⚡ electrical engineering

Welfarist Control Design -- How to fulfill the societal mandate in multi-agent control?

Dit artikel stelt een principieel kader voor het ontwerpen van multi-agent controlesystemen die in lijn zijn met maatschappelijke mandaten door individuele voorkeuren te aggregeren in doelstellingen en feedbackmechanismen te benutten binnen online feedbackoptimalisatie, Markov-beslissingsprocessen en modelvoorspellende regeling om de ethische en efficiënte allocatie van schaarse middelen te waarborgen.

Oorspronkelijke auteurs: Sophie Hall, Kai Zhang, Ilia Shilov, Heinrich H. Nax, Saverio Bolognani

Gepubliceerd 2026-06-24

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sophie Hall, Kai Zhang, Ilia Shilov, Heinrich H. Nax, Saverio Bolognani

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een drukke snelweg voor, een elektriciteitsnet of een watervoorzieningssysteem. In al deze situaties is er een beperkte hulpbron (zoals ruimte, elektriciteit of water) die gedeeld moet worden onder veel verschillende mensen (agenten).

Lange tijd hebben ingenieurs die de systemen ontwerpen die deze hulpbronnen beheren, voornamelijk de vuistregels van de industrie gevolgd. Ze vragen zich af: "Hoe maken we dit snel en goedkoop?" Maar ze stellen vaak een cruciale vraag over het hoofd: "Hoe maken we dit eerlijk?"

Dit artikel betoogt dat naarmate we onze wereld meer automatiseren, ingenieurs een nieuwe, principiële manier nodig hebben om te beslissen hoe ze deze schaarse hulpbronnen verdelen. Ze noemen dit "Welfaristische Controleontwerp" (Welfarist Control Design).

Hier is de uiteenzetting van hun idee, met behulp van eenvoudige analogieën:

1. Het Probleem: De "Black Box" van Rechtvaardigheid

Stel je een verkeerslichtregelaar voor. Deze beslist wie mag rijden en wie moet wachten.

De oude manier: De ingenieur stelt het zo in dat er zoveel mogelijk auto's per minuut doorheen gaan (Efficiëntie).
Het probleem: Dit kan betekenen dat een bus vol met 50 mensen eeuwig moet wachten, terwijl een enkele auto er razendsnel doorheen zoeft. Of het kan betekenen dat een ambulance naar het ziekenhuis vaststaat achter een vrachtwagen.
Het punt van het artikel: Ingenieurs nemen nu automatisch "maatschappelijke beslissingen". Ze hebben een duidelijk recept nodig voor wat "eerlijk" betekent, in plaats van alleen maar te gokken of oude gewoonten te volgen.

2. Het Recept: De "Welfaristische" Aanpak

De auteurs stellen een driestapsrecept voor om het vage idee van "rechtvaardigheid" om te zetten in een wiskundig probleem dat een computer kan oplossen.

Stap 1: Luister naar iedereen (Voorkeuren)
Eerst moet je weten hoeveel iedereen "lijdt" of "profiteert" van een specifieke uitkomst.

Analogie: Als je een pizza snijdt, moet je weten wie uitgehongerd is, wie gewoon honger heeft en wie op een dieet zit. Je wijst een "kost" toe aan elke snee voor elke persoon.

Stap 2: Beslis wat je kunt vergelijken (De "Vergelijkbaarheidsregel")
Dit is het meest cruciale deel. Je moet beslissen hoeveel je vertrouwt in je vermogen om het lijden van mensen met elkaar te vergelijken. Het artikel schetst vier niveaus van vertrouwen:

