XDU工程概论大作业——系统工程

最新推荐文章于 2025-04-09 09:30:14 发布

End!ess

最新推荐文章于 2025-04-09 09:30:14 发布

阅读量913

点赞数 10

分类专栏： XDU作业文章标签：课程设计人工智能笔记

本文链接：https://blog.youkuaiyun.com/mrpig13/article/details/144697522

版权

XDU作业专栏收录该内容

2 篇文章

订阅专栏

关于如何建立高校发展与学生就业市场之间的错位问题的系统

本文为21级人工智能大四上工程概论作业，文末附有python源码

文章目录

关于如何建立高校发展与学生就业市场之间的错位问题的系统
1.第一章
- 1.1问题
- 1.2 回答
2.第二章
- 2.1问题
- 2.2回答
3.第三章
- 3.1问题
- 3.2回答
4.第四章
附录——python代码实现

1.第一章

1.1问题

给出一个“系统性问题”
要求：善于发现你身边的关于教育、经济、大学城管理等社会热点问题；学校在建设发展过程中存在的问题；与学生密切相关的诸如如何提高学生的德智体综合素质教育问题、如何提高学生的道德诚信教育、如何提高学生的学习能力等，能够将纷杂的“问题”进行提炼，形成“系统性问题”。

1.2 回答

高校发展与学生就业市场之间的错位问题
一、问题背景
随着人工智能技术的飞速发展，社会对相关领域人才的需求呈现爆发式增长，然而，作为人工智能专业的学生，很多人发现即便在这个“热门”领域，毕业后的就业并不如预期般顺利。这反映了高校在培养人工智能人才的过程中，课程设置和实践能力提升与市场需求之间存在一定的错位。这种现象不仅影响了毕业生的就业前景，也导致了企业在招募人才时无法找到合适的人选。
1.系统性问题的分析
高校培养与市场需求的差距
虽然人工智能在高校的课程体系中占据重要位置，但很多高校的课程内容仍然偏向理论研究，实践性较弱。企业在招聘时，往往更看重实际项目经验和应用能力，如深度学习、机器学习、数据处理等技能。然而，学生在校期间获得这些实战技能的机会有限，导致他们在就业市场上缺乏竞争力。
2.技术更新与课程更新的滞后
人工智能技术更新迅速，很多企业使用的工具和方法可能在短短几年内就发生巨变。然而，大学课程往往滞后于前沿技术的更新。例如，一些高校仍在教授过时的编程语言或算法，而企业则已经转向了更高效的框架和工具。这种更新的滞后使得学生毕业时掌握的技能与企业需求不匹配。
3.学生自身的认知不足
由于人工智能的“高大上”形象，很多学生选择这个专业时，未能充分认识到它的实际挑战和市场需求。很多学生忽视了对工程实现能力、编程能力以及软技能的提升，而这些正是企业所看重的技能。
三、现状与挑战
缺乏实践能力：尽管理论扎实，但很多学生缺乏足够的项目经验，尤其是在真实的企业环境中，数据处理、模型部署等实战能力较为欠缺。
企业需求与高校输出不匹配：企业在招聘人工智能相关人才时，往往看重具体的技术堆栈和实践能力，而高校输出的学生更多偏向研究性工作，缺乏应用能力。
技能单一化问题：人工智能涉及广泛的技术领域，包括机器学习、计算机视觉、自然语言处理等。但很多学生在毕业时仅掌握了其中一部分，缺乏全面的能力，导致在多变的市场环境中竞争力不足。
四、系统性解决方

