sistemas basada en modelos para el análisis de la interacción hombre-
máquina y el diseño tolerante a fallos. En Actas de Infotech@Aerospace , Garden Grove, CA, EE. UU., 19 al 21 de junio de
2012.
9. Tolk, A.; Diallo, S.; Mittal, S. El Desafío de la Emergencia en la Ingeniería de Sistemas Complejos. EnComportamiento
emergente en ingeniería de sistemas complejos: un enfoque de modelado y simulación; Mittal, S., Diallo, S., Tolk, A.,
Eds.; John Wiley & Sons Ltd: Hoboken, NJ, EE. UU., 2018.
10. Mittal, S.; Diallo, S.; tolk, a.Comportamiento emergente en ingeniería de sistemas complejos: un enfoque de modelado y
simulación; John Wiley & Sons Ltd: Hoboken, NJ, EE. UU., 2018.
11. Mittal, S.; Durak, U.; Orén, T.Guía de disciplinas basadas en simulación: avanzando en nuestro futuro computacional;
Springer: Nueva York, NY, EE. UU., 2017.
12. Sviatoslav, K.La práctica de la arquitectura empresarial: un enfoque moderno para la alineación empresarial y de TI
; Editorial SK: Melbourne, Australia, 2018.
13. Zeigler, BP; Nutaro, JJ Hacia un marco para una validación y verificación más robusta de modelos de simulación para
sistemas de sistemas.Aplicación JDMS. Método. Tecnología2016,13, 3–16. [Referencia cruzada]
14. Diallo, S.; Mittal, S.; Tolk, A. Agenda de investigación para la ingeniería de sistemas complejos de próxima generación. En
Comportamiento emergente en ingeniería de sistemas complejos: un enfoque de modelado y simulación; John Wiley & Sons Ltd:
Hoboken, NJ, EE. UU., 2018.
15. Mittal, S.; Zeigler, BP Teoría y práctica de M&S en entornos cibernéticos. EnLa Profesión de Modelado y Simulación:
Disciplina, Ética, Educación, Vocación, Sociedades y Economía; Tolk, A., Oren, T., Eds.; John Wiley & Sons Ltd:
Hoboken, NJ, EE. UU., 2017.
16. Zeigler, BP; Muzy, A.; Kofmann, E.Teoría del Modelado y Simulación, 3ª ed.; Prensa académica: Nueva York, NY, EE. UU.,
2018.
17. Mittal, S.; Martín, JLRSistema Netcéntrico de Ingeniería de Sistemas con Proceso Unificado DEVS; CRC Press: Boca Raton,
FL, EE. UU., 22 de febrero de 2013.
18.Camus, B.; París, T.; Vaubourg, J.; Presse, Y.; Bourjot, C.; Ciarletta, L.; Chevrier, V. Co-simulación de sistemas
ciberfísicos utilizando una estrategia de envoltura DEVS en el middleware MECSYCO.SAGE J. Simul.2018. [
Referencia cruzada]
19. Zeigler, BP; Marvin, JW; Cadigan, JJ Ingeniería de Sistemas y Simulación: Convergiendo Hacia Causas Nobles. En Actas de la
Conferencia de simulación de invierno de 2018, Gotemburgo, Suecia, del 9 al 12 de diciembre de 2018.
20. Bocciarelli, P.; D'Ambrogio, A.; Giglio, A.; Paglia, E. Servicios de transformación de modelos para plataformas MSaaS. En
Actas del Simposio de enfoques basados en modelos para ingeniería de simulación, Baltimore, MD, EE. UU., 15 al 18 de
abril de 2018.
21. Amissah, M.; Toba, AL; Handley, HAH; Seck, M. Hacia un marco para el modelado de sistemas ejecutables: un lenguaje de
modelado de sistemas ejecutables. En Actas del Simposio de enfoques basados en modelos para ingeniería de
simulación, Baltimore, MD, EE. UU., 15 al 18 de abril de 2018.
22. Aliyu, HO; Maiga, O.; Traormi,MK El lenguaje de alto nivel para la especificación de sistemas: un enfoque basado en modelos para
la ingeniería de sistemas.En t. J. Modelo. Simul. ciencia computar2016, 7. [Referencia cruzada]
Sistemas2018,6, 40 17 de 18

