Децентрализованные системы: самоорганизация и распределенное управление.

Введение

Системы, не имеющие единого ключевого компонента или кластера

Децентрализованная система в теории систем – это система, в которой компоненты нижнего уровня функционируют, используя локальную информацию, для достижения глобальных целей. Глобальный паттерн поведения является эмерджентным свойством динамических механизмов, воздействующих на локальные компоненты, таких как непрямое взаимодействие, а не результатом централизованного управления, характерного для централизованных систем.

Централизованные и децентрализованные системы

Централизованная система – это система, в которой центральный контроллер осуществляет управление компонентами нижнего уровня напрямую или через иерархию подчинения (например, отдавая указание компоненту среднего уровня инструктировать компонент нижнего уровня). Сложное поведение, демонстрируемое такой системой, является результатом "управления" центрального контроллера над компонентами нижнего уровня, включая активное наблюдение за ними. Децентрализованная система, напротив, – это система, в которой сложное поведение возникает благодаря работе компонентов нижнего уровня, оперирующих локальной информацией, а не командам какого-либо управляющего воздействия. Этот вид управления известен как распределенное управление, или управление, при котором каждый компонент системы в равной степени несет ответственность за вклад в общее, сложное поведение, действуя на основе локальной информации соответствующим образом. Компоненты нижнего уровня неявно знают об этих соответствующих реакциях благодаря механизмам, основанным на взаимодействии компонента с окружающей средой, включая другие компоненты в этой среде.

Самоорганизация

Децентрализованные системы тесно связаны с идеей самоорганизации — явлением, при котором локальные взаимодействия между компонентами системы устанавливают порядок и координацию для достижения глобальных целей без централизованного управления. Правила, определяющие эти взаимодействия, возникают из локальной информации, а в случае биологических (или вдохновленных биологией) агентов — из тесно связанной системы восприятия и действий этих агентов. Эти взаимодействия непрерывно формируются и зависят от пространственно-временных паттернов, которые создаются посредством положительной и отрицательной обратной связи, обеспечиваемой этими взаимодействиями. Например, вербовка в поведении муравьев при поиске пищи опирается на положительную обратную связь, когда муравей находит пищу в конце феромонного следа, в то время как переключение задач муравьями зависит от отрицательной обратной связи при контакте антеннами с определенным количеством муравьев (например, достаточно низкая частота встреч с успешными фуражирами может заставить муравья-рабочего перейти к фуражированию, хотя на порог переключения могут влиять и другие факторы, такие как доступность пищи).

Примеры

Хотя децентрализованные системы легко встречаются в природе, они также очевидны в различных аспектах человеческого общества, таких как государственное устройство и экономические системы.

Колонии насекомых

Один из наиболее известных примеров "естественной" децентрализованной системы наблюдается в некоторых колониях насекомых. В этих колониях контроль распределен между однородными биологическими агентами, которые, опираясь на локальную информацию и взаимодействие, коллективно создают сложное глобальное поведение. Хотя каждый агент демонстрирует простое поведение, они достигают глобальных целей, таких как обеспечение колонии пищей или выращивание потомства, используя динамические механизмы, такие как неявное общение, и тесно связанные системы действий и восприятия. Без какого-либо центрального управления эти колонии насекомых достигают глобальных целей, выполняя необходимые задачи, реагируя на изменения в окружающей среде колонии в отношении активности задач и, соответственно, корректируя количество рабочих, выполняющих каждую задачу, чтобы обеспечить их завершение. Например, колонии муравьев направляют свое глобальное поведение (в плане поиска пищи, патрулирования, ухода за потомством и поддержания гнезда) посредством пульсирующей, меняющейся сети пространственно-временных взаимодействий, основанных на частоте контакта усиками и обонятельном восприятии. Хотя эти взаимодействия включают как взаимодействие с окружающей средой, так и взаимодействие друг с другом, муравьи не управляют поведением других муравьев и, следовательно, никогда не имеют "центрального контроллера", диктующего, что нужно делать для достижения глобальных целей. Вместо этого муравьи используют гибкую систему распределения задач, позволяющую колонии быстро реагировать на меняющиеся потребности для достижения этих целей. Эта система распределения задач, подобная разделению труда, является гибкой, поскольку все задачи зависят либо от количества встреч муравьев (которые проявляются в контакте усиками), либо от восприятия химических градиентов (с использованием обонятельного восприятия феромонных следов) и, таким образом, могут быть применены ко всей популяции муравьев. Хотя недавние исследования показали, что для некоторых задач могут существовать физиологические и возрастные пороговые значения реакции, любую задачу в колонии может выполнить "любой" муравей. Например, в процессе поиска пищи красные муравьи-жнецы (Pogonomyrmex barbatus) сообщают другим муравьям о местонахождении пищи, ее количестве и о том, следует ли им переключаться на поиск пищи, основываясь на запахе кутикулярных углеводородов и скорости взаимодействия муравьев. Используя комбинированные запахи кутикулярных углеводородов фуражиров и семян, а также скорость взаимодействия посредством кратковременного контакта усиками, колония получает точную информацию о текущей доступности пищи и, следовательно, о том, следует ли переходить к поведению поиска пищи – "и все это без указаний центрального контроллера или даже другого муравья". Скорость возвращения фуражиров с семенами определяет скорость, с которой выходящие фуражиры покидают гнездо для поиска пищи; более высокая скорость возвращения указывает на большую доступность пищи, а меньшее количество взаимодействий – на большую потребность в фуражирах. Сочетание этих двух факторов, основанных исключительно на локальной информации из окружающей среды, приводит к принятию решений о переходе к задаче поиска пищи и, в конечном итоге, к достижению глобальной цели – обеспечению колонии пищей. Вкратце, использование комбинации простых сигналов позволяет колониям красных муравьев-жнецов точно и быстро корректировать активность поиска пищи в соответствии с текущей доступностью пищи, используя положительную обратную связь для регулирования процесса: чем быстрее выходящие фуражиры встречают муравьев, возвращающихся с семенами, тем больше муравьев отправляются на поиски пищи. Затем муравьи продолжают использовать эти локальные сигналы для поиска пищи, полагаясь на свое обоняние, чтобы улавливать феромонные следы, оставленные другими муравьями, и следовать по ним в нисходящем градиенте к источнику пищи. Вместо того, чтобы получать указания от других муравьев или информацию о местонахождении пищи, муравьи полагаются на свои тесно связанные системы действий и восприятия, чтобы коллективно выполнить глобальную задачу. "Муравьиная мельница" – это пример сбоя биологической децентрализованной системы, когда правила, регулирующие отдельных агентов, оказываются недостаточными для решения определенных ситуаций.

