开放式多智能体优化中的演化韧性:从预设信任到涌现防御
《Swarm and Evolutionary Computation》:Evolutionary resilience in open multiagent optimization: From preset trust to emergent defense
【字体:
大
中
小
】
时间:2026年10月01日
来源:Swarm and Evolutionary Computation 9.6
编辑推荐:
• 针对受攻击环境下的多智能体优化,正式定义了内源适应性地形。• 攻击阈值取决于替换率、探索率、连通性和条件数。• 在多种拓扑结构中,策略分布呈现尖锐的渗透相变。• 在相变边界附近存在速度-精度权衡和临界慢化现象。• 基于梯度的优化与适应性驱动的复制实现杂化。
引言
分布
• 针对受攻击环境下的多智能体优化,正式定义了内源适应性地形。• 攻击阈值取决于替换率、探索率、连通性和条件数。• 在多种拓扑结构中,策略分布呈现尖锐的渗透相变。• 在相变边界附近存在速度-精度权衡和临界慢化现象。• 基于梯度的优化与适应性驱动的复制实现杂化。
引言
分布式优化是多智能体系统的算法骨架[1]。智能体在资源约束下,仅利用点对点通信来最小化局部函数之和[2]。相关理论已趋于成熟,算法理解透彻,收敛性保证严密。然而,所有这些保证都建立在一个前提之上,而这个前提在任何大规模开放部署中都被证明是错误的:即智能体集合是固定的,且每个智能体都忠实地执行既定协议[3]。
在现实中,智能体不断加入和离开,不可预测,形成一个其全局最优解持续漂移的开放系统[4]。更糟糕的是,部分智能体可能被拜占庭攻击者渗透,注入虚假信息[5]。这种组合威胁——一个开放且充满对抗性的环境——使得传统分布式优化算法对漂移和蓄意破坏都非常脆弱。
现有防御分为两个范式[6]。F容错范式预先指定最大对抗者数量,当实际数量超过该界限时便失效。可信骨干范式部署物理加固的智能体,形成连通支配集(CDS);正常智能体随后利用可信邻居构成的包络来过滤恶意状态。这消除了对F的先验知识需求,但仅仅转移了脆弱性:信任必须物理预配置并静态维护[7]。在成员流动、设备低成本、所有权碎片化的开放系统中,全局配置硬件锚定的信任是不可行的。
正是以下结构性盲点将两种范式联系在一起——一旦看见,便无法忽视:它们都假定我们已知该信任谁。这一假设根深蒂固,以至于两种范式都无法提出、更无法回答当该假设被移除时会发生什么。我们将其移除。我们追问:当没有任何智能体可被先验信任,且塑造行为的唯一力量是优化表现与存活之间的反馈时,会发生什么?
在此类体制下,"正常"智能体与"拜占庭"智能体之间的区分不再是设计输入,而是持续演化过程的结果[8]。逻辑很直接:防御型智能体过滤可疑邻居会产生计算开销,但能更精确地跟踪移动的最优解,因而在替换发生时更可能被保留或模仿。无防御智能体在温和条件下收敛更快,但在攻击下极易被偏离轨道[9]、[10]、[11]。经过演化时间,群体应自组织为防御策略占主导的配置,自发生成一个涌现防御骨干,无需硬件信任根、无需预配置身份、也无需中央权威。
这一论点极具说服力,以至于很容易宣称问题已被解决。但它包含一个隐藏前提,而这个前提是错误的。
隐藏前提是策略的适应性由外部给定。事实并非如此。在此设定下,适应性是由每种策略在对抗性干扰下引导分布式优化过程趋近移动最优解的能力所内源生成的[12]。优化动力学驱使状态趋向当前最优解。扰动不断将最优解位移并注入虚假信息。演化动力学根据相对适应性选择策略。这三种力量相互作用,而它们的交互结果并非预设必然。
攻击性策略通过破坏共识,降低整个群体的优化性能[13]。由此产生的适应性损失影响所有策略,但攻击者通过避免过滤成本保留了相对优势。防御带来的成本只有在攻击足够强烈时才获得回报。因此,演化在某些条件下可能选择出摧毁其所处系统本身的策略。这就是演化韧性悖论[14]:适应性与集体优化的内源耦合可能将系统推向崩溃而非韧性。它并非病态的角落案例,而是任何策略表现取决于其自身采用所参与塑造的全局状态的环境中的结构性特征。