加强项目实践
高校应更多地引入实际项目、企业合作项目和实训课程，帮助学生在学习理论的同时积累应用经验。与科技公司或创业公司合作开展联合实验室或实习基地，可以让学生在校期间接触真实项目和企业需求。
动态调整课程内容
高校应建立定期更新课程体系的机制，及时跟进人工智能领域的新兴技术。例如，针对深度学习框架、云计算、大规模数据处理等领域进行课程设计。通过引入最新的技术热点，确保学生掌握的技能与市场需求同步。
增强跨学科能力培养
人工智能不仅仅涉及计算机科学，还涵盖数学、统计学、工程和伦理等多个领域。高校应鼓励学生学习跨学科知识，尤其是与人工智能应用密切相关的领域，如智能制造、医疗健康等。这种多元化的知识结构可以帮助学生在就业市场上具备更强的竞争力。
提供更多职业规划和就业指导
高校应加大对学生的职业规划指导，让学生更加了解人工智能行业的发展趋势和企业的实际需求。例如，通过定期举办招聘讲座、企业交流活动等方式，让学生清晰认识自己未来的发展路径，从而减少选择专业与实际就业之间的盲目性。
政府和高校共同推动人工智能人才生态建设
政府应制定专项政策，鼓励高校培养符合社会需求的人工智能人才，并通过资金和政策扶持，推动高校和企业的联合研发与人才培养，促进产业需求和人才培养的良性互动。
五、结论
人工智能作为一个新兴且快速发展的领域，高校的人才培养与市场需求之间的错位尤为明显。要解决这一问题，高校需要在课程设置、实践教学、跨学科知识培养等方面做出调整，确保培养出来的毕业生能够满足企业对应用型人才的需求。同时，学生自身也应加强对市场的认知，提升多方面的能力，以在日益竞争激烈的人工智能行业中脱颖而出。

2.第二章

2.1问题

针对第一章作业提出的系统性问题，分析该系统问题的特点，并分析其适用的方法论。

2.2回答

复杂性
高校与就业市场的错位问题涉及多个利益相关者，包括高校、学生、企业、政府等主体。这些主体之间的相互作用构成了一个复杂的系统，每个要素之间存在多重交互影响。例如，高校的专业设置影响学生的学习内容，企业的招聘标准影响学生的就业选择，政府的政策影响高校的课程调整。这个复杂的互动结构导致问题难以通过单一的调整来解决。
动态性

就业市场需求变化快速，尤其是人工智能领域，技术更新频繁。而高校的课程设置和培养计划具有一定的滞后性，无法快速响应市场变化。这个系统是动态演化的，社会和经济环境的变化也在持续影响系统内部各要素的运作。
3.多目标冲突
在这个系统问题中，不同的主体有不同的目标。例如，高校的目标是提升教育质量和培养创新人才，而企业则更关注实际的生产力和市场需求的满足。学生的目标在于获得优质教育和良好的就业机会，而政府则希望实现经济发展和社会稳定。这种多目标之间的冲突使得问题的解决需要在不同目标之间进行平衡和权衡。
4. 不确定性
未来的市场需求、技术发展方向、政策变化等因素都带有不确定性。这种不确定性增加了系统分析和决策的难度，因为任何方案在实施时都可能面临外部环境的变化，从而影响其效果。
二、适用的方法论分析
针对这个系统问题，可以从以下几种系统工程方法论中选择适用的分析和解决工具：

