群體行為

出自集智百科
跳轉到: 導覽搜尋


群體行為 Swarm behaviour主要用於描述一群大小相似的動物(如螞蟻、蜜蜂、候鳥等)聚集在一起覓食或者向某個方向集體遷移時所展現出的集體行為。從更抽象的角度來看,「swarm」這個術語也適用於表現出並行行為的無生命實體,例如機器人群體、地震群等。

一群小海雀所展現出的群體行為

從數學建模 Mathematical models 的角度來看,這是一種從遵循簡單規則、且不涉及任何中心協調的個體行動中所產生的湧現 Emergence 行為。群體行為最早是由克雷格·雷諾茲 Craig Reynolds 在1986年用計算機程序Boids進行模擬的,此程序用來模擬鳥類的群體行為,這種群體行為的複雜性是由許多個體在遵循一組基本的移動規則情況下的相互作用所引起的,後續的很多模型都遵循或使用了這些規則的變體。

為了深入了解動物如何演化出群體行為,科學家們轉向了模擬不同動物種群的演化模型 Evolutionary models 。通常,這些研究使用遺傳演算法模擬不同種群之間的演化。這些研究檢驗了許多假設,試圖解釋動物如何演化出群體行為,例如漢密爾頓 W D Hamilton 的「自私牧群原理」 selfish herd theory ,奧爾森 Olson RS 和辛茨 Hintze A 等提出的「捕食者的混淆效應」 the predator confusion effect

群體行為背後隱藏著群體智能 Swarm intelligence 。一隻螞蟻或蜜蜂力量雖小,可它們聚集起來卻非同小可。群體智能蘊含了自組織 Self-organization 自協調/共識主動性 Stigmergy 等重要概念,對蟻群或者蜂群等群體智能的研究,為人類管理高度複雜的系統提供了獨特的洞察力,小到貨車的行程定位,大到對機器人的操控,都受到了群體智能的啟發。

目錄

相關概念介紹

螞蟻的群體行為

單個螞蟻沒有表現出複雜的行為,但是一群螞蟻卻可以共同完成複雜的任務,例如築巢、照顧幼仔、築橋和覓食。一群螞蟻可以從附近的幾個地方共同選擇最佳或最接近的食物來源。螞蟻遵循兩個簡單的規則就可以選擇最佳的食物來源。首先,找到食物的螞蟻返回巢穴,沉積出一種信息素 pheromone化學成分,更多的信息素代表了更高質量的食物來源。因此,如果同時發現兩種不同質量的等距食物,導向更好食物的信息素就會更強;巢中的螞蟻遵循另一條簡單的規則,平均而言,它們傾向於更強信息素的路徑,然後,更多的螞蟻會沿著信息素更強的路線前進,這樣,更多的螞蟻就會到達高質量的食物來源,並形成一個積極的反饋,從而共同決定了最佳食物來源。如果從蟻巢到食物來源有兩條路徑,那麼蟻群通常會選擇較短的路徑。這是因為最早從食物源返回巢穴的螞蟻更有可能是走較短路徑的螞蟻,然後,更多的螞蟻會追蹤較短的路徑,從而增強信息素的蹤跡。

一群織工蟻正在搬運一隻壁虎的屍體

蟻群所使用的這一技術已經在計算機科學和機器人領域中進行了廣泛研究,以產生用於解決問題的分布式容錯系統。這一領域的仿生技術催生了採用「覓食徑 Foraging trails 」、容錯式存儲和網路演算法等技術的搜索引擎。

鳥類遷徙

許多鳥成群遷移。對於較大的鳥類,成群飛行可以降低能源成本。V形通常被認為可以提高飛鳥的效率和飛行距離,特別是在漫長的遷徙路線上。除頭鳥外,所有飛鳥均處於前方飛鳥的翼尖渦流中,上升氣流幫助每隻鳥在飛行中支撐自己的體重,藉助同樣的原理,滑翔機可以在上升的空氣中一直爬升或懸停。因此,後面飛翔的鳥無需像前鳥那樣費勁就能獲得升力。研究表明,在V形編隊中,鳥類在簡單空氣動力學理論預測的最佳距離處飛行。 V形雁群可能會節省他們獨自飛行所需能量的12%~20%。 在頂端和前排飛翔的鳥會周期性輪換,以分散飛行疲勞。

