上世纪末到本世纪初的十余年间,复杂经济系统仿真在以CAS理论为代表的复杂系统理论研究热潮中产生并得到发展,并产生了一批极具探索意义和应用价值的研究成果。美国圣菲研究所(SFI)的研究人员通过仿真的方法研究演化复杂性问题,开发了人工股票市场模型等;美国Sandia国家实验室也开发出具有智能主体的美国经济模型ASPEN。然而,近些年来由于该领域的研究缺乏系统的理论指导,而陷入低谷。究其原因,除复杂性科学相关理论缺乏新的突破,使复杂经济系统仿真失去前进的方向和动力外,更重要的原因是由于CAS理论运用隐喻的方式对复杂性进行了全面的表述,缺乏对复杂性在数理意义上的严格定义,使相关研究无法对仿真的结果进行深入分析,而仅限于一般的形态学的判别,也就是用肉眼识别模型输出结果中的复杂性现象与规律。然而,人为方式所能够识别的复杂性是非常有限的,且通常带有主观的色彩。　　本文通过引入混沌判别方法,对基于CAS的仿真模型的时间序列结果进行分析,希望为复杂系统仿真中的深化复杂性判别探索新的方法,为相关研究的深入展开探索新的途径。混沌判别方法主要有功率谱法、主分量分析(PCA分布)、Poincare截面法、Lyapunov指数、关联维数、代替数据法等。本研究使用的方法是首先将一维时间序列重构到较高维的相空间上,再通过G-P算法计算关联积分,从而得到关联维数,并通过观察关联维数随相空间维数的增大的趋势来判别时间序列的混沌性。　　在本研究中,笔者以导师前期在国家自然科学基金项目中开发的仿ASPEN模型作为研究素材,通过仿真实验及数据分析,确定混沌时间序列分析方法在判别与演化过程相关的复杂性方面的可行性,并证实这种方法的有效性。研究将以经济仿真模型输出的数据中存在混沌作为判别其存在演化复杂性的依据,在模型输出的数据中,仿ASPEN模型中的厂商利润指标具有非周期性波动的典型特征,且该指标与特定类型厂商间产品定价的博弈过程有直接关系。为此,在本研究中重点分析了食品厂商的特性。运用混沌时间序列分析方法,对模型中主体的输出数据时间序列进行研究。