交通渋滞に戸惑い、それについて本を書いた者として、私は車の渋滞をほぼ臨床的に嫌う。私のグローバルなデフォルト戦略は、できるだけ運転を控えることですが、アクセルを踏まなければならない場合もあります。多くの人と同じように、私も Waze アプリにますます依存するようになりました。Waze アプリは、各ドライバーのスマートフォンを介して、未熟で未分化なドライバーの集団をネットワーク化されたインテリジェンスの集合体に似たものに変えます.
Waze、先日、ちょっとした予想外の渋滞 (少なくとも 13 人の「Wazer」によって正式にフラグが立てられていた) に引っかかっているときに、私たちがアリに変わるのを助けていることに気づきました。ドライバーが道を進むたびに、Waze は速度を追跡します。この情報は、後続のすべてのドライバーにブロードキャストできます。エンストした車、クラッシュ、または漠然とした不吉な「道路上の危険」など、何かがその経路を妨害する恐れがある場合、最初に遭遇したドライバーは、電子的なパンくずを後に残す可能性があります。これらの幽霊のような痕跡が十分に残っている場合、後続の Waze ユーザーの何パーセントかが別のパスにリダイレクトされる可能性があります.
これはすべて、アリのコロニーで見られる動きのダイナミクスと驚くほど似ています。したがって、アリがネットワーク研究者にとって非常に魅力的であることが証明されたのも不思議ではありません。
ベルギーの研究者マルコ・ドリゴは、1990 年代初頭に、現在広く「アリコロニー最適化」(通常は ACO と略される) と呼ばれている最初の研究を行ったとされています。彼が初期の論文で説明したように、「アリは食料源から巣へ、またはその逆に歩いている間、フェロモンと呼ばれる物質を地面に沈着させ、このようにしてフェロモンの道を形成します.アリはフェロモンのにおいをかぐことができ、道を選ぶとき、強いフェロモン濃度でマークされた道をおそらく選ぶ傾向があります。」
一種の好循環（ドリゴはこれを「自己触媒的フィードバック」と呼んでいます）では、経路が短いほどフェロモンの蓄積が速くなります（したがって、経路はより望ましいものになります）.フェロモン濃度は時間の経過とともに蒸発し、次善の経路は枯れてしまいます。同様に、Waze では、ドライバーは渋滞の報告を「サム」することができます。これは一種の「e-フェロモン」であり、他のドライバーがより遅いルートを回避するのに役立ちます。 (なに そしていくら 最も広く最適な解決策を達成するために実際にドライバーに情報を提供する必要があるのは難しい問題です。)
これらの「環境内の痕跡」は、一般に「スティグマジー」と呼ばれるプロセスで、トランスポート ネットワークの通信、調整、または構造化のためのより大きなメタ能力を持たない単純なエージェントが、「驚くほど知的な集団行動」をどのように示すことができるかを説明するのに役立ちます。 」人間はそれほど容赦なく効率的ではありません。ミネソタ大学の運輸研究者である David Levinson は、ある研究で、毎日の通勤者のわずか 15% しか最短ルートを使用していないことを発見しました.
アリのコロニーの最適化は、それ自体が驚異的な速度と範囲で移行し、トルコでの電力消費量の推定からサプライ チェーンの設計、高い橋脚の設計、ロボット学習まで、あらゆる種類の研究活動に取り入れられてきました。
しかし、ご想像のとおり、輸送研究者は特にこのアプローチに惹かれています。それには正当な理由があるようです。 2012 年の論文で、テキサス A&M 大学の土木技術者は、アリのコロニーの最適化が、交通工学の一般的な問題に対する「遺伝的アルゴリズム」アプローチに対抗できるかどうかを確認したいと考えていました。 「過飽和」レベル。
遺伝的アルゴリズムは、その名前が示すように、自然選択のプロセスを模倣しています。生物を環境に適応させる際に進化が行うように、反復プロセスで潜在的な解決策 (この場合は信号機の調整) を変更することによって、問題に対する最善の解決策を「検索」します。
「モデル実行」の数が増えるにつれて、ACO は遺伝的アルゴリズムを上回り始めました。著者が指摘したように、「これは、ACO が、収束に到達するために多数のシミュレーションを必要とする、より複雑な現実世界の交通状況をより適切に処理できることを示唆しています。」 (もちろん、アリのコロニーの最適化は、「現実世界」の交通とはあらゆる点で異なります。たとえば、ドライバーには目的地があらかじめ決められていますが、アリには目的地がありません。そのため、ACO をより多くしようとするために、さまざまな改良が行われてきました。まあ、人間）。 「これは、同じ計算能力でより優れた解が特定されることを示しています。特に、可能な限り最良の解を探索するための計算時間が与えられている場合、ACO は問題を解決するための優れた代替手段である可能性があります。非常に複雑なネットワークです。」
アリが非常にうまく機能しているように見える理由の 1 つは、これらの進化した行動アルゴリズムを厳格に利己的ではなく順守しているからです。 4 月に発表された興味深い実験では、2 つの出口がある部屋にアリを入れました。アリが非常に嫌うシトロネラ油をさまざまな割合でチャンバーに加え（「苦しみを最小限に抑えるためにあらゆる努力が払われました」）、科学者はアリがチャンバーからどのように出るかを追跡しました.比較のために、コンピューター シミュレーションを実行して、人間がどのように脱出したかを確認しました (歩行者の行動に関する Dirk Helbing の「ソーシャル フォース モデル」を使用)。研究者が指摘したように、「ソーシャル フォース モデルの予測とアリの行動との違いは顕著です」。人間がすぐに出口に向かい、ジャミングを始めた場所では、「アリはエリアの大部分に広がり」、より広いエリアを利用しました（攻撃的なシトロネラに最も近いエリアを除く）。一種の「遅いほど速い」効果で、前もって慎重に準備を整えることで、出口の詰まりを回避しました。
大規模なネットワークを犠牲にして、人間が「利己的なルーティング」戦略を追求するこの傾向は、トラフィックで長い間指摘されてきました。英国の数学者で輸送研究者のジョン・グレン・ウォードロップが有名な「ウォードロップ均衡」で最初に明確に述べたように、個々のドライバーに最適なもの (「ユーザー均衡」) は、交通全体に最適なもの (「システム均衡」) であるとは限りません。 ）。たとえば、匿名化された携帯電話のデータを使用したボストン地域の研究では、マサチューセッツ工科大学のチームは、通勤元の地理的にターゲットを絞ったセクションからの旅行のわずか 1% をキャンセルするだけで、すべてのコストが削減されることを発見しました。 ドライバーの出張は 18% 減少しました。
果てしなく協力的で真社会的なアリは、このような大規模なネットワークの非効率性を放置することはありません。人間の通勤者の 1 つの非常に小さなセクターが交通に与える影響の大きさは、私たちの輸送ネットワークの明らかな弱点を示しています。ボストンの通勤者の 1% が車を運転しないように、または経路を変更するように、それ以外の人は通常どおり通勤していると誰が言うでしょうか?
Tom Vanderbilt は、デザイン、テクノロジー、科学、文化などについて書いています。 Twitter で彼をフォロー @トムヴァンダービルト .
視聴:情報が目的論を物理学に忍び込ませているかどうかについて、理論計算機科学者の Scott Aaronson が語っています。
この古典的な Facts So Romantic の投稿は、もともと 2016 年 6 月に公開されたものです。
