Leseprobe
Gliederung
Abbildungsverzeichnis
1. Einleitung
2. CAS - Komplexe adaptive Systeme
3.0 Selbstorganisation
3.1 Genetischer Algorithmus
3.2 Theorie der neuronalen Gruppenselektion
4. Fazit
Literaturverzeichnis
Abbildungsverzeichnis
Abbildung 1: Eigene Darstellung - Vereinfachte Darstellung der Funktionsweise eines genetischen Algorithmus. - S.10 Vgl. Feindt, P.H.; Bornholdt, S., Komplexe adaptive Systeme - neue Perspektiven in den Natur- und Sozialwissenschaften?; S.14. In: Bornholdt, S.; Feindt, P.H. (Hrsg.): Komplexe adaptive Systeme. Dettelbach : Verlag Dr. J.H.. Röll, 1996, S.9-36.
Abbildung 2: Eigene Darstellung - TNGS Gruppenkonkurrenz. - S.12 Vgl. Evolution und Kategorie. Ein Essay über die Theorie der neuronalen Gruppenselektion.; S.74-78. In: Bornholdt, S.; Feindt, P.H. (Hrsg.): Komplexe adaptive Systeme. Dettelbach : Verlag Dr. J.H.. Röll, 1996, S.71-92.
1. Einleitung
Ausgangspunkt des vorliegenden Papers war der Vortrag über Selbstorganisation und Heterachie in der Vorlesung Organisation und Netzwerk, im Rahmen des Somersemesters 2006, der sich auf den Text von Heinz von Foerster „Prinzipien der Selbstorganisation in sozialen und betriebswirtschaftlichen Bereich“ bezog.
Im Zusammenhang mit Selbstorganisation als strukturbildenden Prozess nimmt von Foerster bezug auf den Begriff der Polystabilität, der von Ross Ashby bezüglich der Ergebnisse eines Experimentes (tausend Nichttriviale Maschinen wurden zusammengeschaltet - nachfolgend NTM) eingeführt wurde. Polystabilität umschreibt das osszilierende Annähern, des aus NTM bestehenden Systemes an den Endwert. Das System weißt somit bereits vor erreichen des Endzustandes zu großen Teilen die Eigenschaften auf, die das System am Ende im geordneten (sprich organisierten Zustand) aufweißt.1
Dieser faszinierende Prozess der Ordnungsbildung führte beim Autor zur Fragestellung, welche Theorien aktuell zur Struktubildung innerhalb von Systemen existieren. Im Rahmen erster Recherchen erwies sich der Bereich der Forschung zu komplexen adaptiven Systemen als interesanter Themenbereich. Die nachfolgenden Arbeit wird daher zunächst näher erschließen, was unter komplexen adaptiven Systemen zu verstehen ist um darauf hin auf zwei damit verbundenen Konzepten zur Selbstorganisation einzugehen. Schließlich wird in der Schlussbetrachtung auf die Nutzbarkeit der vorgestellten Ansätze zur Betrachtung von Organisationen und Netzwerken eingegangen.
2. CAS - Komplexe adaptive Systeme
Die Forschungen zu komplexen adaptiven Systemen (nachfolgend CAS für complex adaptive systems) begannen in größerem Umfang in den 80er Jahren mit der Gründung des Santa Fe Institutes.2 Ziel der Gründung des Institutes war es mittels interdisziplinärer Forschung allgemeingültige Theorien zu entwickeln, die das Verhalten und die Entwicklung komplexer adaptiver Systeme erklären sollten.3 Es finden sich keine klar übereinstimmenden Definitionen komplexer adaptiver Systeme, vielmehr gibt es deren zahlreiche, die teilweise unterschiedliche Bereiche behandeln und sich somit teilweise ergänzen, bezogen auf die Kernaussagen aber zumindest nicht widersprechen.
Eine sehr simple Definition der Theorie komplexer adaptiver Systeme beschreibt diese als: „Macroscopic collections of simple (and typically nonlinearly) interacting units that are endowed with the ability to evolve and adapt to a changing environment.”4
Kevin Dooley, Experte für die Anwendung der CAS auf Organisationen und ehemals Präsident der „Society for Chaos Theory in Psychology and the Life Sciences“5 hat versucht die Kernaspekte der Definitionen von Gell-Mann (1994), Holland (1995), Jantsch (1980), Maturna und Varela (1992) und Prigogine und Stengers (1984) in einer Definition zusammenzufügen, zentrale Element dieser Definition werden nachfolgend aufgeführt.