大鳥通常以V 梯形編隊遷移。有顯著的空氣動力學增益。所有鳥類都可以看到前方和一側,這種安排能夠很好地保護鳥群。


Boids模型

Boids是克雷格·雷諾茲 Craig Reynolds 在1986年開發的一個用來模擬鳥類群體行為的計算機程序。他關於該主題的論文於1987年在ACM SIGGRAPH會議上發表。名稱「 boid」對應於「 bird-oid object」的縮寫,是指類似鳥的物體。與大多數模擬程序一樣,Boids也是湧現行為的一個例子。換句話說,Boids的複雜性是由遵循一組簡單規則的單個代理(在本例中為boid)的相互作用引起的。在最簡單的Boids世界中應用的規則如下:

Separetion alignment cohesion.png
  • 分離:轉向以避免局部群體過於擁擠
  • 一致:朝局部群體的平均方向轉向
  • 內聚:朝向局部群體的平均位置(群體中心)移動

在這些簡單規則的相互作用之下,就會湧現出類似下面的一些群體行為:

這是由OpenGL提供的一個Boids例子


自私牧群原理 Selfish Herd Theory

漢密爾頓 WD Hamilton 在1971年一篇題為《自私牧群的幾何學》的文章中提出了這一理論。迄今為止,該文章已被引用2000多次。為了說明他的理論,Hamilton 要求讀者想像一個圓形的百合塘,裡面藏滿了青蛙和水蛇。看到水蛇後,青蛙散布到池塘的邊緣,水蛇襲擊了最近的一條。漢密爾頓提出,在該模型中,如果每隻青蛙都位於其他青蛙之間,則它們更有可能不靠近水蛇,因此更容易受到水蛇的攻擊。結果就是,模型中的青蛙跳到了鄰居青蛙之間更小的空間里。

漢密爾頓《自私牧群的幾何學》一文中的青蛙行為

Hamilton 還以獅子為例,對二維捕食模型進行了建模,Hamilton提出的降低個人危險的行動很大程度上是基於邊際掠奪理論。該理論指出,捕食者會攻擊最接近的獵物,它們通常位於集體的外部。漢密爾頓據此提出,面對掠奪,個人應向聚集的中心快速移動。

在一個群體中,按照漢密爾頓的理論,被捕食者會尋求中心位置以減少自身危險,群體邊緣的個體更容易成為捕食者的目標

在"自私牧群原理"提出40年後,英國科學家終於通過實驗證明了「危險時動物愛往中間跑」這一原理。這項研究由倫敦皇家獸醫學院 The Royal Veterinary College, University of London 的安德魯·金 Andrew King 博士以及來自倫敦大學學院、劍橋大學的科學家們共同完成,並於2012年7月以論文的形式發表在國際著名學術期刊《當代生物學》 Current Biology上。 在實驗中,研究人員首先將GPS定位接收器安裝在了46隻羊和一隻澳大利亞凱爾皮犬身上。之後,研究人員命令牧羊犬驅趕羊群,並在此過程中分別記錄狗距離羊群中心以及每隻羊距羊群中心的位置變化。在對這些數據進行分析整理之後,研究人員發現在狗距離羊群大約70米的時候,每隻羊都會儘力向羊群中心奔去,直到這些羊都緊密地挨在一起。

一直以來,由於捕食者的狩獵時間具有不確定性、單個動物的行為路徑很難進行準確定位等諸多自然因素的困擾,Hamilton的理論在提出之後一直難以得到證實。但在此次實驗中,研究人員首次利用GPS技術克服了這些障礙,使這一理論在40年後得以印證。


