科学网—刊・见｜系统科学领域老牌期刊International Journal of Systems Science，聚焦交叉前-Taylor&Francis学术服务的博文
精选
已有 418 次阅读
2026-8-5 10:14
| 个人分类: 工程与技术 | 系统分类: 论文交流
本期 【刊•见】 为诸位介绍系统科学领域的权威期刊— International Journal of Systems Science 。除了对关键指标进行详尽解读外，还将向您推荐刊内近一年高阅读量文章：
工业物联网中用于态势感知控制器建模：人工智能领域的最新趋势与机遇
方程发现：对精炼后的解析梯度进行稀疏回归（SINDy）
一种适用于动态“赢家通吃”的新型竞争模型
Online ISSN: 1464-5319 Print ISSN: 0020-7721
International Journal of Systems Science (IJSS) 致力于发表高质量、经过严格评审的原创论文，这些论文为智能、自主性和复杂性等新兴系统工程主题的方法论和实践做出贡献。
现代系统在性能、可靠性和日益增强的自主性方面的要求越来越复杂和精密。从历史上看，高度分析性和基于数值的方法曾足以应对，这些方法通常通过简化问题来确保其可分析性。然而，许多人工系统和自然系统（包括生物、生态及社会经济系统）若不借助多个相互作用且相互关联的框架以及一个共同的信息处理框架，便无法得到充分的表征或分析。为了“赋能”此类系统，并由此开展工程设计与集成以满足这些需求，需要广泛的新理论、新方法论和新技术。
因此， International Journal of Systems Science 鼓励在这些领域投稿原创论文，特别关注既具有显著创新性又不过于侧重应用的论文。欢迎就系统科学前沿领域的专刊提案进行投稿，相关提案应与主编商讨。
想深入了解主编王子栋教授对期刊定位与战略发展方向的解读？
欢迎阅读最新主编专访👉 走进编辑部｜什么样的研究更受IJSS关注？主编王子栋教授分享系统科学前沿趋势与高质量论文发表建议
【期刊首页】
影响因子 根据JCR显示， International Journal of Systems Science
在自动化与控制系统排名 25/88
在运筹学与管理科学排名 28/109
在计算机科学、理论与方法排名 34/146
Scopus 根据Scopus显示， International Journal of Systems Science
2025年CiteScore为 8.1
在数学：理论计算机科学排名 21/135
在工程学：控制与系统工程排名 72/390
在计算机科学：计算机应用排名 203/1022
审稿周期 从提交稿件到获取初审意见，平均需要 12天
稿件一旦接受后，在线出版平均需要 19天
稿件接受率 20%
编辑团队 International Journal of Systems Science 主编由英国伦敦布鲁奈尔大学（Brunel University London）动力学系统与计算学王子栋教授担任，编辑团队云集来自英国、中国、美国等多地的行业翘楚。
主编
王子栋
英国伦敦布鲁奈尔大学（Brunel University London）动力学系统与计算学教授、欧洲科学院院士、欧洲科学与艺术院院士、IEEE Fellow。多年来从事智能数据分析（深度学习、 演化计算、 生物信息学）、控制理论（随机控制，鲁棒控制，非线性控制，模型简化）、信号处理等方面的研究。
中国副主编（部分）
高会军
哈尔滨工业大学航天学院教授、博士生导师，智能控制与系统研究所所长。主要研究方向为：智能控制理论与方法、具身智能与机器人系统、精密电子制造高端装备、类器官与医学智能系统。
葛泉波
南京信息工程大学教授、博士生导师。主要研究领域包括自主智能无人系统、低空智能交通系统、智能感知与学习控制、动力系统智能化等。
李晓迪
山东师范大学党委常委、副校长。长期从事非连续控制系统理论及应用方面的研究。
梁金玲
东南大学教授，应用数学专业、网络空间安全专业博士生导师。主要从事复杂网络控制与优化、鲁棒控制与滤波、随机分析、神经网络理论及应用等领域的研究工作。
林崇
青岛大学自动化学院教授、博士生导师。主要研究领域为系统理论与控制理论，包括广义系统、继电反馈系统、网络化控制系统、时滞系统、不确定系统、分数阶控制系统、非线性系统的模糊控制。
刘磊
辽宁工业大学教授、博士生导师，主要研究智能控制、群体智能。
马立丰
南京理工大学自动化学院副院长、教授、博士生导师。主要研究方向为控制科学与工程。
孟德元
北京航空航天大学自动化科学与电气工程学院教授、博士生导师。主要研究兴趣包括学习与自适应控制、数据驱动控制、网络系统控制等控制方法的理论探索及其在航空航天、机器人等领域的应用。
牛玉刚
华东理工大学信息科学与工程学院教授、博士生导师。主要研究领域为随机系统、Markov跳变系统、滑模控制、无线传感网络、微电网能量管理。
王敏
华南理工大学自动化科学与工程学院教授、博士生导师。研究兴趣包括智能控制、动态学习、智能感知、机器人技能学习与自主控制、多智能体协同感知与学习。
徐泽水
四川大学讲席教授，长期从事智能决策、数智融合、模糊数学与优化算法等研究，开辟了互补判断决策、不确定语言决策、模糊OWA、直觉模糊微积分、犹豫模糊决策、概率偏好决策等新领域，系统地创建了复杂信息决策理论与方法体系，也是模糊层次分析法、不确定多属性决策、直觉模糊决策、智能决策等理论的主要奠基人和开拓者。
杨光红
东北大学特聘教授、信息科学与工程学院院长。主要研究方向包括故障诊断与容错控制、系统安全性、信息物理系统分析与控制等。
宗广灯
曲阜师范大学教授。研究方向为切换系统控制、非线性系统、网络化控制、智能控制、机器人控制。
作者分布 根据JCR显示，近三年在 International Journal of Systems Science 发文的国家/地区中，发文较为活跃的有：
中国
印度
伊朗
近三年，在 International Journal of Systems Science 发文的全球高校和科研机构中，发文数量较多的是：
哈尔滨工业大学
东北大学
印度理工学院系统（IIT SYSTEM）
近一年内高阅读量文章 
工业物联网中用于态势感知控制器建模：人工智能领域的最新趋势与机遇
作者： Muhammad Nasir et al.
