工程系统中的自组织技术研究

黄振东

【摘 要】工程系统中存在大量的优化与控制问题，与智能算法求解不同，将工程系统看做是复杂自组织系统，从自组织计算的角度研究复杂工程系统问题是复杂性科学研究的新方向。本文介绍自组织系统概念特征，综述了自组织计算模型及原理，对自组织计算在工程系统中的应用优势及设计难点进行了总结。

【关键词】自组织；涌现；工程系统；多智能体系统

自组织技术作为研究复杂系统的一个有力工具，已经引起许多科学家的关注。工程系统中的自组织涌现算法，是期望设计一种自组织系统，通过系统内部智能体的局部相互作用，系统涌现出稳定的结构（即设计目标）。

1 自组织的概念与特征

自组织系统在各个学科中定义不尽相同，普遍认为自组织系统为一些个体集合，可无需通过外部控制，系统通过个体之间的局部相互作用的实现全局行为。

一般来说，自组织系统具有如下的一些特性[1]：

（1）分散控制。指的是系统主要利用个体的局部交互作用影响全局行为。

（2）涌现性。一般来说，涌现是一种来自系统各组元之间的相互作用的全局结果的现象。而系统全局结果相对于系统的组成部分是新颖的，或者说系统内部组成部分的交互作用是无法预测系统的全局行为的。涌现的例子包括：蚂蚁系统中蚂蚁个体通过信息素交互产生的全局路径、鸟群的迁徙、汽车之间的相互作用而产生的堵车等等。

（3）自适应性。一个自组织系统会自动调整系统状态以适应环境的变化，即其具有一定的抗扰动能力和自适应维持其结构的能力。

（4）进化：进化是自组织系统涌现和自适应性的结果。

2 自组织系统的求解模型

利用自组织系统研究工程问题，需要对自组织系统模型进行研究，使得其可以在数学上进行分析或通过计算机模拟研究。由于涌现行为不可预测性，合理的模型可以提供了一个虚拟实验平台来探索涌现与局部规则之间的关系。目前，研究较多的模型有元胞自动机（CA）[2]和多智能体系统（MAS）[3]。

2.1 元胞自动机

元胞自动机模型是一个研究自组织系统的模拟方法，其实质上是定义在一个由有限离散状态的元胞组成的元胞空间上，并按照一定的局部规则，在离散的时间维度上演化的动力学系统。元胞自动机是一类模型的总称，或者说是一个方法框架。其特点是时间、空间、状态都离散，每个元胞只取有限多个状态，且其状态改变的规则在时间和空间上都是局部的。元胞自动机自产生以来，被广泛地应用到社会学、生态学、计算机科学、物理学、化学等领域。

2.2 多智能体系统

多智能体系统（MAS）是通过多个智能体相互交互和作用而使得系统达到某种目标的计算系统。MAS方法中包含组成系统的智能体和环境的定义以及智能体之间的相互作用。MAS系统中环境作为智能体生存活动的空间，将MAS组织成一个整体，为智能体提供通信和协调平台；智能体被认为是具有智能性和自适应性的个体，遵循一定的规则，根据自身的局部信息与环境和其他智能体的交互作用来调整自身的状态和行为，使得系统逐渐进化，从而在整体上显现出更高层次的有序性。换句话说，系统是基于分散控制的思想，根据智能体的局部适应度函数来评价组成整体解的智能体的状态变量，每个智能体根据局部信息和局部适应度函数在当前解得邻域内作出相应的决策行为，通过智能体之间的相互竞争与协作等局部相互作用，系统自组织涌现出宏观的结构。

元胞自动机模型中各个元胞一般是同质的并遵循相同的邻域和局部规则，其元胞状态更新也是同步的；而多智能体系统中的智能体可以是同质的，也可以是异质的，并且各个智能体具有独立性和自主性，其邻域设定和局部作用规则也不尽相同，智能体的状态更新可以是同步的，也可以是异步的。因此，MAS对于复杂系统的具有更强的表达力。此外，若将元胞自动机中的元胞看成智能体，元胞的邻域结构和局部规则对应看成智能体邻域结构和局部规则，则元胞自动机可以看成一类特殊的MAS系统。MAS方法已被证明是非常适合研究复杂系统涌现性质的模拟系统。

3 自组织系统机制与应用

3.1 直接相互作用机制

直接相互作用机制是直接设计个体的局部相互作用的自组织机制。其基于一些基本的原则如局部化和广播，智能体通过直接的局部的耦合作用自组织涌现出全局状态。与传统的分布式算法不同，自组织算法具有在环境中存在一定扰动的情况下，系统能最终收敛到并保持需要的全局稳定状态，也就是说系统具有较强的鲁棒性。

这种机制的典型实例是那些应用在自组装和分布式自定位领域。例如，文献[4]中，通过设计粒子的局部规则，使得粒子自组织形成不同的形状。

3.2 Stigmergy机制

Stigmergy这个词是生物学家Grasse 创造的，用来解释白蚁的筑巢行为。它是一种间接相互作用的自组织机制：群体中的个体之间没有直接的相互作用，个体通过改变环境的方式来发生作用。而环境的变化又会影响个体的行为，其结果导致了环境的更新。这是一个信息的正反馈机制。

Stigmergy机制被广泛应用于MAS的设计中以获得需要的涌现特征。Brueckner等[5]将它作为Agent 协作机制，应用于移动自组网的管理中，使得管理具有良好的自组织特征。Karuna等[6]等将MAS 应用于工业自动控制，并把Stigmergy 作为其协调和控制机制，使得整个控制系统具有涌现特征的预测能力。

