Читать онлайн «Том 33. Разум, машины и математика. Искусственный интеллект и его задачи». Страница 23

Число взаимодействий «жертва — хищник», как мы показали, равно cPD. Следовательно, новое уравнение, описывающее численность хищников, будет выглядеть так:

D(t+1) = D(t) + nD(t) — mD(t) + r[cP(t)∙D(t)]

Изменение численности жертв будет происходит прямо противоположным образом: при любом взаимодействии «хищник — жертва» численность жертв будет сокращаться. Уравнение численности жертв будет иметь вид:

P(t+1) = P(t) + r[P(t) — m'P(t) — r[cP(t)∙D(t)].

Если теперь мы зафиксируем значения постоянных и будем решать эти уравнения для последовательных моментов времени, то увидим, что D(t) и P(t) будут колебаться, а хищники и жертвы будут последовательно переживать циклы изобилия и голода.

График, описывающий колебания численности зайцев и лис с течением времени согласно модели Лотки — Вольтерры.

Третье свойство: формирование потоков

Потоки возникают на всех уровнях сложных адаптивных систем, где присутствуют узлы, носители и переносимые ресурсы. Ограничимся двумя примерами сложных адаптивных систем. Первый — центральная нервная система живого организма, где узлами являются нейроны, носителями — соединяющие их синапсы, а переносимым ресурсом — электрические импульсы. Второй пример — потоки в экосистеме, где узлами являются виды, носителем — пищевая цепь, а переносимым ресурсом — энергия, представленная в виде биохимических элементов (потребляемого белка, сахара и так далее).

В общем случае узлы являются средствами обработки ресурса, а связи определяют взаимодействия между узлами. Следует учесть, что в сложной адаптивной системе сеть взаимодействий может меняться, а узлы и связи могут возникать и исчезать.

Эти особенности и обеспечивают адаптируемость системы к среде и позволяют ей корректировать свое поведение в зависимости от текущей ситуации.

Нанесение меток — один из самых важных механизмов сложных адаптивных систем для определения потоков: метки могут определять, какие связи играют важнейшую роль при переносе ресурсов.

Потоки обладают двумя свойствами, представляющими интерес при изучении работы сложных адаптивных систем. Первое свойство заключается в том, что потоки вносят в систему эффект мультипликатора. К примеру, в такой сложной адаптивной системе, как экономика страны, перенос денег от одного узла к другому (например, между банками) исполняет роль денежного мультипликатора. Второе интересное свойство — способность создания циклов с целью переработки. Обратите внимание, как на схеме нелинейно возрастает объем промышленного производства в сложной адаптивной системе — производственной цепочке изготовления автомобилей — при переработке и в ее отсутствие.

В первом сценарии производитель стали преобразует железную руду в сталь с эффективностью 100 % (то есть с коэффициентом 1). Далее 50 %, то есть половина произведенной стали, используется для производства автомобилей, оставшиеся 50 % — для изготовления бытовой техники. Если мы для простоты предположим, что из каждой единицы стали изготавливается автомобиль или единица бытовой техники, то получим, что в конце потока будет произведено 5 автомобилей и 5 единиц бытовой техники.

Теперь рассмотрим сценарий, в котором благодаря переработке возникает эффект мультипликатора.

Во втором сценарии 75 % автомобилей перерабатывается. Следовательно, теперь производитель стали может повысить объемы производства, что в конечном итоге позволит выпускать больше автомобилей. Если на первом этапе переработке подвергалось 5 автомобилей, то с последовательным повышением производительности система стабилизируется на уровне 8 выпускаемых машин и 6 машин, подвергаемых переработке, на каждом цикле. Это означает, что производство стали возрастет до 16 единиц: 10 единиц будет выплавляться из 10 единиц железной руды, еще шесть будет получено в результате переработки автомобилей.