文章摘要：
The rapid integration of industrial automation and control systems into large-scale Industrial Internet of Things (IIoT) infrastructures has substantially increased system complexity. The complexity arises from the deployment of heterogeneous devices that must coordinate in real-time to support adaptive decision-making. As a result, a robust situation awareness (SA) framework for IIoT has become a critical goal of IIoT. This review investigates the role of SA in the design of controllers in industrial applications, with the aim of advancing control strategies and facilitating integration with emerging IoT technologies. The survey focuses on SA, Model Predictive Control (MPC), and their integration, based on time series as a standard data structure to represent device performance. A key finding from the current literature is that SA is often treated separately from control theory, resulting in isolated applications and not integrated with large-scale IIoT systems. This survey establishes the features and paradigms of SA in IIoT. It provides a structured analysis of controller design methods in IIoT. State-space models (SSMs) can be used to model temporal dynamics in IIoT data. Finally, the integration of artificial intelligence (AI) with SSMs is explored to achieve SA based on multivariate time series data.
方程发现：对精炼后的解析梯度进行稀疏回归（SINDy）
作者： Ali Forootani et al.
文章摘要：
Discovering nonlinear PDEs with sparse identification of nonlinear dynamical systems (SINDy) is hindered by high dimensionality, noise, and expensive data acquisition. We propose the greedy sampling neural network for sparse identification of nonlinear PDEs (GN-SINDy), a three–stage framework that integrates strategic sampling, differentiable surrogate modelling, and sparse equation discovery. First, a two–way Q-DEIM–based greedy strategy selects maximally informative space–time samples from snapshot data, drastically reducing data requirements. Second, a deep neural network (DNN) is trained as a differentiable surrogate of the solution field, enabling noise–robust analytic derivatives via automatic differentiation. Third, sparse regression with sparsity–promoting estimators [Brunton, S. L., Proctor, J. L., & Kutz, J. N. (2016a). Discovering governing equations from data by sparse identification of nonlinear dynamical systems. Proceedings of the National Academy of Sciences, 113(15), 3932–3937; Rudy, S. H., Brunton, S. L., Proctor, J. L., & Kutz, J. N. (2017). Data-driven discovery of partial differential equations. Science Advances, 3(4), e1602614.] is applied to recover the governing PDE. Building on the DeepMoD paradigm, GN-SINDy embeds greedy sampling into data acquisition and stabilises coefficient estimation through neural–enhanced differentiation. We analyze noise robustness, structural stability, and QR–based sampling strategies to guide sampler and hyperparameter selection. Experiments on Burgers', Allen–Cahn, and Korteweg–de Vries equations show that GN-SINDy reliably recovers governing PDEs using under 1% of the data, outperforming DeepMoD in efficiency, support recovery, and robustness to noise.
一种适用于动态“赢家通吃”的新型竞争模型
作者： Xinwei Cao et al.
文章摘要：
Winner-Take-All (WTA) is a foundational principle in modelling competitive dynamics, yet traditional neural network approaches to solving the WTA problem are often hampered by high computational complexity. This paper addresses this challenge by introducing a novel and computationally efficient dynamic competition model that circumvents the complexity of conventional constrained quadratic programming (QP) solvers. First, we reformulate the classical constrained WTA problem into an equivalent unconstrained optimisation problem. This is achieved by innovatively employing the Softmax function, which inherently satisfies the summation-to-one and non-negativity constraints. Subsequently, a simple yet powerful dynamic neural network is developed to solve this unconstrained problem, accompanied by rigorous theoretical proofs of its stability, global convergence, and state boundedness. Numerical experiments, conducted with both static and dynamic inputs, validate the model's efficacy. The results highlight the model's exceptional robustness, maintaining stable and accurate WTA selection even in the presence of significant Gaussian white noise, demonstrating a marked improvement over existing methods. The proposed framework is also readily adaptable to a broad range of WTA-related problems sharing similar structural characteristics, thereby offering substantial potential for diverse real-time decision-making applications.
"Jour - Know" 为帮助更多科研人员选择更加合适的期刊，Taylor & Francis推出专栏—— 刊·见 ，该专栏致力于为读者和广大科研人员带来Taylor & Francis旗下期刊的详细解读，从期刊的基本情况、编委阵容、社会影响力到审稿速度、高被引文章等实用信息，专栏将为您带来最详细的介绍，让您更加全面地了解Taylor & Francis旗下优秀的国际期刊，帮助更多中国卓越科研成果顺利在国际期刊上发表。
以上所提及的期刊和文章，皆可于tandfonline网站中搜索文章或期刊标题了解更多详情，欢迎大家访问tandfonline网站！
转载本文请联系原作者获取授权，同时请注明本文来自Taylor & Francis 学术服务科学网博客。 链接地址： https://blog.sciencenet.cn/blog-3574014-1546592.html
上一篇： 人文社科值得关注的发文“潜力股”｜这些宝藏ESCI期刊不要错过 欢迎参加科学网十佳博文评选活动！ 主办单位： 
支持单位： 