One of the most well known examples of a "natural" decentralized system is one used by certain insect colonies. In these insect colonies, control is distributed among the homogeneous biological agents who act upon local information and local interactions to collectively create complex, global behaviour. While individually exhibiting simple behaviours, these agents achieve global goals such as feeding the colony or raising the brood by using dynamical mechanisms like non explicit communication and exploiting their closely coupled action and perception systems. Without any form of central control, these insect colonies achieve global goals by performing required tasks, responding to changing conditions in the colony environment in terms of task activity, and subsequently adjusting the number of workers performing each task to ensure that all tasks are completed. For example, ant colonies guide their global behaviour (in terms of foraging, patrolling, brood care, and nest maintenance) using a pulsing, shifting web of spatio temporal patterned interactions that rely on antennal contact rate and olfactory sensing. While these interactions consist of both interactions with the environment and each other, ants do not direct the behaviour of other ants and thus never have a "central controller" dictating what is to be done to achieve global goals. Instead, ants use a flexible task allocation system that allows the colony to respond rapidly to changing needs for achieving these goals. This task allocation system, similar to a division of labor is flexible in that all tasks rely on either the number of ant encounters (which take the form of antennal contact) and the sensing of chemical gradients (using olfactory sensing for pheromone trails) and can thus be applied to the entire ant population. While recent research has shown that certain tasks may have physiologically and age based response thresholds, all tasks can be completed by "any" ant in the colony. For example, in foraging behaviour, red harvester ants (Pogonomyrmex barbatus) communicate to other ants where food is, how much food there is, and whether or not they should switch tasks to forage based on cuticular hydrocarbon scents and the rate of ant interaction. By using the combined odors of forager cuticular hydrocarbons and of seeds and interaction rate using brief antennal contact, the colony captures precise information about the current availability of food and thus whether or not they should switch to foraging behaviour "all without being directed by a central controller or even another ant". The rate at which foragers return with seeds sets the rate at which outgoing foragers leave the nest on foraging trips; faster rates of return indicate more food availability and fewer interactions indicate a greater need for foragers. A combination of these two factors, which are solely based on local information from the environment, leads to decisions about switching to the foraging task and ultimately, to achieving the global goal of feeding the colony. In short, the use of a combination of simple cues makes it possible for red harvester ant colonies to make an accurate and rapid adjustment of foraging activity that corresponds to the current availability of food while using positive feedback for regulation of the process: the faster outgoing foragers meet ants returning with seeds, the more ants go out to forage. Ants then continue to use these local cues in finding food, as they use their olfactory senses to pick up pheromone trails laid by other ants and follow the trail in a descending gradient to the food source. Instead of being directed by other ants or being told as to where the food is, ants rely on their closely coupled action and perception systems to collectively complete the global task. The ant mill is an example of when a biological decentralized system fails, when the rules governing the individual agents are not sufficient to handle certain scenarios.

