组织行为演化的多主体模型
时振涛1, 2,曾建潮2
(1. 兰州理工大学 电信工程学院,甘肃 兰州,730050;
2. 太原科技大学 复杂系统与计算智能实验室,山西 太原,030024)
摘要:利用人工社会的思想,以组织行为学为理论背景,结合复杂系统理论,运用多主体建模的方法描述社会组织行为的演化,并从建模思路、主体行为描述和算法三方面阐述和分析组织行为演化仿真模型,给出研究组织行为演化问题的计算模型局部细节和实现方法。通过对仿真结果进行分析,得到组织中的微观主体的交互行为影响组织行为的方式,从而可进一步研究复杂现象背后的基本机制。
关键词:人工社会;多主体模型;组织行为学;复杂系统理论
中图分类号:G201 文献标志码:A 文章编号:1672-7207(2011)S1-0853-06
Multi-agent model of organizational behavior evolution
SHI Zhen-tao1, 2, ZENG Jian-chao2
(1. College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, China;
2. Complex System and Computational Intelligence Laboratory, Taiyuan University of Science and Technology,
Taiyuan 030024, China)
Abstract: Based on the organizational behavior theory and the complex system theory, by applying the multi-agent modeling, a social organizational behavior evolution model was built. Firstly, the modeling thought was discussed. Then, the behavior rules between agents and some related algorithms were described in detail, and the local details and implementation methods of the organization behavior evolution calculation model were shown. Finally, through analyzing the simulation results, the interactions among the microcosmic agents affecting the organizational behaviors were illustrated, which contributes to the research on the basic mechanism underlying the complex phenomena.
Key words: artificial societies; multi-agent model; organizational behavior; complex system theory
复杂性科学从20世纪末兴起,在不到30年的时间里,已经成为整个科学体系的前沿,有人称其为21世纪的科学[1-2], 而且在各个领域得到了广泛的应用,由此而产生了人工生命、细胞自动机、复杂网络等子学科。人工社会是把复杂性科学方法应用在社会科学领域中的一门子学科,它是一种研究社会科学的新方法。目前,人工社会还没有形成一个完善的理论体系,但经过短短几十年的发展,其方法已经广泛地应用于经济学、社会学、组织理论等广阔的社会科学领域,并成为社会科学研究的一种重要方法[3]。人工社会方法主要有两个特点:首先是由下而上通过个体局部行为的不同微观模型产生社会的整体宏观规律,其次是“涌现”方法被作为揭示和分析社会模式和结构生成与发展的主要手段[4]。它采用复杂系统中的自下而上的主动综合型建模方法,研究社会结构和群体行为如何在个体间的相互作用中发展起来,结合人工智能技术、多Agent技术、计算机仿真技术、社会科学等多门学科,它开辟了一条认识社会、理解社会的新路[4]。