Niveau 1 (De "Wie is het slechtst af?"-regel): Je weet alleen wie het een slechte dag heeft, maar je weet niet hoeveel slechter.
- Analogie: Je weet dat Persoon A uitgehongerd is en Persoon B heeft gewoon honger. Je weet niet of Persoon A "twee keer zo hongerig" is. Dus je probeert er simpelweg voor te zorgen dat de meest uitgehongerde persoon als eerste te eten krijgt. (Dit wordt Maximin of Rawlsiaanse rechtvaardigheid genoemd).
Niveau 2 (De "Proportionele" regel): Je weet dat mensen verschillende schalen hebben, maar je kunt ze niet direct met elkaar vergelijken.
- Analogie: Persoon A verliest \ $10 en Persoon B verliest \$ 10, maar misschien is $10 voor Persoon A een maaltijd, en voor Persoon B een cent. Je besluit beiden op hetzelfde percentage van hun budget te korten. (Dit is Nash-rechtvaardigheid).
Niveau 3 (De "Gelijke Dollar"-regel): Je kunt het verschil in kosten vergelijken, maar niet het totale bedrag.
- Analogie: Je weet dat het besparen van \ $10 voor Persoon A net zo goed is als het besparen van \$ 10 voor Persoon B, zelfs als Persoon A rijk is en Persoon B arm. Je telt alle besparingen bij elkaar op en maximaliseert het totaal. (Dit is Utilitaristische rechtvaardigheid).
Niveau 4 (De "Volledige Kennis"-regel): Je kunt alles perfect met elkaar vergelijken.
- Analogie: Je weet precies wat elke dollar betekent voor iedereen. Je kunt efficiëntie en gelijkheid perfect in balans brengen.

Stap 3: Los de puzzel op
Zodra je je "Niveau van Vertrouwen" (Stap 2) hebt gekozen, krijg je een specifieke wiskundige formule. Je voert vervolgens je gegevens in (Stap 1) en laat de computer de beste oplossing vinden.

3. De Superkracht: Feedbackloops

Het artikel benadrukt dat controlesystemen speciaal zijn omdat ze dynamisch zijn. Ze nemen niet slechts één beslissing; ze nemen herhaaldelijk beslissingen, observeren wat er gebeurt en passen zich aan.

De Analogie: Stel je een dirigent voor die een orkest leidt.
- Statische Sociale Keuze (Oude Theorie): De dirigent schrijft de bladmuziek één keer en hoopt dat het goed klinkt.
- Welfaristische Controle (Nieuwe Theorie): De dirigent luistert naar de muziek terwijl deze speelt. Als de violen te hard zijn (oneerlijk), zwaait hij met de stok om ze zachter te zetten. Als de drums te zacht zijn, brengt hij ze juist harder.
Waarom dit belangrijk is: Omdat het systeem de resultaten blijft controleren, kan het fouten herstellen. Als een storm (een externe factor) een stroomstoring in één buurt veroorzaakt, kan het systeem automatisch de stroom verschuiven om de belasting te balanceren, zodat niemand te lang in het donker zit.

4. Praktijkvoorbeelden uit het artikel

De auteurs laten zien hoe dit werkt in drie specifieke gebieden:

Internetdata (Bandbreedte):
- Scenario: Een server stuurt video naar drie mensen.
- Utilitaristische aanpak: Geef alle snelheid aan de persoon met de beste verbinding. (Snelste totale video, maar de anderen krijgen niets).
- Maximin-aanpak: Geef iedereen net genoeg snelheid zodat de persoon met de slechtste verbinding een kijkbare video heeft, zelfs als dat betekent dat de kwaliteit voor de anderen lager is.
- Nash-aanpak: Verdeel de snelheid zodanig dat niemand meer kan krijgen zonder iemand anders proportioneel te benadelen.
Openbaar Vervoer (De Busplanning):
- Scenario: Een stad heeft extra bussen. Moet ze de bussen naar het drukke stadscentrum sturen of naar de rustige buitenwijken?
- Inzicht van het artikel: Afhankelijk van welke "rechtvaardigheidsregel" je kiest, verandert het antwoord.
  - Als je de gemiddelde dag wilt verbeteren, stuur je bussen naar het centrum.
  - Als je wilt dat elke dag eerlijk is, stuur je misschien bussen naar de buitenwijken om de drukte in de stad te compenseren.
  - Als je de geleden onrechtvaardigheid wilt herstellen, stuur je vandaag misschien bussen naar de buitenwijk omdat ze gisteren zijn genegeerd.
Elektriciteitsnetwerken (De Energierekening):
- Scenario: Een buurt heeft een limiet op het stroomverbruik. Wie mag zijn airconditioning gebruiken?
- Inzicht van het artikel: Als je een "Totale Kosten"-regel gebruikt, krijgen de rijke huizen misschien alle stroom omdat ze het kunnen betalen. Als je een "Maximin"-regel gebruikt, schakelt het systeem misschien eerst de stroom bij de rijke huizen uit om ervoor te zorgen dat de arme huizen koel blijven.

