📄 animal behavior and cognition

Self-organized Regulation of Group Size and Number in Natural and Artificial Collectives

Este artigo propõe e valida um mecanismo descentralizado baseado em percepção local e preferências individuais que permite a coletivos artificiais e naturais, como os coatis-de-nariz-branco, autoorganizarem-se e regularem ativamente seus tamanhos e números de grupo para corresponderem às demandas ambientais.

Autores originais: Zhang, T., Lee, S., Hamann, H.

Publicado 2026-09-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zhang, T., Lee, S., Hamann, H.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

No mundo natural, desde os redemoinhos de cardumes de peixes até as movimentadas colônias de formigas, os seres vivos raramente agem sozinhos. Eles se reúnem, se dividem e se reformam em grupos que mudam e se transformam como nuvens. Essa capacidade de organizar e reorganizar é vital. Um grupo pode oferecer proteção contra predadores ou ajudar a encontrar comida, mas se crescer demais, torna-se um fardo, com membros lutando por recursos limitados ou espalhando doenças. Cientistas há muito entendem que existe um ponto ideal, um tamanho perfeito onde um grupo funciona melhor. No entanto, um mistério mais profundo permanece: como uma coleção de indivíduos, cada um com uma visão limitada de seus arredores imediatos, sabe quando permanecer unido e quando se separar? Eles não podem ver a população total, nem podem contar quantos grupos existem no total. No entanto, tanto na natureza quanto nas máquinas que construímos, os grupos parecem encontrar uma maneira de se autorregular, estabelecendo-se em um padrão estável de tamanhos e números sem um líder central dando ordens.

Uma equipe de pesquisadores partiu para resolver esse enigma fazendo uma pergunta específica: Pode um grupo de indivíduos, usando apenas informações locais e suas próprias preferências pessoais, auto-organizar-se para controlar tanto o tamanho de seus grupos quanto o número total de grupos? Para encontrar a resposta, eles primeiro olharam para o comportamento mais simples possível: seguir. Em muitos grupos de animais, os indivíduos simplesmente se movem em direção a um vizinho. Os pesquisadores construíram um modelo matemático para ver se essa regra simples, por si só, poderia criar grupos estáveis. Eles descobriram que o comportamento de seguir poderia, de fato, fazer com que os indivíduos se agrupassem, mas não era suficiente para regular ativamente o tamanho do grupo. Os grupos se formariam, mas seus tamanhos seriam um resultado passivo de quão povoado estava o ambiente, não um ajuste consciente para atingir um número ideal. Os animais não saberiam se estavam em um grupo grande demais ou pequeno demais.

Para corrigir isso, os pesquisadores propuseram um novo mecanismo baseado em um sentimento interno simples: uma preferência pessoal por um tamanho de grupo específico. Imagine cada indivíduo carregando um senso interno silencioso de qual seria o tamanho de grupo perfeito para ele. Se o grupo em que está parece pequeno demais, ele procura outros para se juntar. Se parece grande demais, ele decide sair e começar um novo grupo ou encontrar um diferente. Essa ideia foi transformada em uma simulação de computador onde agentes virtuais, representando robôs ou animais, moviam-se e tomavam decisões baseadas nessa preferência interna. Os pesquisadores testaram esse sistema sob três condições diferentes de comunicação. Na primeira, os agentes podiam apenas ver onde os outros estavam, sem ideia de quantos havia em um grupo. Na segunda, eles podiam perguntar o tamanho do grupo apenas uma vez antes de decidir se juntar. Na terceira, eles recebiam um fluxo constante e atualizado de informações sobre o tamanho do grupo.