一旦识别,悖论便转化了问题。问题不再是演化能否产生韧性,而是在什么条件下反馈环路反转符号、韧性胜出。回答这需要来自三个学科的工具。演化计算提供了选择、复制和适应性地形的概念。分布式优化提供了收敛局部更新的机制。拜占庭韧性识别了隔离恶意影响的过滤机制。没有任何单一学科此前提出过这个问题,原因现在显而易见:每个学科都将另一个学科视为内源的恰好当作自身的外源来处理。演化计算假定适应性地形是给定的。分布式优化假定智能体是守规矩的。拜占庭韧性假定可信智能体已被预先识别。这不仅是文献中的空白,而是一个循环依赖,其中每个领域的基础前提正是相邻领域被设计来解决的问题,然而现有框架无一同时将三者作为内源变量处理。我们的贡献是打破这一循环依赖。我们并非通过将现有组件整合为新架构来实现,而是通过合成三者为一个统一分析框架,联合捕捉快速优化、慢速策略演化和脉冲式扰动,并推导出控制系统选择两种演化结果之一的定量阈值。具体而言,我们做出以下贡献:
• 我们引入了多智能体优化中内源适应性地形的概念:适应性不是外部规定的,而是由每种策略在攻击下执行分布式优化的能力动态生成的。我们在一个自组织三层随机动力学模型中正式化了这一概念。• 我们通过建立阈值表征解决了演化韧性悖论。如果攻击强度超过由替换率、探索率、网络代数连通性和问题条件数刻画的关键值,则群体以高概率集中于韧性配置,系统维持有界误差区间。在此阈值以下,群体集中于无防御状态附近,跟踪误差无界增长。• 通过对多种拓扑结构的广泛仿真,我们证实了预测的相变,展示了涌现防御骨干在长期中接近预配置CDS的性能,并证明基于梯度的优化与适应性驱动复制的杂化是促成自发自组织的机制。• 我们展示了框架的模块化特性:一大类线性收敛的分布式优化算法可嵌入演化层以获得类似的韧性保证。这将内源适应性地形视角确立为赋予分布式优化演化自组织韧性的通用方法论。
本文余下部分组织如下。第2节定位我们的工作在三个基础领域的关系。第3节正式化内源适应性地形和耦合动力学。第4节发展时间尺度分离分析并证明阈值表征。第5节提供全面实验,验证相变、防御自组织和杂化机制。第6节总结局限、对演化动态优化的更广泛影响及未来方向。
章节片段
相关工作
与本文相关的文献来自三个学科。我们未分别综述。相反,我们追踪了一个尚未解决的循环依赖。每个研究领域通过引入一个前提来解决一个问题,而这个前提只有相邻学科才会认定为自身面临的问题。这一轨迹暴露了促使本文工作的结构性盲点:智能体合规性、对抗性扰动和策略适应性的同时内源化。
问题表述
我们建模一个n个智能体的群体,在一个开放且充满对抗性的环境中解决资源分配问题。该模型正式化了一个核心思想:策略的适应性不是外部奖励,而是该策略在对抗性干扰下引导分布式优化过程趋近移动目标的动态后果。这一思想是内源适应性地形的数学核心。它闭合了第2节识别出的循环依赖回路。
方法论
第3节提出的演化韧性悖论源于一个数学事实:适应性地形是自指的。策略的适应性取决于环境,而环境又取决于策略分布。解决悖论因此需要确定何时该反馈环路选择韧性而非崩溃。我们通过将悖论重构为两种力量之间的竞争来解决。第一种是选择性力量:当攻击强度超过阈值时……
实验
本仿真研究组织为一种渐进式探究,每一阶段都由前一阶段的结论驱动。链条如下。我们首先验证支撑选择性力量的CDS形成概率。在CDS阈值经实证锚定后,我们验证解耦-耦合分析所依赖的两个基础前提。在这些前提经实证确认之后,我们测试理论的核心结构主张:即三层……
结论
本文追问:在开放且充满对抗性的多智能体系统中,防御行为能否纯粹从演化压力驱动下自发产生。我们的答案是条件性的肯定,由阈值表征和在有界幅度拜占庭威胁模型和显式策略探索率下的广泛实证验证所支撑。这一问题本身只有在打破使三个成熟领域无法应对它的循环依赖后才成为可能:
CRediT作者贡献声明
张浩然:撰写-原始草案,可视化,验证,软件,方法论,调查,形式分析,数据整理,概念化。邢林:撰写-审阅与编辑,监督,资源,项目管理,资金获取,形式分析。
利益冲突声明
作者声明无已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
张浩然|邢林
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号