De Kernboodschap

Het artikel beweert niet dat het een toverstaf heeft die alle ongelijkheid oplost. In plaats daarvan biedt het een gereedschapskist.

Het zegt tegen ingenieurs: "Gok niet simpelweg wat 'eerlijk' betekent. Kies expliciet een regel (zoals 'help degenen die het slechtst af zijn' of 'maximaliseer het totale geluk'), leg uit waarom je die regel hebt gekozen, en gebruik dan de feedbackloop van je controlesysteem om ervoor te zorgen dat die regel in realtime wordt nageleefd."

Door dit te doen, kunnen we geautomatiseerde systemen bouwen die niet alleen efficiënt werken, maar ook op een manier die de samenleving kan begrijpen, vertrouwen en accepteren.

Technische Samenvatting: Welfaristische Controleontwerp

Probleemstelling

Moderne socio-technische systemen vertrouwen steeds vaker op geautomatiseerde regeling voor de allocatie van schaarse middelen (bijv. energie, bandbreedte, water, transitcapaciteit) onder heterogene agenten. Hoewel regeltechnici worden belast met het nemen van beslissende aannames over maatschappelijke doelen, worden huidige ontwerpkeuzes vaak gedreven door industriële normen of ad hoc doelstellingen in plaats van door gefundeerde ethische kaders. Een centrale uitdaging is de "grote afruil" tussen efficiëntie en rechtvaardigheid: hoe aggregeert men de voorkeuren van individuele agenten tot een collectieve beslissing die een maatschappelijke opdracht (bijv. gelijkheid, duurzaamheid, veiligheid) bevredigt zonder te vervallen in de valkuilen van ongedefinieerde rechtvaardigheidsmetrieken of Pareto-gedomineerde uitkomsten.

Het artikel betoogt dat hoewel de sociale keuzetheorie (social choice theory) al lang de aggregatieproblemen aanpakt, de resultaten ervan grotendeels abstract zijn gebleven en losstaan van de real-time, dynamische en onzekere aard van controlesystemen. Het kernproblein is het overbruggen van de kloof tussen de axiomatische fundamenten van de welvaartseconomie en de operationele vereisten van dynamische systeemregeling.

Methodologie

Het artikel stelt een Welfaristisch Controleontwerp-framework voor dat de sociale keuzetheorie integreert met de regeltechniek. De methodologie verloopt in drie hoofdfasen:

1. De Welfaristische Ontwerppijplijn

De auteurs formaliseren een ontwerpprocedure gebaseerd op Welfarisme, een standpunt waarbij maatschappelijke beslissingen uitsluitend afhangen van het individuele welzijn (kosten of nut) van agenten.

Formalisering: Agenten $i \in \mathcal{N}$ evalueren uitkomsten $x$ via individuele kostenfuncties $J_i(x)$ . Een Sociale Kostenfunctionaal (SCFL) rangschikt uitkomsten op basis van het kostenprofiel $J = (J_1, \dots, J_n)$ .
Axiomatische Fundering: Het ontwerp rust op drie kernaxioma's om een rationele sociale rangschikking te waarborgen:
- Pareto-principe (P): Als alle agenten uitkomst $x$ verkiezen boven $y$ , moet de samenleving $x$ verkiezen boven $y$ .
- Onafhankelijkheid van Irrelevante Alternatieven (IIA): De rangschikking van twee uitkomsten hangt alleen af van de evaluaties van de agenten voor die twee specifieke uitkomsten, wat manipulatie via irrelevante opties voorkomt.
- Paarsgewijze Continuïteit (PC): Kleine verstoringen in kosten mogen niet leiden tot abrupte omkeringen in de sociale rangschikking.
Het Welfarisme-theorema: Onder deze axioma's kan elke sociale rangschikking worden gerepresenteerd door een continue Sociale Kostenfunctie (SCF), $C(J(x))$ , die individuele kosten aggregeert.
Interpersoonlijke Vergelijkbaarheid: De specifieke vorm van de SCF wordt bepaald door het niveau van beschikbare informatie met betrekking tot vergelijkingen tussen agenten:
- Ordinale Niveau Vergelijkbaarheid (OLC): Alleen ordinale rangschikkingen zijn bekend. Toelaatbare SCF: Maximin (Rawlsiaans), $C = \max_i J_i(x)$ .
- Cardinale Niet-Vergelijkbaarheid (CNC): Kosten zijn cardinaal, maar de schalen zijn onbekend. Toelaatbare SCF: Nash-onderhandeling oplossing.
- Cardinale Eenheid Vergelijkbaarheid (CUC): Kostenverschillen zijn vergelijkbaar op een gemeenschappelijke schaal. Toelaatbare SCF: Gewogen Utilitaristisch, $C = \sum c_i J_i(x)$ .
- Cardinale Volledige Vergelijkbaarheid (CFC): Zowel niveaus als verschillen zijn vergelijkbaar. Toelaatbare SCF: Utilitaristisch plus een functie van afwijkingen van het gemiddelde.