系统动力学
系统动力学是一种适合处理动态复杂系统的方法论，它通过构建系统的因果反馈回路，模拟系统内部各要素之间的相互作用，并通过计算机仿真来预测系统在不同条件下的行为变化。在这个问题中，系统动力学可以用于分析高校的课程调整如何影响就业市场，企业的需求变化如何影响高校的发展策略等。通过构建模型，可以模拟各个因素的变化对整体系统的影响，并进行情景分析和预测。
多目标决策分析
由于该问题存在多个利益相关者和多重目标，采用多目标决策分析方法能够帮助在不同目标之间进行权衡。例如，如何平衡高校的教育目标与企业的实际需求，可以通过构建多目标优化模型，找出能够同时兼顾多方需求的最优方案。该方法可以借助权重分配和效用函数来量化不同目标的重要性，从而帮助决策者做出合理的判断。
层次分析法
层次分析法可以帮助解决多层次、多因素影响的系统性问题。针对高校与就业市场错位的问题，层次分析法可以用于分解系统的各个层次，如将问题分解为“高校课程设置”、“学生就业能力”、“市场需求”、“政策支持”等因素，并根据这些因素之间的相对重要性进行排序和决策。该方法尤其适用于在多个因素间进行优先级评估。
系统建模与仿真
系统建模方法，如离散事件仿真或混合建模，可以用于构建高校与就业市场之间的互动模型。这类模型可以帮助理解系统的运作模式，并测试不同干预措施的效果。通过仿真，可以对不同的课程调整方案、就业政策、市场需求波动进行试验，进而找出最优的解决方案。
风险分析与管理
鉴于该问题的不确定性和外部环境变化，采用风险分析方法能够有效应对系统中的不确定因素。通过识别风险源，评估其可能对系统产生的影响，并制定应对措施，能够提高系统的弹性和稳定性。例如，预测未来人工智能领域的就业趋势并制定相应的课程改革预案，可以降低市场需求快速变化带来的风险。
三、总结
该系统性问题的特点主要表现为复杂性、动态性、多目标冲突和不确定性。为了解决这一问题，可以结合系统动力学、多目标决策分析、层次分析法、系统建模与仿真等多种方法论，综合分析系统中的各个要素及其相互作用。通过合理运用这些方法，可以帮助高校更好地应对快速变化的就业市场需求，提升学生的就业能力，实现系统的整体优化。