Dooley führt innerhalb seiner Definition folgende drei Eigenschaften auf, nach denen sich ein komplexes adaptives System verhält:
1. Ordnung ist nicht prädeterminiert, sondern kristallisiert sich heraus,
2. der Verlauf der Systementwicklung ist irreversibel und schließlich
3. die zukünftige Entwicklung des Systems ist üblicherweise unvorhersagbar.6 Das Verhalten eines CAS entspricht somit in großen Teilen dem, was durch Heinz von Foerster als Eigenschaften der Nicht-trivialen Maschine zugeschrieben wurde.7
Die Bestandteile eines CAS werden häufig als Agenten oder als Akteure bezeichnet. Diese Agenten sind semi-autonome Bestandteile des Systems. Agenten nehmen Informationen aus der Umwelt auf und leiten aus diesen Verhaltensweisen ab, die der Steigerung der eigenen Fitness (Fitness im Sinne einer das Überleben sichernden Anpassung auf gegebenen Rahmenfaktoren) dienen sollen. Innerhalb des Systems existieren zahlreiche Agenten mit verschiedensten Verhaltensweisen, die laut Dooley miteinander in Konkurrenz stehen.8 Hervorzuheben ist, dass die Konkurrenz der verschiedenen Verhaltensweisen nicht gleichbedeutend damit ist, dass alle Agenten innerhalb eines Systems konkurrieren. Die Verhaltensweisen können durchaus auch Kooperatives Verhalten einiger Agenten untereinander beinhalten.9
Dooley unterscheidet folgende drei Arten des Wandels der Verhaltensschemata:
1. Ein Wandel erster Ordnung findet statt, wenn eine Anpassung aufgrund einer gemachten Beobachtung erfolgt.
2. Ein Wandel zweiter Ordnung findet statt, wenn eine zielgerichtete Änderung der Verhaltensweise erfolgt, um Ergebnissen einer erfolgten Beobachtung besser zu entsprechen.
3. Ein Wandel dritter Ordnung findet statt, wenn sich der Agent aufgrund seines Verhaltens gegenüber anderen durchsetzt, diese sterben, er aber überlebt (oder umgekehrt) oder aber das gesamte System stirbt.
Verhaltensweisen verändern sich nach Dooley entweder durch zufällige oder zielgerichtete Mutation und oder durch Kombination verschiedener Verhaltensweisen. Aus den Verhaltensweisen der einzelnen Agenten innerhalb des Systems emergiert das Systemverhalten. Für das weiterbestehen des Systemes ist temporär zunächst lediglich die emergierte Systemfitness entscheidend. Betrachtet man die Darstellung Dooleys wird deutlich, dass Agenten aufgrund ihrer „persönlichen“ Fitness in einem „fitten“ System überleben können, obwohl sie zum aktuellen Zeitpunkt durch ihr Verhalten nicht zur Fitness des Systems beisteuern, also ihr Verhalten keinen „Anteil“ an dem emergierten, das Systemüberleben sichernden Verhalten hat. Durch diese Eigenschaft besteht für das System die Möglichkeit künftigen, unkalkulierbaren Anforderungen entsprechen zu können. Diese Anpassungsfähigkeit ensteht, indem innerhalb des Systems eine Varianz an Agenten-Verhalten existiert, aus der alternatives System- Verhalten emergieren kann.10
Bei der Betrachtung von Dooleys Definition wird einem die Nähe der CAS-Forschung zu den Ansätzen der Kybernetiker und der Systemtheoretiker deutlich, in der Literatur wird darauf hingewiesen, dass sich die CAS-Forschung jedoch durch den massiven Einsatz von Computermodellen und Simulationen differenziert.11 Dieser Umstand ist nach Meinung des Autors, in Bezug auf die Kybernetiker (Versuche Ashbys, Wieners, BCL) eher durch den technischen Fortschritt, den durch die Art der Annäherung an den Untersuchungsgegenstand verursacht (wenn auch eventuell nicht in dem massiven Ausmass).
3.0 Selbstorganisation
Bevor nun auf verschiedene Modelle zur Selbstorganisation eingegangen wird, soll zunächst geklärt werden, was unter dem Begriff der Selbstorganisation zu verstehen ist.
Nach von Foerster findet Selbstorganisation innerhalb eines Systems durch das System und somit ohne die Steuerungsleistung einer äußeren Kraft statt,12 wobei jedoch eine äußere Kraft sehr wohl der Impuls für die Reorganisation des Systems sein kann, insbesondere wenn dieser Impulse zur weiteren Ordnung des Systems dienlich ist (order from noise).13 Hervorzuheben ist, dass Selbstorganisation innerhalb eines Systems auch ohne Wirken einer äußeren Kraft stattfindet.14
Ross Ashby schreibt in seinem Werk Principles of the Self-Organizing System, dass Systeme sich in der Regel in die Richtung eines Gleichgewichtzustandes bewegen. Bei dieser Bewegung vom Zustand des Ungleichgewichtes hin zum Zustand des Gleichgewichtes verringert sich, die Anzahl der möglichen Zustände des Systems. Für Ashby findet hierbei durch das Verändern des Zustandes durch das System eine unveränderlichen Regeln unterliegenden Selektion statt.15 Diesen unveränderlichen Regeln unterliegend reorganisiert sich die Struktur des Systems.