Os resultados mostraram que o sistema funcionava melhor quando os agentes tinham acesso a informações sobre o tamanho do grupo. Quando os agentes podiam apenas ver as posições, os grupos oscilavam descontroladamente, crescendo demais e depois encolhendo demais, nunca encontrando um ritmo estável. Quando os agentes podiam verificar o tamanho do grupo mesmo que apenas uma vez, o sistema tornava-se muito mais estável, e os grupos se estabeleciam mais próximos do tamanho desejado. O método mais eficaz era a comunicação contínua, onde os agentes sabiam constantemente o tamanho dos grupos que estavam considerando. Nesse cenário, os robôs virtuais formaram com sucesso três grupos perfeitos de quatorze indivíduos cada, eliminando a oscilação caótica entre grande demais e pequeno demais. Os pesquisadores mediram quanto tempo os robôs passaram em grupos maiores que o tamanho alvo, descobrindo que a informação contínua reduziu esse tempo de "excesso de tamanho" em mais de noventa e cinco por cento em comparação ao método de apenas posição.

Para ver se esse mecanismo artificial espelhava a realidade, os pesquisadores recorreram a dados do mundo real de coatis-de-nariz-branco selvagens, um mamífero aparentado com o guaxinim. Esses animais vivem em bandos sociais que frequentemente se dividem e se fundem. A equipe usou dados de rastreamento por GPS de dois grupos diferentes de coatis para calibrar seu modelo. Eles não programaram os coatis com uma regra específica; em vez disso, inferiram quais poderiam ter sido as preferências individuais com base nos tamanhos de grupo reais que os animais experimentaram na natureza. Para um grupo que se dividiu uniformemente, o modelo assumiu que todos os indivíduos compartilhavam uma preferência semelhante. Para outro grupo que se dividiu de forma desigual, o modelo atribuiu preferências diferentes a diferentes indivíduos. Quando rodaram a simulação com essas preferências do mundo real, os coatis virtuais reproduziram os padrões estatísticos dos animais reais. O modelo reproduziu com sucesso o número observado de subgrupos, os tamanhos típicos desses subgrupos e a maneira como os grupos transitavam entre diferentes configurações.

O estudo sugere que as estruturas sociais complexas e mutáveis vistas na natureza e a organização eficiente de sistemas projetados podem depender dos mesmos princípios fundamentais. Não é necessário que cada indivíduo saiba o número total de animais ou o número total de grupos. Em vez disso, a estabilidade emerge quando cada indivíduo simplesmente compara sua situação atual a um padrão pessoal e age de acordo. A pesquisa demonstra que um sistema descentralizado, onde todos tomam decisões baseadas na percepção local e em um objetivo pessoal, pode resolver o difícil problema de regular tanto o tamanho do grupo quanto o número de grupos simultaneamente. Embora o estudo confirme que tal mecanismo é matematicamente possível e consistente com dados animais reais, ele não prova que os coatis selvagens utilizam exatamente este método. Em vez disso, mostra que essa estratégia local simples é uma maneira plausível e poderosa para coletivos se adaptarem e prosperarem sem um comandante central.

Resumo Técnico: Regulação Auto-organizada de Tamanho e Número de Grupos em Coletivos Naturais e Artificiais

1. Definição do Problema: O Problema da Regulação de Tamanho e Número de Grupos (GSNRP)

O artigo aborda uma lacuna fundamental na compreensão de como coletivos — que variam de sociedades animais a sistemas multiagentes projetados — adaptam suas estruturas de grupo às tarefas e ambientes. Enquanto a literatura existente frequentemente trata o tamanho do grupo e o número de grupos como resultados independentes ou foca em distribuições macroscópicas, este trabalho postula que eles são variáveis intrinsecamente acopladas.

Os autores formalizam o Problema da Regulação de Tamanho e Número de Grupos (GSNRP): Como uma população de $N$ indivíduos, possuindo apenas informações locais (tamanho do grupo percebido e preferências internas), pode se auto-organizar em uma partição dinâmica onde tanto a distribuição dos tamanhos dos grupos quanto o número total de grupos são regulados de forma adaptativa?

