Mapa da evolução da teoria da complexidade

Evolução da Teoria da complexidade

Sistemas complexos exibem várias características definidoras, incluindo feedback, variáveis ​​fortemente interdependentes, extrema sensibilidade às condições iniciais, geometria fractal , múltiplos estados metaestáveis ​​e uma distribuição não-Gaussiana de saídas (Kastens et al., 2009).
Os sistemas complexos consistem em um grande número de elementos, partes ou agentes que interagem mutuamente e se entrelaçam, definidos pela estrutura do sistema, pelos tipos de interações entre os elementos do sistema e pela dinâmica e padrões do sistema que emergem dessas interações.

Um sistema complexo é um grupo de "agentes" (unidades individuais de interação, como pássaros em um bando, grãos de areia em uma ondulação ou as unidades individuais de atrito ao longo de uma zona de falha), existindo longe do equilíbrio, interagindo por meio de feedbacks positivos e negativos. , formando redes interdependentes, dinâmicas, evolutivas, que são dependentes sensíveis, organizadas fractalmente e exibem comportamento de avalanche (mudanças abruptas) que seguem distribuições de lei de potência Com muitas variáveis ​​fortemente interdependentes, isso exclui sistemas com apenas algumas variáveis ​​efetivas, do tipo que encontramos na dinâmica elementar. Também exclui sistemas com muitas variáveis ​​independentes - aprendemos como lidar com elas na mecânica estatística elementar. A complexidade aparece onde o acoplamento é importante, mas não congela a maioria dos graus de liberdade. A Complexidade pode ser dita ecológica quando refere-se à interação complexa entre todos os sistemas vivos e seu ambiente, e propriedades emergentes de uma interação tão intrincada. O conceito de complexidade ecológica enfatiza a riqueza dos sistemas ecológicos e sua capacidade de adaptação e auto-organização. O complexo, não linear interações (comportamentais, biológicas, químicas, ecológicas, ambientais, físicas, sociais, culturais) que afetam, sustentam ou são influenciadas por todos os sistemas vivos, incluindo os humanos, para explicar e, em última análise, prever o resultado de tais interações. A complexidade ecológica também pode ser pensada como biocomplexidade no ambiente. Os sistemas complexos possuem vários componentes e interconexões, interações ou interdependências que são difíceis de descrever, entender, prever, gerenciar, projetar e/ou mudar. E o estudo de sistemas complexos requer uma abordagem sistêmica. Aborda-se o arranjo e as relações entre as partes, que as conectam em um todo. Essa abordagem é necessária por duas razões: primeiro, as propriedades do sistema emergem em um nível superior como resultado de interações entre os componentes do sistema e, segundo, o próprio padrão emergente exerce uma causação descendente no nível inferior do qual emergiu.

Evolução da Teoria da complexidade
Teoria da Complexidade Ciência da complexidade cibernética Artificial Inteligence Teoria Geral dos Sistemas W. Ross Ashby Norbert Wiener Margere Mead Anatol Rapoport Ludwig Von Bertalanffy Warren Mccullough Distributing Neural Networks Walter Pitts Frank Rosenblatt John Von Neumann Claude Shannon Gregory Bateson James Grier Miller James Lovelock Kenneth Boulding Howards Thomas Odum Donella Meadows Dynamical Systems Theory Ecological Systems Theory Fritjof Kapra Jay W. Forester Peter Checkland Stafford Beer Social Systems Theory Systems Science Engineering Fractal Geometry Chaos Theory Benoit Mandelbrook Tien yen Li James York Michell Feigenbaum Edward Lorenz Deborah Hammond Ilyia Prigogime Niklas Luhmann Erick Jantssch Self Organization Heinz Von Foerster 2nd order Cybernetics Humberto Maturana e Francisco Varela Autopoiesis and Adaptation Cellular Automata Teuvo Kohnonen Agent Based Modelling Fuzzy Logic Lotfi Zaded Michio Sugeno John Conway Stephen Wolfram Eshel Ben-Jacob George Klir Stuart Kauffmann Genetic Algorithms John Holland Francisco Parra-Luna Yaneer Bar-Yam Per Bak Synergetics Macroscopic Modelling Hermann Hakken Samuel Bowles Geoffrey West John Smith and Chris Jenks Bruno Latour Emergence Dynamic in Systems SocioCybernetics Felix Geyer Katia Sycara Artificial Life Christopher Langton Robert Axelrod Nigel Gilbert Duncan Watts Paul Cilliers Mark Granovetter Steve Strogatz Michael Berry and Gordon Linoff Data Mining Michael Woldridge Computacional Modelling Melanie Mitchel Edgar Morin Global Network Society Albert-László Barabási Visual Complexity Multi-Level Complex Systems Fernanda Viegas Et Al. Manuel Lima David Byrne Case-Based Modelling Emma Uprichard MIT Lab E-science Manuel Castells Immanuel Wallerstein Mark Newman New Sciences of Network Nicholas Kristakis Multi-Agent Modelling

Anatol Rapoport

Christopher Langton

 

Combinando tecnologia e pesquisa, nosso grupo oferece um suporte essencial para o desenvolvimento urbano sustentável, ajudando cidades a crescerem de forma planejada, eficiente e socialmente justa.Esses modelos não apenas representam o espaço urbano, mas também possibilitam a integração de diferentes camadas de informação, permitindo o cruzamento de dados entre setores públicos e privados.

Prefeituras, órgãos de planejamento urbano, empresas de tecnologia, construtoras e escritórios de arquitetura e urbanismo podem utilizar essas ferramentas para aprimorar seus projetos e estratégias, garantindo maior eficiência e impacto social. A modelagem auxilia na superação das contradições entre formas sociais e formas físicas, oferecendo suporte ao planejamento urbano sem a pretensão de ser um modelo determinista. O objetivo não é criar um “oráculo urbano“, mas sim fornecer subsídios para a tomada de decisão, compreendendo que, na efetivação dos planos e projetos, novas contradições surgirão e deverão ser enfrentadas com proposições dinâmicas e ajustáveis à realidade social.

A estruturação dessas soluções passa pela Tríplice Hélice da Inovação[1], um modelo teórico que propõe a colaboração entre academia, indústria e governo para impulsionar o desenvolvimento e a inovação. Essa interação permite que o conhecimento acadêmico seja aplicado na prática, promovendo políticas públicas mais embasadas e soluções urbanísticas que atendam às demandas reais da sociedade. Permite também o desenvolvimento industrial orientado.

Para que esses modelos digitais sejam efetivamente adotados, é fundamental uma agenda política focada no bem estar social e um ambiente empresarial que compreenda o impacto dessas ferramentas sobre o público.

O planejamento urbano, quando pensado a partir de dados objetivos, deve priorizar a redução das desigualdades sociais e o fortalecimento da coesão social, garantindo que grupos minoritários também sejam beneficiados. Ao integrar tecnologia, pesquisa acadêmica e políticas públicas, os modelos digitais do espaço urbano tornam-se ferramentas estratégicas para a construção de cidades mais equilibradas, dinâmicas e preparadas para os desafios do futuro.

Referências: {1} O modelo de tripla hélice de inovação, conforme teorizado por Etzkowitz e Leydesdorff, é baseado nas interações entre os três seguintes elementos e seu ‘papel inicial’ associado: universidades engajadas na pesquisa básica, indústrias que produzem bens comerciais e governos que regulam os mercados. À medida que as interações aumentam nesse quadro, cada componente evolui para adotar algumas características da outra instituição, o que dá origem ao híbrido instituições. Existem interações bilaterais entre universidade, indústria e governo.