3.第三章

3.1问题

针对第一章提出的系统问题，根据系统问题的特点，选择Hall的逻辑维步骤或者切克兰德方法论对其进行系统（初步）分析。

3.2回答

基于切克兰德软系统方法论的分析

问题情况探索
访谈与调查：对高校管理者、教师、学生、企业招聘方以及政府部门等不同利益相关者进行调研，了解他们对当前高校课程设置与市场需求匹配度的看法。
观察与数据分析：收集高校毕业生就业数据、市场招聘需求的统计数据、以及人工智能等领域的行业发展报告。重点分析：哪些专业的毕业生就业困难，哪些行业的人才缺口大。
由于无法真正的调查，所以假设调研的结果揭示出多个问题：
高校课程内容更新滞后，无法跟上市场变化。
学生的实践经验不足，缺乏市场所需的技能。
企业对高校毕业生的能力需求与高校的培养重点不一致。
2.根定义
根据调研结果，接下来我们通过多方视角形成不同的根定义，明确系统中的关键要素和问题所在。根定义是针对不同利益相关者的具体问题描述，它们帮助我们从多个角度理解系统问题。
2.1 高校视角
高校通过动态调整课程设置和增加实践机会，培养具备市场需求技能的毕业生，以实现学术发展与就业市场的紧密结合。
2.2 学生视角
学生通过多层次的理论学习和实践活动，提升自身能力，使其能够在毕业后快速适应职场需求并获得有竞争力的就业机会。
2.3 企业视角
企业通过与高校的合作，获得具备人工智能技术实战能力的毕业生，并通过实习和项目合作提升毕业生的工作适应性。
2.4 政府视角
政府通过政策引导和资金支持，推动高校根据市场需求调整课程和人才培养模式，提升高校毕业生就业率，促进经济发展。
CATWOE分析
3.1客户：高校毕业生、招聘企业、政府和社会整体。毕业生是受系统问题影响最直接的群体，他们的就业前景取决于高校提供的教育是否能满足市场需求。企业作为最终雇主，也在招募合适人才时面临挑战。
3.2行动者：高校的管理者、课程设计者、教师、企业招聘方、政府决策者。行动者负责系统的设计与实施，他们通过调整课程内容、提供实践机会、制定政策来影响系统的运作。
3.3变换过程：将现有的高校教育系统从偏重理论、滞后于市场需求的状态，转变为一个动态调整课程内容、增强实践训练的系统，确保毕业生具备与市场需求相符的能力。
3.4世界观：高校教育不仅要满足学术研究的需要，还必须与快速变化的就业市场紧密结合，尤其在人工智能等高技术领域，高校应当培养具备实战能力的创新型人才。
3.5拥有者：高校管理层、政府教育部门。高校管理层拥有对课程设置的决策权，而政府在政策和资金层面上影响高校的发展方向。
3.6环境约束：市场需求的快速变化、技术发展的不确定性、高校资源（如资金、师资力量）的限制、以及政策法规对高校课程设置的影响。技术和市场环境的变化是快速且不可预测的，而高校的课程更新周期较长，难以适应这种变化。
概念模型的构建
基于CATWOE分析，构建一个概念模型，以描述系统中的关键元素及其相互关系。这个模型可以用来模拟和解释系统的动态行为，并帮助识别潜在的改进方案。
概念模型核心要素：
动态课程调整机制：高校应根据市场需求的变化定期更新课程内容，尤其是在人工智能等前沿领域，确保学生掌握最新的技术和方法。
实践与项目合作机制：高校与企业建立合作关系，增加实践环节，通过实习、项目合作等方式提高学生的实战能力。
政府政策与资金支持：政府通过政策引导和资金支持，推动高校的课程改革，确保教育体系能够快速响应市场变化。
就业反馈系统：建立毕业生和用人单位的反馈机制，确保高校能够获取就业市场的最新信息，并及时调整培养方向。
比较与分析
通过概念模型与当前系统进行对比，可以分析出目前系统存在的主要缺陷和差距。例如：
高校课程调整滞后：现有课程内容更新周期较长，难以应对市场的快速变化。动态调整机制可以解决这一问题。
实践机会不足：学生在校期间缺乏实践训练，而通过增加企业合作和实训项目，可以显著提升学生的实践能力和就业竞争力。
反馈机制不健全：现有高校缺乏与企业的紧密反馈机制，难以及时了解市场对人才的最新需求。通过建立就业反馈系统，可以实时调整教学策略。
改进方案与实施
基于前面的比较分析，可以提出以下改进方案：
建立行业顾问委员会：定期与企业和行业专家沟通，更新课程内容，使其能够跟上市场需求的变化。
增强校企合作：设立更多实习和联合项目，鼓励学生参与企业实际工作，获得更多实践经验。
动态调整课程设置：高校应建立快速响应机制，能够根据企业的反馈和市场趋势，灵活调整课程内容。
政府政策支持：通过政策引导和专项资金支持，鼓励高校进行课程改革和创新，以提升毕业生的就业适应力。
持续反馈与改进
软系统方法论强调系统的持续改进，因此实施改进方案后，必须建立定期反馈机制。通过企业、学生和市场的反馈，不断调整系统中的要素，确保系统能够长期适应外部环境的变化。
总结
通过切克兰德软系统方法论的详细分析，我们从问题的多方视角出发，逐步构建了问题的根定义，并通CATWOE过分析明确了系统的核心要素。随后，我们构建了概念模型并提出了具体的改进方案。最终的目标是通过动态调整机制、校企合作、政府支持等手段，解决高校发展与学生就业市场之间的错位问题，确保毕业生具备市场所需的技能。

4.第四章

4.1问题

对第一次作业中的“系统性问题”进行系统结构分析，完成ISM方法应用的实验报告，或是写出ISM算法的程序设计实验报告。

4.2回答

4.2.1系统分析的概念

以系统的整体最优为目标，对系统的各个方面进行定性和定量分析。它是一个有目的、有步骤的探索和分析过程，为决策者提供直接判断和决定最优系统方案所需的信息和资料，从而成为系统工程的一个重要程序和核心组成部分。其应用范围很广，一般用于重大而复杂问题的分析，如政策与战略性问题的分析、选择，新技术的开发、设计，企业系统的输入、处理和输出的分析等。
主要步骤为：