機器人集群 Swarm Robotics

受到螞蟻和蜜蜂等動物的群體行為的啟發,研究人員正在嘗試為數以千計的微小機器人的行為建模,使它們一起執行有用的任務,如尋找隱藏的東西,清洗,或收集情報。每個機器人都非常簡單,但是群體的湧現行為 Emergent behaviour 更為複雜。全部集合的機器人可以被認為是一個單一的分布式系統,同樣地,一個蟻群可以被認為是一個超個體 Superorganism,從而表現出群體智能。到目前為止,創建的最大機器人集群是1024個機器人Kilobot集群,其他大型群體包括iRobot群體,SRI International/ActivMedia Robotics Centibots項目和 Open-source Micro-robotic Project項目,它們正在被用於研究集體行為。

Kilobot 是一個由哈佛大學的Radhika Nagpal和Michael Rubenstein創建的數千個機器人的集群 robot swarm

群體也更能防止失敗。儘管一個大型的機器人可能會出問題並導致某個任務失敗,但即使多個機器人失敗了,一群機器人也可以繼續前進以完成任務。這可能使機器人集群對太空探索任務具有很大吸引力,因為通常情況下,失敗的代價是很高的。

自組織 Self-organization

自組織是與湧現 Emergence密切相關的一個概念,自組織發生在物理、化學、生物、機器人和認知系統中的許多領域。前面提到的蟻群、鳥群遷徙,都是自組織的在生物學中的例子。這一概念描述了對於開放系統,在沒有外部來源引導或管理之下,系統會自行增加其複雜性。當有足夠能量可用時,自組織過程可以自發進行,不需要外部因素控制。它通常由系統的隨機漲落引發,通過正反饋作用被放大。由此產生的自組織是完全分散的,分布在系統的所有組成部分中。因此,自組織的系統通常是魯棒的,能夠存續下去,或從大的干擾中自我修復。 詳見自組織詞條。

自協調/共識主動性 Stigmergy

Stigmergy是群體智能領域中的一個關鍵概念,它是指個體 agents 或行為 actions 之間間接協調的機制。其原理是,行為在環境中留下的痕迹會刺激同一或不同個體執行下一行為,這樣,後續行為往往會相互加強並相互促進,從而導致連貫的、明顯是系統層級的活動自發出現。Stigmergy是一種自組織形式。它產生了複雜的,看似智能的結構,而無需個體之間的任何計劃、控制甚至直接通信。

相關演算法介紹

蟻群優化演算法

蟻群優化 Ant colony optimization是一種受螞蟻行為啟發而廣泛使用的演算法,已有效解決了與群體相關的離散優化問題。該演算法最初是由Marco Dorigo於1992年提出的,其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。此後已經多樣化以解決更廣泛的數值問題。

將蟻群演算法應用於解決優化問題的基本思路為:用螞蟻的行走路徑表示待優化問題的可行解,整個螞蟻群體的所有路徑構成待優化問題的解空間。路徑較短的螞蟻釋放的信息素量較多,隨著時間的推進,較短的路徑上累積的信息素濃度逐漸增高,選擇該路徑的螞蟻個數也愈來愈多。最終,整個螞蟻會在正反饋的作用下集中到最佳的路徑上,此時對應的便是待優化問題的最優解。

該演算法應用於其他組合優化問題,如旅行商問題、指派問題、Job—shop調度問題、車輛路由問題、圖著色問題和網路路由問題等。最近幾年,該演算法在網路路由中的應用受到越來越多學者的關注,並提出了一些新的基於螞蟻演算法的路由演算法。同傳統的路由演算法相比,該演算法在網路路由中具有信息分布式性、動態性、隨機性和非同步性等特點,而這些特點正好能滿足網路路由的需要。


