Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Hierarchiebildung <strong>und</strong> Strukturanalyse 4-17<br />
ten wären sowohl bei R als auch bei Q aufgetreten <strong>und</strong> somit in den Block eingegliedert<br />
worden. Da wiederum jeder der eingegliederten Knoten streng zusammenhängend<br />
mit den anderen Knoten seines Blockes war, wären alle betroffenen<br />
Blöcke zu einem großen Block vereinigt worden, was nicht der Fall war. Also gibt<br />
es keine zwei Blöcke im reduzierten Graphen, die streng zusammenhängend sind.<br />
Es hat also keinen Sinn, den obigen Algorithmus für die Suche streng zusammenhängender<br />
Komponenten auf den reduzierten Graphen anzuwenden. Wie<br />
können wir dann den Graphen weiter zusammenfassen <strong>und</strong> komprimieren, ohne<br />
dabei logisch-kausale Zusammenhänge zu verlieren?<br />
Modellseparierung nicht-zyklischer Kausalketten<br />
Für diesen Zweck ordnen wir den Graphen in Ebenen an. Dies geht, weil ja keine<br />
Kreise existieren können. Ebene 0 enthält immer die Eingaben xi (exogenen Variablen),<br />
jede Ebene darunter die Wirkungen der Komponenten darüber, <strong>und</strong> die<br />
letzte Ebene die Variablen, auf die nur Wirkungen gehen, Ausgabevariablen yi.<br />
Für unser Beispiel ist dies in Abb. 4.13(a) gezeigt. Dabei können wir auch die<br />
Zeilen <strong>und</strong> Spalten der dazu gehörenden Adjazenzmatrix entsprechend anordnen,<br />
so dass zuerst die Blöcke (Knoten) der Ebene 0, dann der Ebene 1 usw. eingetragen<br />
werden. Die Spalten aller Komponenten der Ebene 0 können wir weglassen,<br />
da sie ja keine Einflüsse (gerichtete Kanten) empfangen, siehe Abb. 4.13(b). Die<br />
resultierende Adjazenzmatrix hat eine Form, die als „obere Dreiecksmatrix“ bekannt<br />
ist: Alle von null verschiedenen Einträge finden sich oberhalb der Hauptdiagonale,<br />
da eine Wirkung Aji ≠ 0 mit j > i auf eine Rückwirkung innerhalb einer<br />
Ebene oder eine Ebene hinauf bedeuten würde. Dies ist aber von der Konstruktion<br />
her ausgeschlossen.<br />
Ebene 0<br />
Ebene 1<br />
Ebene 2<br />
Ebene 3<br />
5<br />
2,7<br />
4 8<br />
1,3,6<br />
9<br />
Block 5 9 2,7 4 8 1,3,6<br />
5 0 0 1 0 1 0<br />
9 0 0 0 0 1 1<br />
2,7 0 0 0 1 1 1<br />
4 0 0 0 0 0 1<br />
8 0 0 0 0 0 0<br />
1,3,6 0 0 0 0 0 0<br />
Abb. 4.13 (a) angeordneter Graph (b) Adjazenzmatrix<br />
Die Adjazenzmatrix zeigt nur eine direkte Wirkung von einer Variablen auf die<br />
andere an. Uns geht es aber um Kausalitätsstrukturen, also ganze Ketten von Wirkungen,<br />
bei denen eine Variable über andere hinweg eine dritte Variable beeinflussen<br />
kann. Wollen wir auch diesen Gedanken einfließen lassen, so erweitern