Betrachtet man die heutige Vorstellung der Selbstorganisation findet man zwar einige Ansätze wieder, doch wird insbesondere das Anstreben oder das Auftreten eines Gleichgewichtszustandes angezweifelt. An Stelle des Gleichgewichtes tritt der stabile Zustandes eines Systems, der auch weit entfernt vom Gleichgewicht durch „dynamische Prozesse der Ordnungsentstehung“16 auftreten kann. Die Selbstorganisationsforschung bezieht sich in diesem Zusammenhang auf die Prozesse der Ordnungsentstehung und sucht hierbei nach den, von Ashby bereits gedachten unveränderlichen Regeln, denen die Strukturbildung des Systems unterliegen soll.17 Diese unveränderlichen Regeln dienen der Effizienssteigerung und der Anpassungsfähigkeit und somit der Überlebensfähigkeit des Systems.18 Darüber hinaus ermöglichen diese Regeln sehr komplexe Systeme ohne einen ebenso komplexen „Bauplan“ zu schaffen, als konkretes Beispiel sei hier das menschliche Gehirn mit seinen verknüpften Nervenzellen genannt.19 Gerade in dem Zusammenhang mit den Verknüpfungen der Nervenzellen im Gehirn wird deutlich, dass man dieses System mit allen seinen möglicherweise entstehenden, weil aufgrund spezifischer Situationen notwendigen Verknüpfungen, nicht mittels eines Bauplanes (Gen) in einer und gar nicht in allen Varianten abbilden kann.
Im Prinzip geht es um die Identifizierung von Regeln, die auf der einen Seite Komplexität reduzieren (Beispielsweise in Bezug auf die Information des Bauplanes), auf der anderen Seite aber gerade Komplexität ermöglichen (in Bezug auf die Ausgestaltung der Struktur des Systems) und im Endeffekt, um möglichst umfassende Adaptionsfähigkeit zu erzeugen, sogar der Komplexität bedürfen (in Bezug auf die innerhalb des Systems vorhandenen Varianten der Systembestandteile). Gerade bei Systemen sehr hoher Komplexität wird somit deutlich, dass es gilt unveränderliche Regeln zu entdecken, die Selbstorganisation so determinieren können, dass zum einen die Komplexität der Information extrem verringert wird, ohne gleichzeitig die Möglichkeit zu nehmen sehr hohe Komplexität eben durch diese Regeln gemäß den nicht determinierten Anforderungen entstehen zu lassen.
Im nachfolgenden werden zwei Ansätze erläutert, die als Modelle dieser unveränderlichen Regeln im Rahmen der CAS-Forschung verwendet werden oder zumindest einzuordnen sind.
3.1 Genetischer Algorithmus
Ein oftmals verwendeter Ansatz um Selbstorganisation in CAS zu erklären ist die der natürlichen Selektion aus dem evolutionstheoretischen Kontext. Je höher die Fitness, also der Fit des Systems auf die durch die Umwelt gesetzten Anforderungen des Überlebens, umso eher ist es fähig weiter zu bestehen. Bezogen auf die einzelnen Bestandteile des Systems bedeutet dies wiederum, dass die Agenten des Systems, die einen für die Fitness des Gesamtsystems relevanten Anteil liefern eher innerhalb des Systems bestehen bleiben. Somit steigt die Wahrscheinlichkeit, dass ihr Verhalten repliziert, kombiniert oder abgewandelt (mutiert) angewendet wird, wohingegen die Teile des Systems die für das Überleben des Systems (aktuell) keine Bedeutung haben eher nicht repliziert werden.20
Aus dieser Grundüberlegung heraus wurde in den 50er und 60er Jahren von Forschern verschiedene Ansätze für eine einfach Regel zur Selbstorganisation von Systemen entwickelt. Diese basierten alle auf der Idee die überlebensfähigsten Teile „überleben“ zu lassen und die Teile mit geringerer Fitness „aussterben“ zu lassen. Die aus den unterschiedlichen Ansätze entwickelten Modelle arbeiteten zum Teil mit Populationen, zum Teil mit Ketten binärer Codes. Auf nachfolgender Grafik (Abb. 1) findet sich eine vereinfachte Darstellung des genetischen Algorithmus (nachfolgend GA), wie er in den 60er Jahren von John Holland beschrieben und seither weiterentwickelt wurde.
[...]
1 Vgl. Heylighen F. (2000).
2 Vgl. Heylighen F. (1996).
3 Vgl. Wikipedia Foundation (2006a).
4 Institut de Recherche en Informatique de Toulouse (2006).
5 Vgl. Arizona State University (2006).
6 Vgl. Dooley, K. (1996).
7 Vgl. Von Foerster, H. (1993), S. 251.
8 Vgl. Dooley, K. (1996).
9 Vgl. Wikipedia Foundation (2006b).
10 Vgl. Dooley, K. (1996).
11 Vgl. Heylighen F. (1996).
12 Vgl. Von Foerster, H. (1993), S. 243.
13 Vgl. Mußmann, F. (1994), S.297.
14 Vgl. Lucas, C. (2005).
15 Vgl. Heylighen F. (1992).
16 Mußmann, F. (1994), S.164.
17 Vgl. Mußmann, F. (1994), S.162-164.
18 Vgl. Kirshbaum, D. (2002).
19 Vgl. Graudenz, D. (1996), S.75.
20 Vgl. Kirshbaum, D. (2002).