Четвертое свойство: разнообразие

Разнообразие — еще одна определяющая характеристика сложных адаптивных систем. В любой сложной адаптивной системе наблюдается значительное разнообразие агентов, которые совместно определяют шаблоны поведения системы. В качестве примера приведем тропический лес, где можно пройти полкилометра и не увидеть двух деревьев одного вида. Или рассмотрим такую сложную адаптивную систему, как целый город, к примеру Рим, где живут миллионы самых разных людей со своими занятиями и особенностями, где работают тысячи компаний, по большей части непохожих друг на друга, при этом каждая из этих компаний, в свою очередь, также представляет собой сложную адаптивную систему.

Такое разнообразие вовсе не случайно. Каждый агент в рамках системы занимает свою нишу, которая определяется его связями с соседними агентами. Если мы исключим из сложной адаптивной системы один агент, другие автоматически займут его место. Когда система прекращает адаптироваться к условиям среды, наступает стабильное состояние, иными словами наблюдается сходимость.

Разнообразие также наблюдается, когда агент или совокупность агентов занимают новые ниши, в результате чего сложная адаптивная система получает новые функциональные возможности. Хороший пример — мимикрия, в ходе которой, к примеру, цветки орхидей имитируют внешний вид насекомых, чтобы привлечь других насекомых — переносчиков пыльцы и сделать опыление более эффективным.

Цветки растения офрис пчелоносная имитируют насекомых, чтобы привлечь других насекомых — переносчиков пыльцы.

Однако главный вопрос звучит так: какой фактор допускает и даже стимулирует возникновение столь большого разнообразия в сложных адаптивных системах? При подробном изучении таких систем можно последовательно проследить, какие изменения они претерпевали в процессе возникновения того или иного агента, и тем самым понять роль отдельных агентов в системе. К примеру, когда в сложной адаптивной системе в результате адаптации возникают циклические потоки, что ведет к переработке ресурсов и повышению общей эффективности, в ней открываются ниши, где появляются новые, «перерабатывающие» агенты. Другой пример сценария, порождающего разнообразие, — рост предприятия: в процессе роста возникает необходимость в новых иерархиях и, следовательно, в агентах нового типа, которые будут отвечать за координацию действий на каждом уровне иерархии.

Второй механизм: внутреннее моделирование

Любая сложная адаптивная система способна создавать внутренние модели окружающей среды, позволяющие предсказать будущие события и изменения, которые должны произойти для успешной адаптации системы к этим событиям. Такие модели строятся на основе информационных потоков, поступающих в систему и вызывающих полезные изменения ее внутренней структуры. После того как модель построена, она помогает системе предсказывать, какие последствия будет иметь появление определенных закономерностей в среде. Но как система может представить накопленный опыт в виде моделей? Как система создаст модель для прогноза последствий будущих событий?

Оптимальной движущей силой для создания подобных моделей является давление отбора. Бактерия всегда «знает», что ей нужно следовать в направлении, где находится больше питательных веществ. Этот «инстинкт» описывается внутренней моделью, указывающей, что если бактерия будет следовать подобной схеме поведения, то с наибольшей вероятностью гарантирует себе пропитание. Бактерии, которые благодаря кодификации структур и иерархий внутренних агентов смогли создать подобные модели, имеют больше шансов оставить потомство и, следовательно, передать ему это отличительное свойство.

Существует два вида внутренних моделей: явные и неявные. В примере с бактерией, следующей инстинктам в поиске питания, мы имеем дело с неявной моделью, так как она не позволяет ни «думать», ни моделировать альтернативные варианты развития событий. Явные модели, свойственные высшим живым организмам, напротив, позволяют оценивать различные гипотетические сценарии и принимать оптимальные решения после анализа альтернативных вариантов. Примером явной модели в сложной адаптивной информационной системе может служить машина для игры в шахматы, способная анализировать сотни тысяч вариантов на каждом ходу.

Логично, что неявная модель создается и адаптируется к среде по законам эволюции, в то время как для явных моделей скорость адаптации намного выше.

Колония бактерий Escherichia coli, увеличенная в 10 000 раз. Каждая «палочка» обозначает бактерию.