复杂性科学被誉为“21世纪的科学”，在复杂系统主动行为划分中，最基本的一类就是预测。这种预测都基于主体内心对外部世界认识的假设模型之上，复杂系统中主体的行为预测能力是复杂系统管理与决策的重要内容。论文首先介绍了现有复杂系统行为预测建模方法的研究现状和存在的局限性以及未来的发展趋势，指出了建模的核心在于模型的演化计算能力。论文基于复杂系统理论，从自适应的观点出发，以提高演化计算的效率为目标，我们提出了一种基于主成分分析(PrincipleComponent)与加入B样条的连续CMAC递推最小二乘算法RLS(RecursiveLeastSquare)相结合的组合模型的预测方法以解决复杂系统行为预测的建模问题。CMAC，即小脑关节控制器，是一种局部泛化能力很强的神经网络，具有结构简单，泛化能力强，收敛速度快，易于软硬件实现等特点而得到广泛应用。而RLS是保证全局极优的稳定收敛算法，应用RLS对CMAC的权值进行更新，从理论上保证了CMAC权值训练的收敛性。利用多元统计分析中的主成分分析对多维变量数据提取主要特征分量以达到压缩变量维数的目的，同时也消除了变量间的相关性以提高预测效率。本组合模型首先利用PCA来降低输入变量的维数以减少CMAC的权系数空间，其次采用加B样条的连续CMAC-RLS以确保权值收敛且能提供函数的微分信息，以适合在线建模。并以某地2004年电力负荷预测的应用为例，对比采用同样具有局部函数逼近能力的RBF神经网络模型和论文的PCA-CMAC-RLS组合模型的预测实验，实验结果显示：在保证了预测准确性的前提下，本模型具有运行速度快，泛化能力强，稳定性好等显著优点，从而验证了论文方法的正确性和有效性。