[論文レビュー] Digital Ecosystems

Gerard Briscoe|arXiv (Cornell University)|Sep 18, 2009

Modular Robots and Swarm Intelligence参考文献 282被引用数 16

ひとこと要約

本稿では、動的で複雑な問題を解くために、分散型エージェント移動と局所的進化的計算を組み合わせた画期的なデジタルエコシステムアーキテクチャを提案する。エージェント集団の自己組織化、安定性、多様性が実証され、クラスタリングケイサルと標的移動の導入により最適化速度と生態的効率が向上することも示された。

ABSTRACT

We view Digital Ecosystems to be the digital counterparts of biological ecosystems, which are considered to be robust, self-organising and scalable architectures that can automatically solve complex, dynamic problems. So, this work is concerned with the creation, investigation, and optimisation of Digital Ecosystems, exploiting the self-organising properties of biological ecosystems. First, we created the Digital Ecosystem, a novel optimisation technique inspired by biological ecosystems, where the optimisation works at two levels: a first optimisation, migration of agents which are distributed in a decentralised peer-to-peer network, operating continuously in time; this process feeds a second optimisation based on evolutionary computing that operates locally on single peers and is aimed at finding solutions to satisfy locally relevant constraints. We then investigated its self-organising aspects, starting with an extension to the definition of Physical Complexity to include evolving agent populations. Next, we established stability of evolving agent populations over time, by extending the Chli-DeWilde definition of agent stability to include evolutionary dynamics. Further, we evaluated the diversity of the software agents within evolving agent populations. To conclude, we considered alternative augmentations to optimise and accelerate our Digital Ecosystem, by studying the accelerating effect of a clustering catalyst on the evolutionary dynamics. We also studied the optimising effect of targeted migration on the ecological dynamics, through the indirect and emergent optimisation of the agent migration patterns. Overall, we have advanced the understanding of creating Digital Ecosystems, the self-organisation that occurs within them, and the optimisation of their Ecosystem-Oriented Architecture.

研究の動機と目的

• 複雑で動的な問題を解くために、生物学的エコシステムを模倣した自己組織的デジタルエコシステムを設計すること。
• このようなエコシステム内における進化するソフトウェアエージェント集団の安定性と多様性を調査すること。
• クラスタリングケイサルや標的移動といったアーキテクチャ的拡張を用いてエコシステムのパフォーマンスを最適化すること。
• 物理的複雑性とエージェント安定性の定義を進化的ダイナミクスを含めるように拡張すること。
• エージェント移動における間接的生態的ダイナミクスを通じた出現的最適化を評価すること。

提案手法

• デジタルエコシステムは二段階の最適化を採用する：ピアツーピアネットワークにおける分散型・連続的エージェント移動と、個々のピアでの局所的進化的計算。
• 進化的計算は問題固有の制約を満たすために局所的に適用され、適応的ソリューション生成を可能にする。
• 物理的複雑性の概念を、進化するエージェント集団を含めるように拡張し、動的システムの複雑性を捉える。
• エージェント安定性はChli-DeWildeの定義を拡張して進化的ダイナミクスを組み込み、長期的なシステム信頼性を確保する。
• 進化的ダイナミクスの加速を図るため、クラスタリングケイサルを導入する。
• 標的移動を実装することで、移動パターンを間接的に形状づけ、生態的行動の出現的最適化を実現する。

実験結果

リサーチクエスチョン

• RQ1 生物学的アナロジーを用いて、自己組織的で強固なデジタルエコシステムをどのようにアーキテクチャすることができるか？
• RQ2 動的進化的圧力下でも、進化するエージェント集団はどのように長期間にわたり安定を保つのか？
• RQ3 自己組織的デジタルエコシステム内では、エージェントの多様性はどの程度変動するのか？
• RQ4 クラスタリングケイサルはエコシステム内の進化的ダイナミクスの加速にどのように影響するのか？
• RQ5 標的移動は生態的ダイナミクスの出現的最適化をどのようにもたらすのか？

主な発見

• Chli-DeWildeの安定性定義を進化的ダイナミクスにまで拡張することで、エコシステムは長期間にわたり安定したエージェント集団を維持できた。
• 進化する集団内においてエージェントの多様性が保持され、測定可能であり、レジリエンスと適応性を示している。
• クラスタリングケイサルの導入により、進化的ダイナミクスが顕著に加速し、収束時間が短縮された。
• 標的移動により、移動パターンの間接的で出現的な最適化が実現され、全体的なエコシステムパフォーマンスが向上した。
• 物理的複雑性の拡張定義は、進化するエージェント集団の複雑性を効果的に捉えていた。
• 二段階最適化アーキテクチャ（移動と局所的進化）は、動的問題を解く上で強固でスケーラブルであることが示された。