本文利用人工社会的思想,运用多主体建模的方法提出一种社会组织行为演化的多主体模型。描述了组织行为演化的计算模型局部细节和实现方法,分析组织系统中各个Agent的交互行为是如何影响群体行为的,以便进一步研究复杂现象背后的基本机制以及个体行为影响群体行为等问题。
1 人工社会方法和组织行为的演化
社会组织系统是一个复杂的适应系统,有许多不同的行为个体——人在利益的驱动下生活在同一个环境中。社会组织系统的演化过程是一个复杂的过程,其组织结构、组织系统中成员之间的关系以及组织所处的环境变化都有其自身的复杂性和特殊性[5]。首先,它是由大量的行为个体组成的,组成元素比较多;其次,这些个体之间的关系比较复杂,彼此之间相互作用;第三,这些行为个体都具有适应性,能根据环境的改变而不断变化。正是这些复杂性和特殊性导致社会组织产生这样或那样的结构和行为。但在复杂行为的背后是否隐藏着基本的运行机制?在社会组织演化的过程中起定性的因素是什么?能否通过对这些因素的分析来改变组织的状态?这些问题很难用传统的统计方法和数值计算模型来进行分析,也不可能单凭计算机模拟精确无误地预测社会组织的未来,更不可能在现实社会中进行实验。
人工社会方法是自下而上的综合集成方法[4]。通过观察现实的复杂系统,抽象出每个个体所遵循的简单规则,在计算机中模拟这些行为个体,让它们在计算机中按照固定的规则相互作用,研究人员观察这些个体在计算机中所表现出来的涌现属性和行为,最后反过来用这些结果来反映现实系统[2]。Robert Axelrod把这种方法看作是研究社会科学的第3种方法,不同于传统的演绎和归纳方法[6]。这种方法有助于研究社会系统复杂现象背后的基本机制、人的行为对系统演化的影响等问题。Epstein和Axtell按照人工社会的思想构造了一个“Sugarscape”,为利用代理方法探讨和分析社会问题和现象提供了一个较为完整的范例[7]。
本文正是依据人工社会方法的基本思想,以组织行为学理论为理论背景,结合复杂系统的理论和方法,针对社会组织行为进行研究。社会组织行为的研究主要包括团队的形成、文化的传播等[8] 。我们不可能考虑到所有的内容,故选择组织中的群体行为作为切入点来研究社会组织行为,主要包括组织的产生、成长、繁荣及最终的衰落等。本文运用多主体建模的方法提出一种组织行为演化的多主体模型,并从建模思路、主体行为描述和算法3个方面阐述和分析了组织行为演化仿真模型,以便找出复杂系统中宏观层次上的规律性以及与微观层次上的个体行为的关联性,进而得到社会学启示。
2 组织行为演化的多主体模型
2.1 组织行为演化的多主体模型
同其他人工社会模型一样,组织行为演化的多主体模型采用自下而上的研究路线,从微观个体的局部活动及其演变出发,制定相应的规则库,让许多主体之间相互作用并“涌现”出社会组织中群体的复杂行为。其具体实现过程为:首先,观察社会组织系统中的实体并抽取出一系列的组织行为;然后,分析和确定微观行为个体和资源的结构,以及个体Agent之间、环境中的资源之间、个体与资源之间的相互作用规则,建立行为规则库,即IF/THEN规则集合,在此过程中,还可重新修改行为个体与资源的结构;最后,建立基于多主体的社会组织群体行为模型,并根据该模型进行仿真实验,观察建立的组织群体行为模型所涌现出的复杂现象。
在社会组织系统中,人是组织的必要组成部分,组织与环境则是一种嵌入式关系,这种关系使得组织对环境具有很强的依赖性。因此,组织行为的演化模型主要由3部分组成,即构成组织的行为个体、组织赖以生存的环境和行为规则。行为个体即组织系统中的“人”,具有自己的属性状态和行为规则,可以和其他行为个体、资源个体进行信息交流;环境是行为个体和社会组织赖以生存的空间,用网格(lattice)表示,个体与其所需要的资源都位于其网格节点上;最后,规则是组织系统中行为个体之间、行为个体与环境之间、行为个体与资源之间、资源之间进行交互活动的准则。
个体和组织赖以生存的环境是一个由网格构成的虚拟空间。网格空间中分布着各种资源,表示满足个体的需求资源,从马斯洛的需求层次[8]来分析,环境中最开始具有生理需求的资源和安全需求的资源,个体出生时也只有这两种需求,随着需求被满足的程度以及个体需求的增加,逐渐会产生新的需求,进而影响环境中的需求资源的变化;反过来,环境中需求资源的变化也会导致个体需求的改变,产生新的需求。即:
(行为、个体需求和环境资源会导致个体需求及环境资源的变化)。
