20 de marzo de 2014
Muchos grupos de animales pueden coordinarse sin necesidad de tener un líder. Enjambres, parvadas, cardúmenes, manadas y multitudes forman patrones globales a partir de interacciones locales entre los individuos. Este comportamiento colectivo sólo se empezó a comprender recientemente, ya que las computadoras son «microscopios» necesarios para poder explorar distintos tipos de interacciones en sistemas complejos con docenas o miles de integrantes.
La dinámica colectiva de animales es un ejemplo de auto-organización, la cual puede entenderse como el proceso mediante el cual se producen patrones o comportamientos globales a partir de reglas o estados locales. Para estudiar un sistema auto-organizante, necesitamos por lo menos describir dos escalas: los componentes y el sistema. Las propiedades del sistema son producto principalmente de las interacciones de los componentes. Es por eso que no se requiere de un líder o control central para obtener las propiedades globales.
Otro ejemplo de auto-organización se da con los machos de algunas especies de luciérnagas, las cuales se sincronizan siguiendo reglas sencillas. Un método sencillo con el cual se puede lograr la sincronización de luciérnagas es el siguiente: cada insecto emite luz con cierta regularidad (el período). Pero si detecta luz de cierta intensidad (de sus vecinos), ajusta su disparo para que el siguiente disparo coincida con los de sus vecinos. De esta manera, se generan grupos de luciérnagas que se van sincronizando, hasta que árboles enteros pueden centellear en sincronía. Mientras más machos puedan sincronizarse, podrán atraer a más hembras.
Ya que los componentes de los sistemas auto-organizantes usan sólo información local y no requieren de un líder o control central, estos sistemas son muy robustos (son resistentes a cambios en su entorno y a la pérdida de componentes) y también son adaptativos (pueden ajustarse a los cambios). Estas propiedades son comunes en los sistemas vivos, pero no lo son tanto en los sistemas artificiales. Para dotar a nuestra tecnología de robustez y adaptación, podemos usar el concepto de auto-organización guiada: podemos regular las interacciones entre los componentes para dirigir y controlar su auto-organización. Esto es distinto a diseñar qué es lo que debe de hacer cada componente, ya que bajo esta perspectiva los componentes se auto-organizan y así pueden adaptarse de manera robusta a cambios no esperados ni esperables.
En nuestro grupo, hemos aplicado el concepto de auto-organización guiada para coordinar semáforos. En lugar de tratar de predecir un flujo de vehículos que siempre cambia, cada semáforo sigue reglas simples para responder a la demanda y la disponibilidad inmediatas. Sólo se requiere información de sensores, ni siquiera es necesaria la comunicación entre intersecciones. Por ejemplo, si hay pocos vehículos en una calle, tendrán que esperar un poco más que si son muchos (a menos que no se aproxime nadie, entonces no necesitan esperar). Esto permite que se agrueguen más vehículos a los que estaban esperando, formando grupos de vehículos (pelotones). Cuando se forma un pelotón de cierto tamaño, este puede disparar una luz verde antes de llegar a la intersección, por lo que los vehículos no necesitarán siquiera reducir su velocidad, a menos que haya otro pelotón cruzando en esos momentos. En este caso, el tiempo de espera del pelotón será mínimo.
La auto-organización guiada puede aplicarse a resolver muchos otros problemas: aquellos que cambian constantemente y requieren que su solución cambie a la misma velocidad. No es casual que la naturaleza haya encontrado solución a muchos problemas usando auto-organización. Podemos aprender mucho de estos sistemas naturales para construir mejores sistemas artificiales.
Para saber más:
• Camazine, S., Deneubourg, J.-L., Franks, N. R., Sneyd, J., Theraulaz, G., and Bonabeau, E. (2003). Self-Organization in Biological Systems. Princeton University Press, Princeton, NJ, USA.
• Gershenson, C. (2007). Design and Control of Self-organizing Systems. CopIt Arxives, Mexico. http://tinyurl.com/DCSOS2007
• Gershenson, C. (2013). Living in living cities. Artificial Life, 19(3 & 4):401–420. http://dx.doi.org/10.1162/ARTL_a_00112