自推進粒子演算法

自推進粒子 Self-propelled particles的概念是1995年由TamásVicsek 等人提出的。作為Craig Reynolds提出的Biods模型的特例,SPP群集通過以恆定速度運動的粒子集合來建模,並通過每次採用其他粒子在其局部附近的平均運動方向來響應隨機擾動。模擬表明,合適的「最近鄰居規則」最終會導致所有粒子蜂擁而至,或朝著同一方向移動。即使沒有中心協調,即使每個粒子的鄰居隨時間不斷變化,也會出現這種情況。SPP模型預測,無論群體中的動物是何種類型,成群的動物在群體水平上都具有某些屬性。


粒子群優化演算法

粒子群優化演算法 Particle swarm optimization是另一種廣泛用於解決與群有關的問題的演算法。它是由肯尼迪 Kennedy 和埃伯哈特 Eberhart 於1995年開發的,最初旨在模擬鳥類和魚群的社會行為,該系統在初始化階段採用隨機分布,然後,它在問題空間中使用隨機優化 Stochastic optimization 方法不斷迭代搜索,以找到最優解,這種最優解稱為粒子 Particles 。每個粒子都存儲其位置以及迄今為止已實現的最優解。粒子群優化演算法跟蹤在局部鄰居中獲得的最佳局部值 Bbest local value 的那顆粒子(即最佳粒子),然後剩餘的粒子在問題空間內將跟隨最佳粒子的運動。在每一次迭代時,粒子群優化演算法根據簡單的數學規則將每個粒子加速到其最佳位置。

粒子群優化已應用於許多領域,它幾乎沒有參數可調整,而且對於某些特定應用效果很好的粒子群優化演算法,可以在其他相關應用中進行較小的修改就可以同樣實現很好的效果。


相關學者簡介

克雷格·雷諾茲 Craig Reynolds

Craig Reynolds,Boids程序創建者,人工生命和計算機圖形學專家,也是OpenSteer庫的作者。

Craig Reynolds 是人工生命 Artificial life 和計算機圖形學專家。他的大部分工作涉及編寫軟體來模擬各種類型的人類和動物行為,這些程序可以控制虛擬世界中自主個體的動作。他於1986年創建了Boids——人工生命模擬程序,最早模擬了鳥群及其相關的群體行為,該方法被推廣到其他類型的目標導向的轉向行為。最近,他將這些想法應用到了人群中湧現出的團隊合作模型中,這些想法來自於昆蟲群體中看到的基於自協調性 Stigmergy 的集體協作行為。

Craig Reynolds 的研究興趣集中在使用計算機程序來模擬複雜的自然現象,這些模型有助於加深對自然系統的科學理解。它們還使我們能夠重現該現象並對其進行控制,以用於動畫,遊戲和藝術中。克雷格·雷諾茲在電影《特隆 Tron》(1982年)中擔任現場程序員,並擔任《蝙蝠俠歸來 Batman Returns 》(1992)視頻圖像攝製組的成員。克雷格·雷諾茲榮獲1998年奧斯卡科學技術獎,以表彰他對為電影製作製作三維計算機動畫開發做出的開創性貢獻。他也是OpenSteer庫的作者。

Craig Reynolds 也對使用進化計算來設計過程模型感興趣,例如行為控制和紋理合成。這就要求設計標準以發展可能難以定義的細微特性。克雷格·雷諾茲在該領域的最新工作涉及對自然偽裝的演變進行建模。

漢密爾頓 WD Hamilton

WD Hamilton,英國進化生物學家,牛津大學皇家學會研究教授

W D Hamilton是英國進化生物學家,曾擔任牛津大學皇家學會研究教授,被公認為20世紀最重要的進化理論家之一。 Hamilton 闡述了利他主義存在的遺傳基礎,這一見解是發展以基因為中心的進化觀的關鍵部分。他被認為是社會生物學的先驅之一。

Hamilton 在1970年的論文《進化模型中的自私和惡意行為》中考慮了對有機體造成的傷害是否必然是適者生存的副產品的問題。當有機體故意傷害他人而對自己沒有明顯好處的情況下,這意味著什麼?Hamilton 稱這種行為是惡意的。可以解釋為,通過傷害與親緣關係不如親緣關係密切的那些基因,可以將有機體的遺傳等位基因傳遞給下一代的機會增加。


