[论文解读] Social Cognitive Maps, Swarm Perception and Distributed Search on Dynamic Landscapes

Vitorino Ramos, Carlos M. Fernandes+1 more|ArXiv.org|Feb 24, 2005

Cognitive Science and Education Research参考文献 39被引用 3

一句话总结

本文提出了一种基于社会认知地图与群体感知的分布式集体智能模型，使智能体群体能够在动态变化的环境中自适应地搜索与优化。通过利用信息痕迹（stigmergy）、局部交互与反馈回路，该系统能迅速适应突发的环境变化——即使在目标冲突的情况下亦能实现，展示了无需集中控制的群体智能在问题求解中的强大自组织能力。

ABSTRACT

Swarm Intelligence (SI) is the property of a system whereby the collective behaviors of (unsophisticated) entities interacting locally with their environment cause coherent functional global patterns to emerge. SI provides a basis with which it is possible to explore collective (or distributed) problem solving without centralized control or the provision of a global model. To tackle the formation of a coherent social collective intelligence from individual behaviors, we discuss several concepts related to self-organization, stigmergy and social foraging in animals. Then, in a more abstract level we suggest and stress the role played not only by the environmental media as a driving force for societal learning, as well as by positive and negative feedbacks produced by the many interactions among agents. Finally, presenting a simple model based on the above features, we will address the collective adaptation of a social community to a cultural (environmental, contextual) or media informational dynamical landscape, represented here - for the purpose of different experiments - by several three-dimensional mathematical functions that suddenly change over time. Results indicate that the collective intelligence is able to cope and quickly adapt to unforeseen situations even when over the same cooperative foraging period, the community is requested to deal with two different and contradictory purposes. KEYWORDS: Swarm Intelligence and Perception, Social Cognitive Maps, Social Foraging, Self-Organization, Distributed Search and Optimization

研究动机与目标

• 理解去中心化、自组织系统如何在无全局模型或集中控制的情况下形成集体智能。
• 研究社会觅食与信息痕迹交互如何实现对突发环境变化的适应。
• 建立反馈机制与环境介质如何塑造局部智能体行为向一致全局行为演化的模型。
• 评估当优化目标随时间发生冲突或变化时，集体系统的鲁棒性。
• 证明在仅依赖最低限度智能体能力的前提下，分布式搜索在动态非平稳景观中的可行性。

提出的方法

• 智能体通过环境介质进行信息痕迹式通信，并利用局部感知共享关于景观特征的信息。
• 采用随时间动态变化的三维数学景观（例如移动的峰或谷）来模拟环境随时间的变化。
• 智能体基于类似信息素的信号与局部梯度估计，采用分布式觅食策略以定位最优区域。
• 来自智能体交互的正反馈与负反馈回路强化成功路径，同时抑制低效路径。
• 系统采用社会认知地图的抽象模型，集体知识通过重复交互与环境修改自然涌现。
• 在多个实验场景中评估模型，这些场景涉及景观最优区域的突然转变。

实验结果

研究问题

• RQ1 一群简单智能体如何集体适应动态优化景观中的突发变化？
• RQ2 在无集中协调的情况下，信息痕迹式通信与局部交互在多大程度上能促成一致的全局行为？
• RQ3 当在单次觅食周期内需在相互冲突的目标间切换时，系统能否维持性能？
• RQ4 反馈机制（正反馈与负反馈）如何影响集体搜索过程的收敛性与鲁棒性？
• RQ5 环境介质在塑造社会认知地图与群体感知的涌现过程中起到何种作用？

主要发现

• 集体系统成功适应了动态景观中的突发变化，在环境改变后实现了快速再优化。
• 即使在同一觅食周期内面临两个相互矛盾的目标，群体仍展现出重新组织并定位新最优解的能力。
• 正反馈机制加快了对新峰的收敛速度，而负反馈机制则有效防止了在次优区域的停滞。
• 社会认知地图通过重复交互与环境修改自然涌现，实现了无需显式通信的共享知识。
• 系统在多种实验配置中均保持高性能，表明其对环境不可预测性的强鲁棒性。
• 缺乏集中控制或全局模型并未阻碍有效分布式搜索，证实了自组织机制的可行性。