23. Abdurrahman, A.; Sarjoughian, H. Enfoques para el diseño basados en DEVS precisos en el tiempo y basados en
modelos. En Actas del Simposio de enfoques basados en modelos para ingeniería de simulación, Baltimore, MD, EE.
UU., 15 al 18 de abril de 2018.
24. Madni, AMIngeniería de Sistemas Transdisciplinarios: Explotando la Convergencia en un Mundo Hiperconectado; Springer:
Heidelberg, Alemania, 2018.
25. Kavak, H.; Padilla, J.; Lynch, C.; Dialio, S. Big Data, agentes y aprendizaje automático: hacia un enfoque de
modelado basado en agentes basado en datos. En Actas del Simposio Anual de Simulación, Baltimore, MD, EE.
UU., 15–18 de abril de 2018.
26. Wang, F.; Zhang, JJ; Zheng, X.; Wang, X.; Yuan, Y.; Dai, X.; Zhang, J.; Yang, L. Adónde va AlphaGo: de la tesis
de Church-Turing a la tesis de AlphaGo y más allá.IEEE/CAA J. Autom. Pecado.2018,3, 113–120.
27. Zeigler, BPModelado multifacético y simulación de eventos discretos; Prensa académica: Cambridge, MA, EE. UU., 1984.
28. Pawletta, T.; Schmidt, A.; Zeigler, BP; Durak, U. Modelado de variabilidad extendida utilizando la ontología de estructura de
entidad del sistema dentro de MATLAB/Simulink. En Actas del 49º Simposio Anual de Simulación, Pasadena, CA, EE. UU.,
3–6 de abril de 2016.
29. Choi, SH Marco de clasificación y selección para la simulación inversa eficiente. Tesis doctoral, Instituto Avanzado
de Ciencia y Tecnología de Corea, Daejeon, Corea, 13 de junio de 2018.
30. Zeigler, BP Evaluación basada en simulación de morfismos para la organización de bibliotecas modelo. EnIngeniería de
modelos para simulación; Zhang, L., Lie, L., Zeigler, BP, Eds.; Elsevier: Nueva York, NY, EE. UU., 2019.
31. Zeigler, BP; Mittal, S.; Traormi,Requisitos fundamentales de MK y enfoque DEVS para el modelado y la simulación de un
sistema adaptativo complejo de sistemas: reforma de la atención médica. En Actas del simposio sobre modelado y
simulación de complejidad en sistemas inteligentes, adaptables y autónomos, Baltimore, MD, EE. UU., 15 al 18 de abril
de 2018.
32. Jepperson, R.; Meyer, JW Múltiples niveles de análisis y las limitaciones de los individualismos metodológicos. Sociol. Teoría
2011,29, 54–73. [Referencia cruzada]
33. Davis, PK; Bigelow, JHExperimentos en Modelado de Resolución Múltiple (MRM); Rand: Santa Mónica, CA, EE. UU., 1998.
34. Facultad de NPS. Modelos de combate agregado. Disponible en linea:http://faculty.nps.edu/awashburn/
Washburnpu/aggregated.pdf(consultado el 3 de abril de 2017).
35. Davis, PK; Hillestad, R. Familias de modelos que cruzan niveles de resolución: problemas de diseño, calibración y
gestión. En Proceedings of the Winter Simulation Conference, Los Ángeles, CA, EE. UU., 12 al 15 de diciembre de
1993.
36. Martín, JLR; Mittal, S. Gestión y Ejecución de Modelos en Proceso Unificado DEVS. EnIngeniería de modelos para
simulación; Zhang, L., Zeigler, BP, Laili, Y., editores; Prensa académica: Cambridge, MA, EE. UU., 1 de marzo de 2019.
37. MBSEWiki. Disponible en linea:http://omgwiki.org/MBSE/doku.php(consultado el 11 de noviembre de 2018).
38. Zeigler, BP; Sarjoughan, H.Guía de Modelado y Simulación de Sistema de Sistemas; Springer: Nueva York, NY, EE.
UU., 2017.
39. Zeigler, BP; Nutaro, JJ; Seo, C. Combinando DEVS y verificación de modelos: conceptos y herramientas para integrar
simulación y análisis.En t. J. Simul. Proceso. Modelo.2017,12. [Referencia cruzada]
40. Gholami, S. Simulación multirresolución DEVS combinada y verificación de modelos. En Proceedings of the Winter
Simulation Conference, Las Vegas, NV, EE. UU., 3 a 6 de diciembre de 2017.
41. Neto, VVG; Manzano, W.; Kasab, M.; Nakagawa, EY Ingeniería basada en modelos y simulación de sistemas de
sistemas intensivos en software. En Actas de la 12.ª Conferencia Europea sobre Arquitectura de Software: Actas
complementarias, Madrid, España, 24–28 de septiembre de 2018.
42. Flecha, K.; Bolín, B.; Costanza, R.; Dasgupta, P.; Folke, C.; Holling, CS; Jansson, BO; Levin, S.; Maler, KG; Perrings, C.;
Pimentel, D. Crecimiento económico, capacidad de carga y ciencia ambiental.Ecol. economía 1995,15, 91–95. [
Referencia cruzada]
43. Sutton, RS; Barto, AGAprendizaje por refuerzo: una introducción, Bradford Book; Prensa del MIT: Cambridge, MA, EE. UU.,
1998.
44. Muzy, A.; Zeigler, Heurística de asignación de créditos basada en actividades de BP para la búsqueda estocástica basada en simulación en una
base de modelos jerárquicos de sistemas.Sistema IEEE j2017,11, 1916–1927. [Referencia cruzada]
45. Vasbinder, JW; Gao, H.Artículos seleccionados de John H. Holland: un pionero en la ciencia de la complejidad; Prensa científica mundial:
Singapur, 2018. [Referencia cruzada]
46. Whitehead, AN; russell, b.Principios matemáticos; Prensa de la Universidad de Cambridge: Cambridge, MA, EE. UU., 1913.
Sistemas2018,6, 40 18 de 18

47. Maier, MW Principios de arquitectura para sistemas de sistemas.J. Int. Consejo sist. Ing.1998,1, 267–284. [Referencia
cruzada]
48. Ören, T.; Mittal, S.; Durak, U. Emergencia Inducida en Ingeniería de Sistemas Sociales Computacionales: Multimodelos y
Acoplamientos Dinámicos como Base Metodológica. EnComportamiento emergente en ingeniería de sistemas
complejos: un enfoque de modelado y simulación; Mittal, S., Diallo, S., Tolk, A., Eds.; John Wiley & Sons Ltd: Hoboken, NJ,
EE. UU., 2018.
49. Zeigler, BP Estructuración de la organización de modelos parciales.En t. J. Gen. Syst.1978,4, 81–88. [Referencia cruzada]

© 2018 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).