从理论上来讲,行为个体会因为环境中需求的不同而涌现出多个团体,从而演变成多组织之间的演化过程。从研究方法上来讲,先研究简单的组织的行为,然后再扩展研究组织的复杂行为,以及多组织间的复杂行为。因此,最初实验时,先假设环境中的资源只有一种任务资源。本文以任务为基本单位进行仿真,从任务的完成情况描述个体Agent的行为和组织行为。环境中的资源即代表任务Agent(一种需求,完成任务的需求),组织的形成就是行为个体Agent的相遇和相连。在个体的行为进化中,随着个体Agent完成任务的情况以及其经验值和信任度的变化逐渐形成组织,其规模和结构也逐渐发生改变。
当一个行为个体Agent在虚拟空间行动时,通过探测,可以很快地知道能满足自己需求的任务资源点在哪里,并向其靠近。在活动时,行为个体会认识其他个体Agent,并与其发生联系,这样,行为个体Agent也可通过有关联的Agent获取它所想要的任务信息,并改变自己的移动方向,以最大地满足自己需求的任务作为最终的目标。因此,对外部信息的探查就是外部信息的获取,主要是指当前所处状态的信息获取和有关任务目标信息的获取。
由以上描述,可将个体Agent当前所处状态分为3种:到达任务目标、与个体Agent相遇、以及中间任意位置。如果某个体Agent是在任务目标位置,则Agent完成任务,然后重新确定新的任务目标;如果个体Agent所处位置与其它个体Agent相遇,则调整个体间的角色关系,并决定是否改变个体所在组织;如果个体Agent在中间任意位置,则根据自身获取的任务信息移向任务目标。不管是哪种状态,Agent都会确定自己的任务目标,并向其移动。每次移动后,又会根据新的状态重新确定任务目标。群体行为演化的基本模型如图1所示。
![](/web/fileinfo/upload/magazine/11976/292336/image004.jpg)
图1 组织系统中群体行为演化的
基本模型
Fig.1 Basic model of group behavior evolution of organization system
2.2 主体行为描述及算法
描述组织行为的演化过程主要包括3种行为:个体行为、群体行为、组织行为。群体行为与组织行为都是以个体行为为基础,通过遵循一定的规则,由个体行为逐渐涌现出来的,因此,系统仿真的关键就在于对行为个体Agent的建模,包括如何设计Agent所遵循的规则,这些规则如何体现出Agent的自适应性与智能性,又如何能模拟出现实的组织行为主体。
在虚拟环境中,个体行动的目标主要是为了完成任务,即满足工作需求。为此,个体要考察周围的环境,汲取其他个体的信息,以判断自己下一步的行为。当个体与其他Agent相遇时,会出现信息交互或拒绝等行为。在这些行为规则的引导下,Agent不断调整与其他Agent之间的关系,强化或削弱与他们的作用关系,不断积累自己的经验。为了能清晰的描述Agent模型,我们采用形式化的方式来建立Agent数学模型。可以将行为个体用一个五元组来表示:
![](/web/fileinfo/upload/magazine/11976/292336/image007.gif)
(1) Ω表示探测器从外部环境中所探测到的外部信息,也就是探测到的目标信息集。
(2) Pr是行为个体Agent的属性状态集合,其属性可表示为
![](/web/fileinfo/upload/magazine/11976/292336/image009.gif)
式中:vis代表行为个体Agent的视力范围,假定它能感知到周围八个方向的8个单元内的信息;(x,y)表示个体当前所在位置;dir表示个体下一时刻的移动方向,有8个方向:东、南、西、北、东北、西北、东南和西南。emp代表个体的经验值,其值越高,工作能力越强;con表示个体的信任度,若个体信任度小于某个阈值,就会认为该个体没有信誉,即灭亡;θ表示个体的工作偏好,反映了个体对任务需求的渴求度;e表示个体工作的努力水平,它与θ和组织的规模有关,其值是由组织效益的最大化来确定并计算得到;u表示个体的效益指标,衡量个体在组织中所得到的利益,如果该效益低于个体单独成立一个组织的效益,则该行为个体就会离开当前所在组织;firm表示行为个体目前所属的组织,初始时,每个个体假定自成一个组织;colleague描述与个体有关联的其他个体,初始时,每个个体间都是相互孤立的;Tmax表示当前个体所要完成的目标任务,根据此任务信息来决定个体的移动方向。