伊謝爾·本-雅各布 Eshel Ben-Jacob

伊謝爾·本-雅各布,特拉維夫大學的理論和實驗物理學家

Eshel Ben-Jacob 是一名特拉維夫大學的理論和實驗物理學家,也是賴斯大學複雜系統物理學 Maguy-Glass Chair的創立者holder,理論生物物理中心(Center for Theoretical Biological Physics,CTBP)研究員。在1980年代,他成為開放系統中自組織和模式形成理論的領導者,後來將這項工作擴展到自適應複雜系統和生物複雜性領域。在1980年代後期,他開始研究細菌自組織,發展出了形成細菌物種的新模式,成為研究菌群智能和細菌社會行為的先驅。


埃里克·博納博 Eric Bonabeau

Eric_Bonabeau,icosystem 的創始人和CEO兼首席科學官

Eric Bonabeau 是複雜系統和分布式自適應問題解決方案的全球領先專家之一,以將複雜性科學概念應用於實際問題的能力而享譽全球。他的工作著眼於在複雜、分散和不可預測的世界中人類決策的局限性,他也是icosystem 的創始人和CEO兼首席科學官。

在創建Icosystem之前,Eric 曾為美國和歐洲的電信和軟體公司從事研發工作。他寫了三本書,包括常年的科學暢銷書《群體智能》(Swarm Intelligence),這為另一本暢銷書邁克爾·克里頓 Michael Crichton 的《獵物(Prey)》提供了靈感。他在國際期刊和會議論文集上發表了140餘篇科學文章,並且是《哈佛商業評論》和《麻省理工學院斯隆管理評論》的定期撰稿人。他擁有博士學位。他是法國巴黎南大學理論物理專業的博士學位,並且是法國高等理工學院和法國國家高等通信學院的校友。


讓-路易斯·德納布爾 Jean-Louis Deneubourg

2004年法國動物行為研究學會(SFECA)傑弗羅伊·聖伊萊爾獎獲得者

Jean-Louis Deneubourg 的研究涉及動物社會的自組織,群居昆蟲 Social insects 的集體決策,以及這些群體如何表現出超出單一個體範圍的認知能力。

Jean-Louis Deneubourg 率先開發出一種結合了理論模型和實驗,可用來研究與螞蟻尋蹤聚集 Rrail recruitment 有關的集體決策的研究路徑。他發現了螞蟻在蟻穴和食物源之間、不同蟻穴和最佳食物源之間找到最短路徑的演算法,這些結果為計算機科學家開發的蟻群優化演算法提供了靈感。

受群居昆蟲的啟發,Jean-Louis Deneubourg 還研究了人工系統(包括機器人系統),他的研究是機器人集體智慧的第一次試驗性演示。他還涉足混合社會 Mixed societies領域研究,探討動物和機器人如何進行交流與合作,在機器人和蟑螂的混合社會研究領域也發表了與集體智慧有關的第一個實驗性演示。

編者推薦

《群體智能:從自然系統到人工系統》(Swarm intelligence: From Natural to Artificial Systems)

《群體智能》(Swarm intelligence)

在過去的數十年中,研究人員以群居昆蟲為例,受他們的群體行為和自組織的啟發,努力發展出了一套演算法,這些方法可以歸入「群體智能」概念。蟻群優化和群居昆蟲模擬領域的研究先驅Eric Bonabeau,Marco Dorigo 和 Guy Theraulaz 在《群體智能》(Swarm Intelligence)一書中,不僅為我們提供了群體智能的相關概述,還進一步勾勒出了生物啟發演算法這一即將蓬勃發展的研究領域的未來發展方向。

