Multi-criteria study of collective swarm decision making in large decision spaces

Abstract

It is a promising approach when designing distributed embodied intelligent systems to employ decentralized self-organized control paradigms, where the collective behavior of the system is controlled via local peer-to-peer interactions instead of a unified leader. A crucial building block of coherent self-organized systems is the ability to produce global decisions via local interactions between the agents and with the environment. This is a challenging design problem when constructing artificial swarm intelligence systems, as the agents need to consider information gained from both environmental exploration and inter- agent communication. Inspirations for the design of collective decision-making strategies in artificial systems can be drawn from the behaviors of natural intelligent swarms such as insect colonies, fish schools, and bird flocks. However, due to the characteristics of the biological agents and the analog environments they dwell in, natural collective decision- making strategies are specialized in decision-making scenarios with small decision spaces and simple quality distributions, making them ill-suited for many artificial applications. This thesis seeks to expand on the capabilities of artificial collective decision-making strategies into scenarios with large decision spaces and complex quality distributions. Em- phasis is placed on multi-option collective consensus problems (best-of-n problems), and the discrete collective estimation scenario is proposed to complement the binary and multi- feature collective perception scenario found in previous literature. Two novel collective consensus strategies that enable the agents to individually consider multiple options in parallel are proposed: one uses directly the Bayesian likelihood of the options being opti- mal, the other uses their rankings to represent the relative preferences by the agents. Their performances are shown to outperform bio-inspired opinion-based strategies in a multi- criteria framework that considers the speed versus accuracy trade-off in decision-making performance. Subsequently, the discrete collective estimation scenario is extended to the many- option case, in which the discrete options far outnumber the available agents. The ex- panded decision space is shown to have different impacts on the decision-making perfor- mances depending on the quality distribution. It also brings the discrete collective consen- sus problem close to having a continuous decision space and reveals the upper limit of the proposed multi-option consensus strategies. As a larger decision space has been shown to negatively affect the performances of col- lective decision-making strategies, two independent decision-making scenarios are subse- quently studied for ways of limiting the decision space size during the decision-making process: The many-option collective consensus problem is further investigated using the collective preference learning scenario. The effects of limiting the decision space by en- forcing a strict ranking among the sites are examined. Finally, a continuous task allocation scenario is studied to demonstrate how dynamic decision space restriction can help the swarm deal with multi-modal quality functions and produce specialized behaviors.

Bei der Entwicklung intelligenter Mehrkörpersysteme ist der Einsatz dezentraler selbst- organisierter Steuerungsparadigmen ein vielversprechender Ansatz, bei dem das kollek- tive Verhalten des Systems über lokale Peer-to-Peer-Interaktionen und nicht über einen einheitlichen Leiter gesteuert wird. Ein entscheidender Baustein kohärenter selbstorgani- sierter Systeme ist die Fähigkeit, globale Entscheidungen über lokale Interaktionen zwi- schen den Agenten und mit der Umgebung zu treffen. Dies ist ein anspruchsvolles Desi- gnproblem bei der Konstruktion künstlicher Schwarmintelligenzsysteme, da die Agenten Informationen berücksichtigen müssen, die sie sowohl aus der Erkundung der Umgebung als auch aus der Kommunikation zwischen den Agenten gewinnen. Inspiration für die Entwicklung kollektiver Entscheidungsstrategien in künstlichen Systemen kann aus dem Verhalten nat¨urlicher intelligenter Schwärme wie Insektenkolonien, Fischschwärmen und Vogelschwärmen gezogen werden. Aufgrund der Eigenschaften der biologischen Agenten und der analogen Umgebungen, in denen sie leben, sind natürliche kollektive Entschei- dungsstrategien jedoch auf Entscheidungsszenarien mit kleinen Entscheidungsräumen und einfachen Qualitätsverteilungen spezialisiert, was sie für viele künstliche Anwendungen ungeeignet macht. Diese Dissertation versucht, die Fähigkeiten künstlicher kollektiver Entscheidungs- findungsstrategien auf Szenarien mit großen Entscheidungsräumen und komplexen Qua- litätsverteilungen auszuweiten. Der Schwerpunkt liegt auf kollektiven Konsensproblemen mit mehreren Optionen (Best-of-n-Probleme), und das Szenario der diskreten kollektiven Schätzung wird als Ergänzung zu dem in der bisherigen Literatur beschriebenen Szenario der binären und multifunktionalen kollektiven Wahrnehmung vorgeschlagen. Es werden zwei neuartige kollektive Konsensstrategien vorgeschlagen, die es den Agenten ermöglichen, mehrere Optionen parallel einzeln zu prüfen: Eine verwendet direkt die Bayes’sche Wahr- scheinlichkeit, dass die Optionen optimal sind, die andere verwendet ihre Rangfolge, um die relativen Präferenzen der Agenten darzustellen. Ihre Leistung übertrifft nachweislich die von der Biologie inspirierten meinungsbasierten Strategien in einem multikriteriellen Rahmen, der den Kompromiss zwischen Geschwindigkeit und Genauigkeit bei der Ent- scheidungsfindung berücksichtigt. Anschließend wird das Szenario der diskreten kollektiven Schätzung auf den Fall mit vielen Optionen erweitert, in dem die diskreten Optionen die verfügbaren Agenten bei weitem übertreffen. Es zeigt sich, dass der erweiterte Entscheidungsraum je nach Qualitätsverteilung unterschiedliche Auswirkungen auf die Entscheidungsleistung hat. Es bringt das diskrete kollektive Konsensproblem auch in die Nähe eines kontinuierlichen Entscheidungsraums und zeigt die Obergrenze der vorgeschlagenen Konsensstrategien mit mehreren Optionen auf. Da sich gezeigt hat, dass ein größerer Entscheidungsraum die Leistung kollektiver Entscheidungsstrategien negativ beeinflusst, werden anschließend zwei unabhängige Entscheidungsszenarien untersucht, um Möglichkeiten zur Begrenzung der Entscheidungs- raumgröße während des Entscheidungsprozesses zu finden: Das Problem des kollektiven Konsenses mit vielen Optionen wird anhand des Szenarios des kollektiven Präferenzlernens weiter untersucht. Die Auswirkungen einer Begrenzung des Entscheidungsraums durch die Durchsetzung einer strikten Rangfolge der Standorte werden untersucht. Abschließend wird ein Szenario der kontinuierlichen Aufgabenzuweisung untersucht, um zu demonstrie- ren, wie eine dynamische Einschränkung des Entscheidungsraums dem Schwarm helfen kann, mit multimodalen Qualitätsfunktionen umzugehen und spezialisierte Verhaltenswei- sen hervorzubringen.