(3) П是映射:表示行为个体Agent的一次决策。可以写为:![](/web/fileinfo/upload/magazine/11976/292336/image011.gif)
假设在任意一个时刻t,个体Agent通过探测器得到的外部信息是ωt,而Agent的内部状态,也就是属性集是θt,那么П的作用就是根据时刻t的外部信息集和内部状态θt,调用规则集中匹配的规则Σ,决策输出当前时刻的动作αt,并改变内部状态θt+1,即:
![](/web/fileinfo/upload/magazine/11976/292336/image013.gif)
也就是任意给定一对输入的信息和个体的内部状态,映射П完成一次决策动作,即从可选择的行动集合A中选择一个动作,并修改其内部状态为下一时刻的状态。
(4) 行为规则集Σ:是行为个体在虚拟环境中赖以生存的基础,也是整个系统实现的关键。它主要是定义行为个体Agent的行动规则,并且要尽量简化Agent的行为,使其具有随机性,以便进一步研究简单的个体行为是如何涌现出复杂的群体行为。
(5) 行动结果集A:是具体实现每个Agent所做的具体动作。Agent根据所探测到的信息,从执行系统中选择相应的规则进行匹配,执行完匹配的行为规则后产生行为结果,执行具体的行为动作。这部分主要由效应器来完成。
3 仿真结果分析
本文模型是利用SWARM平台和JAVA语言实现的。根据以上分析的内容,采用的方案如下:首先在虚拟环境中随机分布若干任务资源和行为个体,每一个任务随机分配初始任务量代表任务存在,每个个体也在初始时分配各自的经验值、信任度、工作努力水平和工作偏好等,以代表每个人的能力,并假设为自成一个组织。个体为了满足自己的任务需求寻找任务量最大的任务资源来完成,并且为获取最大的利益,个体可以改变自己的目标和所在组织。
整个系统仿真主要由5部分组成:SingleAgent,Firm,Task,VirtualFirmModelSwarm和VirtualFirm- ObserverSwarm。其中:SingleAgent实现行为个体的标识和具体的行为;Firm实现组织的标识和基本行为;Task是任务资源的定义。VirtualFirmModelSwarm实现行为规则和行动结果。设定任务数量为800,行为个体数量为50,仿真周期到达599时,个体数量达到32,此时环境中的组织数为3。如图2(a)所示。
根据社会组织学和心理学,每个个体无论是加入组织还是退出组织,都是以追求个人的最大利益为目标[8],因此在仿真过程中,组织数目从最开始的彼此独立的50个,随着仿真周期的变化按照线性关系逐渐递减,如图2(b)所示。组织中的人数也随着个体的行为在不断变化(其中,把那些失去信任度的个体假定死亡,意味着没有任何组合需要该个体,并且个体自身也没有自成组织的能力)。图2(c)显示了组织规模的变化情况,有些组织随着人员的增加,逐渐成长、繁荣,有些组织则逐渐衰落,甚至消失。组织规模的变化是受个体的决策影响,而个体的决策又受着组织的整体利益的影响,二者是相互影响的。
经济学中,有总成本曲线和平均成本曲线,这两条曲线都是凹向上的。这两条曲线的交点就意味着最佳规模。在达到这个最佳规模之前,企业的规模越大越好,而在达到最佳规模之后,规模越大越不经济,就是所谓的“规模不经济(Diseconomies of scale)”[9]。这一理论可以在图2(d)看到,首先随着组织规模的增大,组织的整体利益也在增大,此时,组织整体利益与人数成正比,企业的规模越大越好,也就是规模经济。而当组织的发展到达一定规模(人数)后,整体利益又会随着人数的继续增加反而减少,也就是规模不经济。这说明这个规模(即人数)是该组织的最佳规模,当超过最佳规模后,规模的扩大就会直接影响组织的利益和组织中个体的利益,若要想组织的整体利益不随着规模的扩大而缩减,就必须调整内部结构。在这里,实验还暂时没有添加这些内部因素,因此,当出现规模不经济现象后,个体的自身利益会逐渐减少,从而个体就会重新选择新的组织,这也导致组织规模缩 减。
整个仿真过程表明,正是微观个体的这种追逐最大利益的行为,才致使组织的规模和整体利益产生变化,涌现出组织的整体行为。但是当任务资源全部消灭后(仿真周期达到1047时任务全部完成),组织数目及规模的变化逐渐趋于稳定,波动减小,这说明在目前没有任何外部因素干扰的情况下,所有个体都获得了最大的利益。图3(周期为2413时)显示出各个组织的总体利益在组织规模的变化中逐渐趋于稳定,并达到最佳状态,也就是整个虚拟世界达到饱和。