Человеческое общество: рыночная экономика

Рыночная экономика – это экономика, в которой решения об инвестициях и распределении средств производства принимаются главным образом посредством рыночных механизмов, а не по плану производства (см. плановую экономику). Рыночная экономика представляет собой децентрализованную экономическую систему, поскольку она не функционирует на основе централизованного экономического плана (обычно возглавляемого государственным органом), а формируется через распределенные локальные взаимодействия на рынке (например, индивидуальные инвестиции). Термин "рыночная экономика" является широким и может значительно различаться по степени государственного или правительственного контроля (и, следовательно, централизованного управления), однако итоговое "поведение" любой рыночной экономики является результатом этих локальных взаимодействий и не является прямым следствием инструкций или регулирования со стороны центрального органа.

Искусственный интеллект и робототехника

В то время как классический искусственный интеллект (ИИ) в 1970-х годах был сосредоточен на системах, основанных на знаниях, или на планировании действий роботов, роботы, основанные на поведенческих реакциях, разработанные Родни Бруксом, и их успех в реальном, непредсказуемо меняющемся мире, побудили многих исследователей ИИ перейти от запланированной, централизованной символической архитектуры к изучению интеллекта как эмерджентного свойства, возникающего из простых взаимодействий. Это отражает общий сдвиг в робототехнике от применения централизованных систем к применению более децентрализованных систем, основанных на локальных взаимодействиях на различных уровнях абстракции. Например, опираясь на теорию физических символов Ньюэлла и Саймона, исследователи в 1970-х годах проектировали роботов с заранее определенным планом действий, выполнение которого должно было привести к достижению желаемой цели; таким образом, роботы считались "интеллектуальными", если они могли следовать инструкциям центрального контроллера (программы или программиста) (например, STRIPS). Однако после представления Родни Бруксом архитектуры субсумпции, которая позволила роботам демонстрировать "интеллектуальное" поведение без использования символических знаний или явного рассуждения, все больше исследователей стали рассматривать интеллектуальное поведение как эмерджентное свойство, возникающее в результате взаимодействия агента с окружающей средой, включая других агентов в этой среде. В то время как одни исследователи начали проектировать роботов с тесно связанными системами восприятия и действия и пытались воплотить и "встроить" своих агентов в среду, как это предлагал Брукс, другие пытались смоделировать поведение множества агентов и тем самым глубже изучить феномен децентрализованных систем в достижении глобальных целей. Например, в 1996 году Минар, Буркхард, Лэнгтон и Аскенази создали программную платформу для моделирования взаимодействия агентов и их эмерджентного коллективного поведения под названием "Swarm". Основной единицей в Swarm является "рой" – совокупность агентов, выполняющих расписание действий, однако сами агенты могут состоять из роев других агентов, образуя вложенные структуры. Поскольку программное обеспечение также предоставляет объектно-ориентированные библиотеки переиспользуемых компонентов для построения моделей, анализа, визуализации и управления экспериментами с этими моделями, оно стремится не только к моделированию поведения множества агентов, но и к созданию основы для дальнейшего изучения того, как коллективные группы агентов могут достигать глобальных целей посредством тонкой, но неявной координации.

While classic artificial intelligence (AI) in the 1970s was focused on knowledge based systems or planning robots, Rodney Brooks' behaviour based robots and their success in acting in the real, unpredictably changing world has led many AI researchers to shift from a planned, centralised symbolic architecture to studying intelligence as an emergent product of simple interactions. This thus reflects a general shift from applying a centralised system in robotics to applying a more decentralised system based on local interactions at various levels of abstraction. For example, largely stemming from Newell and Simon's physical symbol theory, researchers in the 1970s designed robots with a course of action that, when executed, would result in the achievement of some desired goal; thus the robots were seen as "intelligent" if they could follow the directions of their central controller (the program or the programmer) (for an example, see STRIPS). However, upon Rodney Brooks' introduction of subsumption architecture, which enabled robots to perform "intelligent" behaviour without using symbolic knowledge or explicit reasoning, increasingly more researchers have viewed intelligent behaviour as an emergent property that arises from an agent's interaction with the environment, including other agents in that environment. While certain researchers have begun to design their robots with closely coupled perception and action systems and attempted to embody and situate their agents a la Brooks, other researchers have attempted to simulate multi agent behaviour and thus further dissect the phenomena of decentralised systems in achieving global goals. For example, in 1996, Minar, Burkhard, Lang ton and Askenazi created a multi agent software platform for the stimulation of interacting agents and their emergent collective behaviour called "Swarm". While the basic unit in Swarm is the "swarm", a collection of agents executing a schedule of actions, agents can be composed of swarms of other agents in nested structures. As the software also provides object oriented libraries of reusable components for building models and analyzing, displaying and controlling experiments on those models, it ultimately attempts to not only simulate multi agent behaviour but to serve as a basis for further exploration of how collective groups of agents can achieve global goals through careful, yet implicit, coordination.