Principais desafios teóricos identificados incluem:

Acoplamento Micro-Macro: Decisões individuais (juntar-se/deixar) determinam a partição da população, o que simultaneamente dita a distribuição do tamanho do grupo e a contagem de grupos.
Amostragem Enviesada pelo Tamanho: O artigo destaca que o tamanho de grupo "experienciado" por um indivíduo ( $\bar{s}_{ind}$ ) difere da média do tamanho do grupo da população ( $\bar{s}_{group}$ ) devido à variância na distribuição de tamanho. Especificamente, $\bar{s}_{ind} = \bar{s}_{group} + \text{Var}(s)/\bar{s}_{group}$ . Consequentemente, regular apenas o tamanho médio do grupo é insuficiente para caracterizar o estado coletivo experienciado pelos indivíduos.
Instabilidade de Ótimos: Modelos teóricos sugerem que, se os indivíduos se juntarem livremente aos grupos para maximizar o fitness individual (frequentemente uma função em forma de U invertido em relação ao tamanho do grupo), o sistema tende a derivar além do tamanho ideal, tornando equilíbrios estáveis difíceis de alcançar sem mecanismos regulatórios específicos.

2. Metodologia

Os autores empregam uma abordagem de múltiplos estágios combinando teoria de grafos, teoria de controle descentralizado, simulação multiagente e calibração de dados empíricos.

A. Modelo de Interação Mínima (Linha de Base Teórica de Grafos)
O estudo estabelece primeiro uma linha de base usando um modelo mínimo de comportamento de "seguir" local. Indivíduos seguem probabilisticamente um vizinho dentro de um raio de detecção.

Modelo: O grafo de interação resultante é uma floresta pseudo-direcionada.
Achado: Embora o simples comportamento de seguir possa gerar estruturas de grupo que correspondem às expectativas teóricas baseadas em densidade e probabilidade de seguir, ele é insuficiente para regulação ativa. O tamanho do grupo neste modelo é uma consequência passiva de parâmetros ambientais, não uma quantidade ativamente estabilizada.

B. Controlador de Fissão-Fusão Descentralizado
Para resolver o GSNRP, os autores propõem uma estratégia comportamental onde os indivíduos possuem uma preferência subjetiva de tamanho de grupo ( $G^*_i$ ) fixa.

Mecanismo: Indivíduos comparam seu tamanho de grupo percebido atual contra sua $G^*_i$ .
Máquina de Estados: Os agentes operam em uma máquina de quatro estados:
1. Random_Walk (Caminhada Aleatória): Comportamento exploratório quando nenhum grupo satisfatório é encontrado.
2. Fusion (Fusão): Movendo-se em direção a um alvo detectado para se juntar a um grupo.
3. Fission (Fissão): Deixando um grupo se este for percebido como muito grande.
4. Stay (Permanecer): Mantendo a posição atual se o tamanho do grupo estiver dentro da tolerância.
Restrições: O mecanismo é totalmente descentralizado; os agentes não têm acesso em tempo de execução ao tamanho total da população ( $N$ ) ou ao número total de grupos ( $G$ ).

C. Validação Experimental
O framework é validado através de três lentes distintas:

Análise Teórica: Validando o poder preditivo do modelo de seguimento mínimo contra dados de simulação em relação ao número de componentes conectados.
Simulações de Engenharia: Testando o controlador em 42 robôs simulados sob três regimes de sinalização:
- Apenas posição: Agentes selecionam alvos baseados apenas na posição.
- Sinalização de disparo único (One-shot): Agentes consultam o tamanho do grupo uma vez ao selecionar o alvo.
- Sinalização contínua: Agentes atualizam continuamente a informação do tamanho do grupo e revisam decisões.
Estudo de Caso Empírico: Calibrando o controlador usando dados de rastreamento GPS de coatis-de-nariz-branco (Nasua narica). Os parâmetros do modelo (especificamente $G^*_i$ ) foram inferidos offline a partir de padrões observados de subgrupação, e a simulação foi executada para verificar a consistência descritiva com estatísticas de transição naturais.