3.3 强化机制

强化是导致生物系统中分化出“专家”和“一般劳动力”的机制。这主要通过两种方式实现：①Agent的工作效率随着经验的增长而提高； ②Agent对相关刺激的阈值随着工作经验增加而降低。强化机制可以导致劳动分工和产生组织结构，这是MAS 中非常重要的一种涌现现象。强化机制是一种天然的学习方法，学习和工作效率的提高往往被认为是产生劳动分工的主要原因。在强化学习过程中，Agent尝试在其环境中产生一些作用（输出），然后收到一个关于该作用的评价（报酬），学习算法选择性地保留那些最大化自身报酬的输出。强化学习一般通过奖惩函数来调整Agent的行为，这样的交互学习作用使得系统具有较强的适应性和涌现特征。例如，Mazurowski等[7]将强化学习用于MAS 通信，以产生通信涌现。

3.4 竞争与合作机制

在自然界中，各种生物与物种共同生存在一定的生活环境中，这种生存环境中的资源是有限的，它们必须通过竞争与合作才能获得自己生存所需的资源共同生存下去。通过这些竞争与合作的交互，物种们不断进化和改变，并相互影响彼此的进化过程，因而自然界中的生物与物种之间实际上构成了一种协进化的关系，生态系统逐步完善，以适应环境。受生物系统协进化机制的启发，工程系统所期望的集体行为可通过智能体协进化作用涌现出来[8]。换句话说，系统的功能是在智能体的局部相互竞争与合作的作用中涌现出来的。每个智能体具有一定的自组织的能力，能根据其知识和任务改变其与其它智能体和环境交互，以适应环境的改变。

4 自组织系统在工程优化设计中的特点、优势，存在的问题及难点

基于MAS的自组织系统设计对于复杂工程系统具有无可比拟的表达力，可以成为研究复杂工程系统涌现行为的通用的模型和求解框架，其基于分散控制的思想，能充分挖掘智能体的局部信息指导智能体的进化，同时，在系统进化过程中，可以结合多种求解策略，特别是结合具体问题的特征，根据环境的变化有针对性的设计智能体相应的规则，具有灵活性，适应性与鲁棒性的优点，大大提高求解问题的能力。

自组织技术在工程中的应用中，大多数是利用自组织系统进行系统模拟与预测。而在工程优化领域应用的较少。对于设计自组织涌现系统应用于工程优化问题，其关键问题在于如何设计个体局部相互作用，使得智能体的微观行为能涌现所要求的宏观性能[7]。然而，由于自组织涌现的具有新颖性以及难以预测性，使得自组织系统的应用于工程优化设计很难实现。因为我们很难根据想要的系统优化设计目标来推断出局部作用规则。

目前，存在着三种方法寻找局部作用规则，即解析方法，仿生设计，试错方法。解析方法主要用于所研究的问题模型相对简单，所需局部规则可以通过对全局属性的解析得到，但这种方法局限性比较大。仿生设计方法主要通过生物系统的启发来设计局部规则，仿生设计可以希望得到较好的设计结果，但它需要找出生物系统与所解决问题之间存在相似关系。试错方法是三类方法里面最一般的方法。然而，可能出现的巨大的参数空间和经常反直觉的涌现性质都给这类方法带来很大的麻烦[7]。

5 总结与展望

工程系统中自组织涌现算法具有分散控制、自适应性、鲁棒性、灵活性以及扩充性强等优点。但其研究与应用仍存在以下几方面问题：①它们均是基于概率搜索的方法，从数学上对它们的正确性与可靠性的证明非常困难，仿真成为一种不可或缺的测试与验证方法。②系统的高层次的结构是通过的个体之间的简单交互作用涌现出来的，但由于涌现行为不可预测性质，如何设计智能体之间的局部交互行为使得系统能够涌现出所希望看到的高层次的行为结构是一个极为困难的问题。

相比于自上而下设计的智能算法，自组织涌现的方法求解复杂工程优化问题更有优势，但也存在一些问题和困难，今后的工作可以从自组织系统构建、邻域结构设计、交互机制设计等方面做深入研究，使自组织求解成为复杂工程优化的高效的求解框架。

【参考文献】

[1]Heylighen F.The science of self-organization and adaptivity[J].The encyclopedia of life support systems， 2001，5（3）：253-280.

[2]Fredkin E. An informational process based on reversible universal cellular automata[J]. Physica D： Nonlinear Phenomena， 1990， 45（1）： 254-270.

[3]黄红兵.基于涌现视角的多 Agent 系统分析研究[D].长沙：国防科技大学，2009.

[4]Mamei M， Zambonelli V F. Self-Organizing Spatial Shapes in Mobile Particles： The TOTA Approach[C]//Engineering Self-Organising Systems. Springer Berlin Heidelberg， 2005：138-153.

[5]Brueckner S A， Parunak H V D. Self-Organizing MANET Management[M]// Engineering Self-Organising Systems. Springer Berlin Heidelberg， 2004：20-35.

[6]Karuna H， Valckenaers P， Saint-Germain B， et al. Emergent Forecasting Using A Stigmergy Approach In Manufacturing Coordination And Control[J]. Lecture Notes in Computer Science， 2005， 3464：210-226.

[7]Mazurowski M A， Zurada J M. Emergence Of Communication In Multi-Agent Systems Using Reinforcement Learning[C]//Computational Cybernetics， 2006. ICCC 2006. IEEE International Conference on. 2006：1 - 6.

[8]Olaru A， Gratie C， Florea A M. A.M.： Emergent properties for data distribution in a cognitive mas[C]// Proc. of the 3rd International Symposium on Intelligent Distributed Computing - IDC 2009， October 13-14， Ayia. 2009.

[责任编辑：曹明明]