论文简述：局部一致性有助于集群智慧的涌现
在面对复杂问题时，如何让1+1大于2，即发挥群体中每个人的知识，从而找到更好的解，今年11月13号的Nature communication的文章，使用agent based model（参考Agent Base Model复杂系统建模概述）的方式，给出了反直觉的回答。团体的多样性不是越高越好，而是在局部保持认知的同质（ local homogeneity）时，进而在全局保有最大的多样性时，表现最好。
1）问题与结论
本研究要解决的问题称为NK问题，是研究复杂问题时的一类标准问题，该问题要在一个N维的空间中，寻找一个得分最高的全局最优点，N代表搜索空间中包含了多少个局部最优点，包含的局部最优点越多，找到全局最优点就会越难。
研究中的每一个agent代表一类搜索算法，每个算法就是一组if语句，每个算法都有对应的得分。根据每个算法对应的向量，可以计算解与解之间的相似度，从而计算一组解的多样性：如下图所示：
下图的黄色和蓝色，代表俩组组间相近，组与组之间不同的解法，可以将其想象成团体中具有不同能力和知识背景的个人，图中从左到右，局部的认知同质性在降低。
下图将解法，或者说人的知识背景从俩类扩展到了多类。在以上俩类中，唯一的不同是解法的分布方式。通过遗传算法的模拟进化，研究关注在那种网络结构下，所有agent作为一个群体，对NK问题的解能有多好
下图展示了对于进化得出的最终解，随着局部同质性的增加（对应图中的minimal intermixing），整体的解显著提升（最优解为1）
而不同结构带来的差异，在进化的初始就有显现，且变化趋势是单调的。下图展示了不同的解法在最初60轮（横轴）迭代后的得分：
不止是平均解，不同的网络结构，还决定了在最终有多少比例的agent（纵轴），能够找到最优解，见下图
对于需要多种知识的情况，模拟显示也会呈现出类似的结论。
2）总结与批判
本文的研究得出的结论，在现实中的那些具体场景下适用，这需要根据本文研究用到的问题去对应。具体来说，有四点，首先是问题要是一个连续性的优化问题，而不是找到从零到一的突破性解法；其次是寻找解的每个主体的初始都是不同的，第三是主体都是短视的，容易陷入局部最优，从而迷失全局最优；最后一个假设是每个主体可以从附近的一小部分邻居那里，去根据和自己当前解差不多的解去学习如何走出局部最优。满足这四个条件的问题很多，从个人选择适合的专业就读，到企业选择在何时何地投资。但对于像足球队这样就是需要不同能力的球员协作的情景，就不适用。对于过于封闭，以至于成员无法相互学习的团队，本文的结论也不适用。
在团队的多样性能够促成创新成为主流观点的当下，该研究并不意味着多样性不利于创新，而是指出需要在局部，让认知习惯的个体能够专注于手头的问题，这样做的结果是在更大的群体上，保证了认知的多样性。强行的在小团队中配置不同认知背景的人，会导致人与人之间的局部最优解差距太大，从而缺少借鉴意义，从而使个人无法利用周围的个体智慧，跳出局部最优。
Agenet based model的四个优点中，本文只利用了主体互动，有限理性及学习和演化，该研究中的主体的异质性只体现解的不同，在不同的模型间的，进行比较的也是相同的主体分布下，不同的主体排列结构造成的影响。真实场景中，主体之间的学习能力会有不同，有的个体能从相距更远的邻居处学习，有的个体则会拒绝学习。要解决的问题也可以包含多个子问题，需要依次解决，在这种情况下，主体的异质性对模型的影响，能够得到更深远的体现，也能够更细致的反映现实情况。而这都是基于这项研究能够尝试的进一步研究方向。
更多阅读
吸引子2019-11-17 12:17:45
金属的结晶过程跟部分一致性和宏观的各向异性跟集群涌现有相似的地方，在结晶过程开始，散乱着无数的结晶晶核，以此为出发点开始按顺序相同金属依次站队，体积不断变大，不同金属要么成为间隙粒子或成为站队成员之一，要么就被排挤到凝固边界，当两个不断长大的晶粒互相接触的时候，由于边界杂质不能互相渗透，就形成了晶界，这时晶界表现很脆弱，当短时间退火，两晶粒间的隔阂减弱，当长时间退火，杂质渗透晶粒内部或继续推移，能量大的一方继续长大挤占原有固化空间，形成了大而不强的粗晶结构。这跟局部同质，而全局最大限度保持多样性表现最好得到相似结论！
杨放 2019-11-16 13:47:45
设计复杂控制系统，要强内聚弱耦合，既局部一致又整体多样；自组织临界性是产生涌现和相变的重要条件；分工需要多样性，合作需要一致性，分工与合作的配置优化可以提高效能促进繁荣。