3. Principais Resultados

A. Previsões Teóricas
O modelo de teoria de grafos prevê com precisão o número de grupos (componentes) formados pelo comportamento de seguimento simples. O número de grupos diminui conforme a probabilidade de seguimento efetiva ( $\eta = \rho P$ ) e a densidade geométrica ( $\phi$ ) aumentam. O modelo alcançou um Erro Médio Absoluto Percentual (MAPE) de 0,016 em conjuntos de validação, confirmando que, embora o comportamento de seguir crie estrutura, ele não a regula.

B. Desempenho de Simulação (Engenharia)
O controlador descentralizado alcançou com sucesso a convergência estável para o tamanho de grupo alvo ( $G^* = 14$ ) em todos os regimes de sinalização, embora o desempenho tenha variado significativamente:

Estabilidade: O regime de "Apenas posição" exibiu oscilações severas, com robôs passando em média 47,38 segundos em grupos excessivamente grandes. A sinalização de "disparo único" reduziu isso em 82,8%, e a sinalização "contínua" reduziu em 95,4% (2,18s), eliminando efetivamente o overshoot (ultrapassagem).
Convergência: A sinalização contínua produziu a convergência mais rápida (média de 239s) e a maior taxa de sucesso (91,9% dentro de 1200s). A sinalização de "apenas posição" teve uma baixa taxa de sucesso (10,9%) e convergência lenta (357s).
Conclusão: O acesso à informação do tamanho do grupo, mesmo em uma capacidade de "disparo único", é o motor crítico para estabilidade e eficiência.

C. Consistência Empírica (Biologia)
Usando dados de rastreamento de coatis, os autores calibraram as preferências individuais para corresponder às estruturas de subgrupação observadas (por exemplo, uma preferência comum pelo grupo "Galaxy" versus preferências heterogêneas para o grupo "Presidente").

Resultado: A simulação recuperou com sucesso o tamanho de grupo selecionado, a contagem de subgrupos e as estatísticas de transição observadas na natureza.
Limitação: O estudo demonstra consistência descritiva (o modelo pode reproduzir os padrões observados), mas afirma explicitamente que não estabelece que este mecanismo comportamental específico é a causa real da dinâmica de fissão-fusão nos coatis.

4. Significância e Alegações

O artigo afirma fornecer um arcabouço conceitual comum para entender como coletivos naturais e artificiais regulam a estrutura do grupo.

Unificação: Ele preenche a lacuna entre argumentos de otimalidade baseados em fitness (nível micro) e estruturas de grupo de cauda pesada empiricamente observadas (nível macro) ao tratar o tamanho e o número de grupos como variáveis reguladas conjuntamente.
Mecanismo: Demonstra que regras locais simples baseadas em percepção (tamanho atual), preferência (alvo interno) e resposta (fissão/fusão) são suficientes para alcançar a regulação estável e auto-organizada de grupos sem informação global.
Modéstia: Os autores são cuidadosos ao enquadrar seus achados biológicos como uma demonstração de consistência descritiva. Eles não alegam ter provado que os coatis usam exatamente este algoritmo, mas sim que tal mecanismo é plausível e suficiente para gerar a dinâmica observada. Da mesma forma, para a engenharia, o trabalho oferece uma estratégia de controle descentralizado validada para alocação de tarefas multi-robô e mitigação de congestionamento.

Em resumo, o artigo argumenta que o "Problema da Regulação de Tamanho e Número de Grupos" pode ser resolvido através de loops de feedback descentralizados onde os indivíduos ajustam sua participação em grupos baseados em discrepâncias de tamanho local, oferecendo um princípio unificado para a auto-organização de coletivos tanto na natureza quanto na engenharia.

Resumo Técnico: Regulação Auto-organizada de Tamanho e Número de Grupos em Coletivos Naturais e Artificiais

1. Definição do Problema: O Problema da Regulação de Tamanho e Número de Grupos (GSNRP)

2. Metodologia

3. Principais Resultados

4. Significância e Alegações

Mais como este