对研究的对象和需要解决的问题进行系统的说明，目的在于确定目标和说明该问题的重点和范围。
2.收集资料，在系统分析基础上，通过资料分析各种因素之间的相互关系，寻求解决问题的可行方案。
3.依系统的性质和要求，建立各种数学模型。
4.运用数学模型对比并权衡各种方案的利弊得失。
5.确定最优方案。通过分析，若不满意所选方案，则可按原步骤重新分析。一项成功的系统分析需要对各方案进行多次反复循环与比较，方可找到最优方案。

4.2.2 ISM

ISM(Interpretative Structural Modeling Method)是一种系统工程研究方法，其作用在于研究系统结构关系情况；比如下图（有向图）中，已知各要素间的影响关系情况，现希望使用解释结构模型将各种逻辑结构关系进行梳理，比如找出各要素的层级层次关系情况，此时则可以使用解释结构模型。

如果可以画出有向图，事实上可将‘有向图’进行数学矩阵化（即原始数据输入），比如上图部可对应数据数据格式如下（比如要素1对要素3有箭头即有影响关系，那么对应的单元格为C2则为1，类似地，要素1对要素4/要素5有影响关系，因而D2和E2这两个单元格为数字1；要素1对要素2/要素6/要素7均没有影响关系因而对应B2、F2和G2均为数字0）。

因此解释结构模型ISM分析一般分为6个步骤：

第1步：提供‘邻接矩阵’，即原始数据；
第2步：计算‘邻接矩阵与单位矩阵相加’，得到新矩阵；
第3步：计算得到‘可达矩阵’，‘可达矩阵’中的数字表示‘某要素’经过各种路径后会直达‘另一要素’，‘可达矩阵’的计算公式为：‘可达矩阵’=‘邻接矩阵’+‘单位矩阵’，‘可达矩阵’中数字1表示某要素到另一要素之间存在着路径，数字0 则表示某要素到另一要素不存在路径；
第4步：计算得到‘可达集合与先行集合及其次表’，该表格中包括‘可达集合R’,‘先行集合Q’，以及该两个集合的交集即‘交集A=R∩Q’；
可达集合R：其表示‘可达矩阵’某要素对应行中，包含有1的元素集合；
先行集合Q：其表示‘可达矩阵’某要素对应列中，包括有1的元素集合；
交集A：其表示可达集合R和先行集合Q的交集。
第5步：计算得到层次分解，该表格用于展示各要素层次分布关系；
第6步：输出原始数据‘邻接矩阵’的可视化展示。

4.2.3具体实现

A. 要素选取
· 课程设置更新——S1
· 实践机会——S2
· 企业需求——S3
· 学生能力——S4
· 政府政策——S5
· 就业市场变化——S6
· 教师水平——S7
· 校企合作——S8
· 资金支持——S9
· 技术发展速度——S10
B.要素关系分析