2. Dynamische Welfaristische Regeling

Het artikel breidt deze statische concepten uit naar dynamische settings waar beslissingen herhaald worden, uitkomsten worden beïnvloed door exogene verstoringen, en feedback beschikbaar is. Drie regelmethodologieën worden aangepast:

Welfaristische Feedbackoptimalisatie:
- Wordt gebruikt voor systemen met snelle transiënten waar de steady-state kaart $x = h(u, w)$ stabiel is.
- De controller werkt beslissingen $u$ iteratief bij met behulp van geprojecteerde gradiëntafdaling op de SCF $C(J(x))$ .
- Cruciaal is dat de gradiënt wordt berekend via de kettingregel met behulp van gemeten uitkomsten $x$ en sensitiviteit $\nabla_u h$ , waardoor het systeem de welfaristische optima kan volgen zonder de verstoring $w$ te kennen.
- Voorbeeld: Data-netwerk nutmaximalisatie waarbij verschillende SCF's (Utilitaristisch vs. Nash vs. Maximin) leiden tot verschillende vermogensallocatiestrategieën onder invloed van kanaalvervaging.
Welfaristische Regeling van Markov-beslissingsprocessen (MDP's):
- Adresseert stochastische dynamiek en onzekerheid.
- Het artikel identificeert vier verschillende welfare-criteria gebaseerd op de volgorde van aggregatie-operatoren (Som $\sum$ $\sum$ , Sociale Kosten $C$ $C$ , Verwachting $E$ $E$ ):
  1. SCE: Som van verwachte stadiumkosten (Ex-ante, stadium-gewijs).
  2. SEC: Verwachte som van stadiumkosten (Ex-post, stadium-gewijs).
  3. CES: Sociale kosten van de verwachte totale sequentie (Ex-ante, sequentie-gewijs).
  4. ECS: Verwachte sociale kosten van de totale sequentie (Ex-post, sequentie-gewijs).
- Kerninzicht: SEC en SCE kunnen worden opgelost via standaard Markoviaanse policies en lineaire programmering. ECS, dat de gerealiseerde sequenties volgt om het verleden te compenseren, vereist niet-Markoviaanse policies (of staat-augmentatie met geaccumuleerde kosten) om rechtvaardigheid over de gerealiseerde trajectorie te waarborgen.
- Voorbeeld: Publieke transit busallocatie waarbij verschillende criteria verschillende strategieën opleveren voor het omgaan met de onzekerheid in vraag tussen stedelijke en suburbane zones.
Welfaristische Model Voorspellende Regeling (MPC):
- Integreert restricties en voorspellingen over een rollend horizon.
- Twee objectontwerpen worden voorgesteld:
  1. Het volgen van een Welfaristische Steady State: Het minimaliseren van de afstand tot een vooraf berekende optimale steady state $(\bar{x}, \bar{u})$ .
  2. Welfarisme op Elk Tijdstip: Het minimaliseren van $\sum C(J(x_t, u_t))$ , wat rechtvaardigheid op elk stap garandeert.
  3. Welfarisme Over Tijd: Het minimaliseren van $C(\sum J(x_t, u_t))$ , wat afruilen toestaat waarbij een agent nu lijdt om later gecompenseerd te worden.
- Voorbeeld: Residentieel energiebeheer waarbij restricties (lijnlimieten) agenten heterogeen beïnvloeden. De keuze van de SCF (bijv. Maximin vs. Utilitaristisch) verandert drastisch hoe de last van de restricties wordt verdeeld.