以上的结果分析表明,在社会组织系统的演化过程中,是微观个体的主动性和适应性导致了社会组织的形成、繁荣、衰落等复杂适应系统的现象,也正是行为个体之间的交互行为以及个体与环境之间的相互作用,才涌现出社会组织整体规模和利益的变化,这完全体现了现实社会中主体的自我学习、自我进化、自我繁殖等特点,也完全符合复杂适应系统的思想。
![](/web/fileinfo/upload/magazine/11976/292336/image014.jpg)
图2 系统运行状态图
Fig.2 Running system status
![](/web/fileinfo/upload/magazine/11976/292336/image016.jpg)
图3 趋于稳定的组织规模和利益的变化趋势图
Fig.3 Variation tendency of gradually stable organization scale and benefit
4 结论
在组织行为学、复杂系统与复杂性科学研究成果的基础上,把组织系统当作一个复杂适应系统进行研究,就社会组织行为演化的本质进行了分析,利用人工社会系统思想,结合ECHO模型,以社会组织系统中的群体行为作为切入点,提出了基于人工社会方法的组织行为演化的多主体模型。已有的结果表明采用这一方法研究有关社会组织系统演化方面的问题是很有意义的。
参考文献:
[1] Waldrop, Mitchell M. Complexity: The emerging science at the edge of order and chaos[M]. New York: Simon and Schuster, 1992.
[2] 张江, 李学伟. 人工社会—基于Agent的社会学仿真[J]. 系统工程, 2005, 23(1): 13-20.
ZHANG Jiang, LI Xuewei. Artificial societies—agent based social simulation[J]. Systems Engineering, 2005, 23(1): 13-20.
[3] Lansing J S. ‘Artificial Societies’ and the social sciences[J]. Artificial Life, 2002, 8(3): 279-292.
[4] Gilbert N. Agent-based social simulation: Dealing with complexity[J]. The Complex Systems Network of Excellence, 2004, 9(25): 1-14.
[5] Holland J H. Hidden order: How adaptation builds complexity [M]. Cambridge, Mass: Perseus Books, 1996.
[6] Takahashi S, Rouchier D S. Advancing social simulation: The first world congress[Z]. New York: Springer, 2007.
[7] Epstein J M, Axtell. Growing artificial societies-social science from the bottom up[M]. Washington D.C.: Bookings Institution Press, 1996.
[8] Robbins S P. Essentials of Organizational Behavior, 8/E[M]. New Jersey: Prentice Hall, 2004.
[9] 顾江. 规模经济论[M]. 北京: 中国农业出版社, 2001.
GU Jiang. A study on economy of scale[M]. Beijing: China Agriculture Press, 2001.
(编辑 袁赛前)
收稿日期:2011-04-15;修回日期:2011-06-15
基金项目:国家青年科学基金资助项目(61003053)
通信作者:时振涛(1974-),女,山西原平人,博士研究生,讲师,从事复杂适应性系统的研究;电话:13835190186;E-mail:szthcjw@tom.com