课程设置更新(S1)的影响关系
· 直接影响实践机会(S2)：表示课程更新会带来新的实践机会
· 直接影响学生能力(S4)：表示课程更新直接影响学生能力的提升
· 其他要素无直接影响
实践机会(S2)的影响关系
· 直接影响学生能力(S4)：表示实践机会的增加直接提升学生能力
· 其他要素无直接影响
企业需求(S3)的影响关系
· 直接影响课程设置更新(S1)：企业需求会推动课程内容的更新
· 直接影响实践机会(S2)：企业需求会创造新的实践机会
· 直接影响就业市场变化(S6)：企业需求直接影响就业市场的变化
· 其他要素无直接影响
学生能力(S4)的影响关系
· 直接影响就业市场变化(S6)：学生能力水平会影响就业市场的变化
· 其他要素无直接影响
政府政策(S5)的影响关系
· 直接影响课程设置更新(S1)：政策会推动课程改革
· 直接影响实践机会(S2)：政策会创造实践机会
· 直接影响就业市场变化(S6)：政策会影响就业市场
· 直接影响教师水平(S7)：政策会影响教师发展
· 直接影响校企合作(S8)：政策会推动校企合作
· 直接影响资金支持(S9)：政策会影响资金投入
· 其他要素无直接影响
就业市场变化(S6)的影响关系
· 直接影响实践机会(S2)：就业市场的变化会影响实践机会的提供
· 其他要素无直接影响
教师水平(S7)的影响关系
· 直接影响课程设置更新(S1)：教师水平会影响课程质量
· 直接影响学生能力(S4)：教师水平直接影响学生能力的提升
· 其他要素无直接影响
校企合作(S8)的影响关系
· 直接影响实践机会(S2)：校企合作会提供实践机会
· 直接影响学生能力(S4)：校企合作会提升学生能力
· 其他要素无直接影响
资金支持(S9)的影响关系
· 直接影响课程设置更新(S1)：资金支持影响课程改革
· 直接影响实践机会(S2)：资金支持创造实践机会
· 直接影响教师水平(S7)：资金支持提升教师水平
· 直接影响校企合作(S8)：资金支持促进校企合作
· 其他要素无直接影响
技术发展速度(S10)的影响关系
· 直接影响课程设置更新(S1)：技术发展推动课程更新
· 直接影响企业需求(S3)：技术发展影响企业需求
· 直接影响就业市场变化(S6)：技术发展影响就业市场
· 其他要素无直接影响
C.有向图可视化

4.2.4结果以及分析

详细的代码实现见附录
A.代码可视化各个要素见的关系：

B.可达矩阵的分析：
1.政府政策(S5)和资金支持(S9)是影响范围最广的要素，属于系统的基础驱动因素
2.技术发展速度(S10)也有较广的影响范围，是重要的外部驱动力
3.就业市场变化(S6)主要作为被影响的要素出现
4.学生能力(S4)和实践机会(S2)是重要的中间环节
所以说明比较重要的影响因素有政府政策、资金支持等。技术发展速度成为主要的外部驱动力。但总之，学生自身的能力还是根本。

C. 分层结果分析：

第1层（顶层）：[‘实践机会’, ‘学生能力’, ‘就业市场变化’]
· 这一层是系统的最终输出或结果层
· 这些要素主要被其他要素影响，而较少影响其他要素
· 反映了我们系统的最终目标：通过提升学生能力，增加实践机会，最终影响就业市场
· 这些要素的变化是其他所有要素共同作用的结果
第2层：[‘课程设置更新’, ‘校企合作’]
· 这是直接服务于第一层的中间层
· 课程更新和校企合作是实现第一层目标的直接手段
· 这些要素既受下层要素的影响，又直接影响着顶层要素
· 体现了教育系统中"教学"和"实践"两个重要环节
第3层：[‘企业需求’, ‘教师水平’]
· 这是重要的支撑层
· 企业需求反映了市场导向
· 教师水平代表了教育质量的基础
· 这两个要素会通过第2层的要素来影响最终结果
第4层：[‘资金支持’, ‘技术发展速度’]
· 这是基础驱动层
· 资金支持是各项改革的物质基础
· 技术发展速度代表了外部环境的变化
· 这些要素为整个系统提供基础性的推动力
第5层（底层）：[‘政府政策’]
· 这是整个系统的根本驱动力
· 政府政策影响范围最广，是最基础的要素
· 通过政策制定和调整来引导整个系统的发展方向
· 能够影响几乎所有其他要素
实践启示：
· 政策先行
· 任何重大改革都需要政策支持作为基础
· 资源保障
· 资金支持和技术发展是重要的基础条件
· 能力导向
· 最终目标是提升学生能力，改善就业状况
· 协同推进
· 各层次要素需要协同作用
· 不能忽视任何一个环节
这个层次结构很好地反映了高校发展与就业市场之间错位问题的系统性特征，为问题的解决提供了清晰的思路和框架。