Belangrijkste Bijdragen

Gefundeerde Ontwerppijplijn: Het artikel biedt een rigoureus recept voor regeltechnici om van "ad hoc" rechtvaardigheidsmetrieken over te gaan naar axiomatische sociale kostenfuncties, waarbij de keuze van de SCF expliciet wordt gekoppeld aan het beschikbare informatie-niveau (vergelijkbaarheid).
Dynamische Integratie: Het vertaalt succesvol statische sociale keuzestellingen naar dynamische regelkaders (Feedback Optimalisatie, MDP's, MPC), en demonstreert hoe feedbackloops kunnen worden gebruikt om allocaties over de tijd te certificeren en te corrigeren.
Onderscheid van Criteria: Het verheldert de cruciale verschillen tussen ex-ante (verwachte) en ex-post (gerealiseerde) rechtvaardigheid, en tussen stadium-gewijze en sequentie-gewijze aggregatie, en laat zien hoe deze keuzes de controle-policies en uitkomsten fundamenteel veranderen.
Stabiliteit en Garanties: Het artikel bespreekt theoretische garanties voor closed-loop stabiliteit (via dissipativiteit) en gemiddelde prestaties, waarbij wordt opgemerkt waar standaard controlebewijzen standhouden (bijv. Utilitaristische MPC) en waar uitdagingen openstaan (bijv. Maximin stabiliteit).

Resultaten en Illustraties

Het artikel valideert het framework via illustratieve voorbeelden in plaats van grootschalige empirische implementatie:

Verminderen van Vermogen (Power Curtailment): Demonstreert hoe hetzelfde fysieke probleem verschillende regels oplevert (Minimale Totale, Gelijk, of Proportionele vermindering) afhankelijk van of de ontwerper CUC, OLC of CNC aanneemt.
Datanetwerken: Toont aan dat Utilitaristische feedbackoptimalisatie inefficiënte agenten uithongert, terwijl Nash en Maximin verschillende vormen van rechtvaardigheid (proportionaliteit vs. uitkomstgelijkheid) bieden in de aanwezigheid van kanaalvervaging.
Openbaar Vervoer: Illustreert hoe verschillende welfare-criteria (SEC vs. ECS) omgaan met de onzekerheid in de vraag. SEC handhaaft dagelijkse gelijkheid, terwijl ECS de gerealiseerde onrechtvaardigheid over de horizon compenseert, wat de langetermijnongelijkheid in extreme scenario's vermindert.
Energiebeheer: Benadrukt dat onder restricties, Utilitaristische doelstellingen de lasten op specifieke agenten kunnen concentreren, terwijl Maximin-doelstellingen de kosten herverdelen om de minstbedeelden te beschermen, zelfs als dit de totale systeemkosten verhoogt.

Betekenis en Claims

Het artikel claimt een gefundamenteerd fundament te bieden voor "eerlijke regeling" (fair control) dat verder gaat dan impliciete industriële conventies. De betekenis ligt in:

Overbruggen van Disciplines: Het verbindt de 100 jaar oude theorie van sociale keuzes met moderne regeltechniek, waardoor abstracte onmogelijkheidsresultaten concreet maakt voor toegepaste, real-time systemen.
Certificeerbaarheid: Door beslissingen te funderen in axioma's en specifieke SCF's, stelt het framework de uitlegbaarheid en certificering van geautomatiseerde beslissingen mogelijk, wat essentieel is voor de maatschappelijke acceptatie van automatisering in kritieke infrastructuur.
Dynamische Correctie: In tegenstelling tot statische sociale keuze, maakt het controleperspectief gebruik van feedback om te corrigeren voor exogene verstoringen en onzekerheden, wat een mechanisme biedt om rechtvaardigheid "over de tijd" te bereiken in plaats van slechts in een enkel momentopname.

De auteurs zijn bescheiden in hun claims en erkennen dat hoewel het framework een rigoureus startpunt biedt, er nog steeds aanzienlijke uitdagingen zijn. Deze omvatten het bewijzen van stabiliteit voor niet-utilitaristische SCF's (zoals Maximin), het omgaan met risico-aversieve sociale planners, het ontwikkelen van efficiënte leeralgoritmen voor onbekende omgevingen, en het uitbreiden van de theorie naar niet-tijd-scheidbare doelstellingen. Het artikel positioneert zich als een "sprong" naar een toekomst waarin sociale keuze operationeel geïntegreerd is in de regeling van socio-technische systemen.