本書的每一章都描述了群居昆蟲中的一種群體行為,可以在自然界中觀察到、並通過模型進行模擬和解釋。該書主要討論了以下行為和現象:螞蟻覓食 Ant Foraging自適應分工和任務分配 Division of Labour and Task Allocation 墓地組織或幼蟲分類 Cemetery Organisation and Brood Sorting 自組織及樣板 Self-Organisation and Templates 築巢 Nest Building協作運輸 Co-operative Transport

可以說Swarm Intelligence一書是令人印象深刻的示例集合,書中提供了群居昆蟲中的自組織和湧現行為的簡單模型,每個演示模型的細節都非常詳細,人們甚至可以直接複製其模擬結果。這本書讓我們看到將群體智能用於解決問題的巨大潛力。

《生物系統中的自組織》(Self-Organization in Biological Systems)

《生物系統中的自組織》(Selft organization in Biological Systems)

螢火蟲在晚上同步閃爍,粘泥模具的螺旋狀圖案,軍蟻步道的吻合網路,魚群的協調運動……研究人員正在發現這些模式——使博物學家著迷了幾個世紀的現象——是一種了解生物系統的富有創造力的新方法:對自組織的研究。該書是面向學生和其他愛好者了解生物系統中自組織的入門書,它向讀者介紹了研究自組織的基本概念和工具,然後研究了自然界中許多自組織的例子。

自組織是指物理和生物世界中的各種模式形成過程,從組裝成波紋狀沙丘的沙粒,到結合形成高度結構化組織的細胞,再到致力於建立複雜社會的單個昆蟲,這些不同系統的共同點是它們獲得秩序和結構的相似方法。在自組織系統中,全局級別的模式僅來自低級別元素之間的相互作用。更不可思議的是,即使個體僅僅依靠局部信息進行的令人驚訝的簡單行為,但只要反覆迭代,也會產生非常複雜的結構。這個驚人的結論提出了重要的研究方向:在多大程度上是環境而不是個人的複雜性導致了群體的複雜性?特性迥異的生物在多大程度上採用了相似的趨同策略進而形成各自的模式?具體來說,自然選擇如何確定生物系統內相互作用的規則?

該書內容廣泛,通俗易懂,是生物學中自組織和複雜性的融會貫通之作,值得任何對複雜系統和生物學交叉的新方向具有好奇心的人一讀。


編者推薦

  • Boids模型及Craig Reynolds個人主頁
  • Stanford大學課程 Modeling Natural Systems: Neural Networks and Other Complex Systems課程
  • 人與人的互動是人類社會賴以形成、維持和生長的微觀基礎。互聯網的出現,深刻地改變了社會互動的廣度、深度和模式。其中一個重要的效應,是整個社會日趨散眾化。散眾的基本特徵是,基於互聯網時代信息的過載、自閉和高頻流動,社會各成員之間難以形成深入的情感交流和價值共識,但是基於無遠弗屆的互聯網而形成的物理聯繫,卻又特別容易同頻共振,不時引發規模巨大而又能量驚人的群體行為。這樣一種嘯散嘯聚的群體行為,對於社會秩序的維持和發展是一個嚴重挑戰,從而是當前全球和中國社會治理中必須應對的難題,亟需社會各界共同思考。參見中國人民大學教授馮仕政講授 《互聯網、社會互動和群體行為》課程
  • 由北京師範大學系統科學學院教授狄增如講授網路結構與功能調控、群體行為、城市演化等研究,介紹探索複雜系統中的普適規律的入門課程:《探索複雜性——系統科學簡介》
  • 由北京師範大學系統科學學院教授狄增如講授研究複雜系統使用的自底而上的多主體模擬方法、群體行為的特點和相關研究、社會學和經濟學的相關應用,以及Netlogo模擬建模方法的課程: 《多主體建模方法》


本中文詞條由木子二月鳥用戶參與編譯, 劉佩佩 用戶審校,歡迎在討論頁面留言


本詞條內容源自wikipedia及公開資料,遵守 CC3.0協議。

個人工具
名字空間
動作
導覽
工具箱