[论文解读] Digital Ecosystems: Stability of Evolving Agent Populations

Philippe De Wilde, Gerard Briscoe|ArXiv.org|Dec 26, 2007

Evolutionary Game Theory and Cooperation参考文献 61被引用 4

一句话总结

本文将Chli-DeWilde稳定性框架扩展至具有演化动力学的多智能体系统（MAS），引入基于熵的不稳定性度量，以量化演化智能体群体的系统稳定性。主要发现为：突变率对稳定性具有关键影响：突变率超过60%会显著增加不稳定性，而交叉操作影响甚微，当突变率高达80%以上时，系统不稳定性水平接近0.5，该值通过极限概率的熵进行测量。

ABSTRACT

Stability is perhaps one of the most desirable features of any engineered system, given the importance of being able to predict its response to various environmental conditions prior to actual deployment. Engineered systems are becoming ever more complex, approaching the same levels of biological ecosystems, and so their stability becomes ever more important, but taking on more and more differential dynamics can make stability an ever more elusive property. The Chli-DeWilde definition of stability views a Multi-Agent System as a discrete time Markov chain with potentially unknown transition probabilities. With a Multi-Agent System being considered stable when its state, a stochastic process, has converged to an equilibrium distribution, because stability of a system can be understood intuitively as exhibiting bounded behaviour. We investigate an extension to include Multi-Agent Systems with evolutionary dynamics, focusing on the evolving agent populations of our Digital Ecosystem. We then built upon this to construct an entropy-based definition for the degree of instability (entropy of the limit probabilities), which was later used to perform a stability analysis. The Digital Ecosystem is considered to investigate the stability of an evolving agent population through simulations, for which the results were consistent with the original Chli-DeWilde definition.

研究动机与目标

• 将Chli-DeWilde稳定性定义扩展至具有演化动力学的多智能体系统（MAS）。
• 为数字生态系统中演化智能体群体的宏观不稳定性程度，开发一种可量化的度量方法。
• 分析演化参数（特别是突变率与交叉率）对系统稳定性的影响。
• 通过在数字生态系统背景下进行仿真，验证扩展后的稳定性框架。
• 提供一种可扩展的、基于熵的度量方法，适用于具有或不具有演化的各类MAS架构。

提出的方法

• 将Chli-DeWilde稳定性定义进行适应性调整，将MAS视为具有未知转移概率的离散时间马尔可夫链。
• 将系统稳定性定义为向状态分布的均衡分布收敛，行为有界即表示稳定。
• 引入基于熵的不稳定性度量：$ d_{ins} = -\sum_X p^{1000}_X \log_N(p^{1000}_X) $，以第1000代的极限概率作为$ t \to \infty $的代理值进行计算。
• 在具有对等智能体迁移与本地演化优化的数字生态系统架构中，对演化智能体群体进行仿真。
• 在10,000次仿真运行中，将突变率与交叉率以10%为增量从0%至100%进行变化，以评估稳定性趋势。
• 通过测量第1000代的$ d_{ins} $值，执行敏感性分析，以评估系统长期行为。

实验结果

研究问题

• RQ1 如何将Chli-DeWilde稳定性定义扩展至具有演化动力学的MAS？
• RQ2 何种宏观度量可量化演化智能体群体的不稳定性程度？
• RQ3 突变率与交叉率如何影响数字生态系统中演化智能体群体的稳定性？
• RQ4 在不同演化参数设置下，系统是否在无限时间趋于单一宏观状态，从而表明稳定性？
• RQ5 基于熵的不稳定性度量是否能有效区分稳定与不稳定的系统行为？

主要发现

• 突变率低于或等于60%时，不稳定性为零（$ d_{ins} = 0 $），表明系统在无限时间趋于单一宏观状态。
• 突变率超过60%时，不稳定性显著增加，$ d_{ins} $值在70%时上升至0.16，在80%或更高时接近0.5。
• 交叉率对稳定性影响甚微，因为在成熟群体中，智能体聚合高度相似，交叉带来的变异有限。
• 当突变率为0%时，系统虽稳定但处于次优宏观状态，尽管不稳定性为零，表明稳定性不等于最优性。
• 基于熵的不稳定性度量成功量化了稳定性水平，并证实扩展后的Chli-DeWilde框架适用于数字生态系统中具有演化的智能体群体。
• 性能与稳定性是不同的概念：系统可以稳定（$ d_{ins} $较低）但次优，尤其在低突变率时更为明显。