附录——python代码实现


import numpy as np
import networkx as nx
import matplotlib.pyplot as plt

class ISM:
    def __init__(self, n_elements):
        self.n = n_elements
        self.adjacency_matrix = np.zeros((n_elements, n_elements))
        self.reachability_matrix = None
        self.levels = []
    def calculate_reachability_matrix(self):
        matrix = self.adjacency_matrix + np.eye(self.n)
        power = matrix.copy()
        while True:
            new_power = np.dot(power, matrix)
            new_power = (new_power > 0).astype(int)
            if np.array_equal(new_power, power):
                break
            power = new_power
        
        self.reachability_matrix = power
        return power
    def find_levels(self):
        # 清空之前的层次结果
        self.levels = []
        
        # 创建可达集和先行集的工作副本
        remaining_nodes = set(range(self.n))
        reachability = self.reachability_matrix.copy()
        
        while remaining_nodes:
            # 找出当前层的节点
            current_level = set()
            for node in remaining_nodes:
                # 获取可达集和先行集
                reachable = set(j for j in remaining_nodes 
                              if reachability[node][j] == 1)
                antecedent = set(j for j in remaining_nodes 
                               if reachability[j][node] == 1)
                
                # 如果可达集和先行集的交集等于可达集，则该节点属于当前层
                if reachable == reachable.intersection(antecedent):
                    current_level.add(node)
            
            # 如果找到了当前层的节点
            if current_level:
                self.levels.append(current_level)
                remaining_nodes -= current_level
            else:
                # 防止无限循环
                break
    def plot_hierarchical_graph(self):
        G = nx.DiGraph()
        
        # 添加节点
        for i in range(self.n):
            G.add_node(i)
        
        # 添加边
        for i in range(self.n):
            for j in range(self.n):
                if self.adjacency_matrix[i][j]:
                    G.add_edge(i, j)
        
        # 使用分层布局
        pos = nx.spring_layout(G)
        
        # 绘制图形但不显示节点标签
        plt.figure(figsize=(12, 8))
        nx.draw(G, pos,
                node_color='lightblue', 
                node_size=2000,  # 增大节点尺寸以适应文字
                arrowsize=20,
                with_labels=False)  # 不显示默认的节点标签
        
        # 只添加要素名称作为节点标签
        labels = {i: elements[i] for i in range(self.n)}
        nx.draw_networkx_labels(G, pos, labels, font_size=8)  # 调整字体大小
        
        plt.title("ISM Hierarchical Structure")
        plt.show()
# 初始化系统要素
elements = [
    "S1",
    "S2",
    "S3",
    "S4",
    "S5",
    "S6",
    "S7",
    "S8",
    "S9",
    "S10"
]
# 创建ISM实例
ism = ISM(len(elements))
# 设置邻接矩阵
adjacency_matrix = [
    [0, 1, 0, 1, 0, 0, 0, 0, 0, 0],
    [0, 0, 0, 1, 0, 0, 0, 0, 0, 0],
    [1, 1, 0, 0, 0, 1, 0, 0, 0, 0],
    [0, 0, 0, 0, 0, 1, 0, 0, 0, 0],
    [1, 1, 0, 0, 0, 1, 1, 1, 1, 0],
    [0, 1, 0, 0, 0, 0, 0, 0, 0, 0],
    [1, 0, 0, 1, 0, 0, 0, 0, 0, 0],
    [0, 1, 0, 1, 0, 0, 0, 0, 0, 0],
    [1, 1, 0, 0, 0, 0, 1, 1, 0, 0],
    [1, 0, 1, 0, 0, 1, 0, 0, 0, 0]
]
ism.adjacency_matrix = np.array(adjacency_matrix)
# 计算可达矩阵
reachability_matrix = ism.calculate_reachability_matrix()
print("可达矩阵：")
print(reachability_matrix)
# 进行层次划分
ism.find_levels()
print("\n层次划分结果：")
for i, level in enumerate(ism.levels):
    print(f"第{i+1}层：{[elements[j] for j in level]}")
# 绘制有向图
ism.plot_hierarchical_graph()