LA
TEORÍA DE SISTEMAS Y LA COMPLEJIDAD: PARTE 3
INTRODUCCIÓN
En las anteriores entregas de esta serie
(Richard hijo, 2004a, 2004b) he explorado una serie de sistemas generales de
las leyes de la teoría y los principios de una perspectiva de sistemas complejos.
Una de mis principales motivaciones para esto es entender (aunque en un número
limitado de manera) la relación entre la teoría de sistemas y su encarnación
más reciente, la teoría de la complejidad. Para aquellos lectores que aún no
han leído las partes 1 y 2, las siguientes leyes/principios han sido hasta
ahora considerados:
·
2 ª ley de la termodinámica
(parte 1);
·
ley complementaria (parte 1);
·
sistema de principio holismo
(parte 1);
·
principio oscuridad (parte 1);
·
ochenta veinte principio (parte
1);
·
ley de la variedad requerida
(parte 2);
·
jerarquía de principio (parte
2);
·
redundancia de principio
recursos (parte 2), y;
·
de alto flujo principio (parte
2).
En la parte 3 voy a explorar otros seis
principios de los sistemas desde la perspectiva de la complejidad. Como ya voy
a utilizar relativamente "simples" redes booleanas para ilustrar los
principales puntos donde sea posible. En el próximo número (parte 4) voy a
explorar cómo el movimiento general de sistemas se desarrolló en un intento por
apreciar cómo el movimiento de los sistemas complejos puede desarrollar. Por lo
tanto voy a alejar de la consideración de las leyes y principios específicos.
Un total de quince leyes / principios que se han explorado, todo lo cual he
tomado de (2001) la teoría general de sistemas Skyttner. En ese libro, un total
de cuarenta y tres sistemas de leyes generales / principios / teoremas aparecen
demasiados para tener en cuenta en esta serie. He añadido un apéndice a esta
lista los plazos no se discute y animar al lector interesado a consultar
Skyttner (2001) para más detalles.
PRINCIPIO
DE SUB-OPTIMIZACION
Skyttner (2001: 93) define el principio
de sub-optimización de la siguiente manera: ". Si cada subsistema,
considerados separadamente, se hace funcionar con la máxima eficiencia, el
sistema en su conjunto no funcionará con mayor eficacia"
También podemos añadir a la inversa: si
el conjunto está hecho para funcionar con la máxima eficacia, los subsistemas
que comprenden no funcionará con mayor eficiencia. Otra forma de pensar en esto
es simplemente reconocer que las piezas de forma aislada se comportan de manera
diferente a partir de piezas que están conectados a un "medio
ambiente". Me gustaría ilustrar este principio a través de una red
booleana de las redes.
La figura 1 muestra una red
relativamente simple de subredes. Cada subred (o subsistema) contiene diez
nodos interconectados que operan en reglas fijas no lineales (los detalles se
han omitido, pero están disponibles bajo petición). Cada subred tiene una conexión
entrante saliente y uno para cada uno de las otras tres subredes. Como tal, el
"medio ambiente" para cada subred en sí es un trabajo en red de las
redes secundarias. Una vez que las normas funcionales han sido seleccionadas
para cada nodo, es una cuestión relativamente simple de construir entonces los
mapas de fase para cada subred y la red de subredes como un todo. En el ámbito
de las redes booleanas se dice que la función de la red se caracteriza por el
número y el período de sus atractores espacio de fases. Por ejemplo, si
consideramos la red sub 1 (S1) de forma aislada (es decir, eliminar sus
conexiones a las redes de otros sub) encontramos que su espacio de fase se
caracteriza como 3p4 lo que significa que su espacio de fase contiene tres
período de cuatro atractores, o que trayectorias de cada punto en el espacio de
fases eventualmente (suponiendo que no haya interferencia externa) caen en una
de tres posibles atractores. En el caso de redes de regulación genética, cada
atractor diferente representa un tipo de célula diferente. La Tabla 1 muestra
la estructura de espacio de fase y la estructura topológica (es decir, los
bucles estructurales que resultan de las conexiones internodales) para cada una
de las subredes que comprenden la figura 1. La fase / estructura topológica de
la red general de subredes (S1234) también se incluye.
Para ilustrar el principio de
sub-optimización es necesario "optimizar" las redes. Podemos hacer
esto de por lo menos dos direcciones: de abajo hacia arriba y desde arriba hacia
abajo. La optimización de las redes booleanas se logra mediante la eliminación
de los nodos y las conexiones que no contribuyan a la función de la red, es
decir, aquellos que no afectan a la estructura bruta cualitativa del espacio de
fases. La red optimizada todavía tendrá la fase caracterización mismo espacio,
pero pueden contener (significativamente) menos nodos y conexiones. Este
proceso se discute en la Parte 1 bajo el 'ocho y veinte principio' y se
exploran en detalle en Richardson (2005). El proceso ascendente de optimización
comienza con la optimización de cada subred en el aislamiento de la red de
sub-redes en su conjunto. Una vez optimizado las conexiones originales entre
cada subred se añaden (donde el nodo original todavía existe) y el espacio de
fase de la red resultante (de abajo a arriba optimizado) de subredes (que se
muestra en la Figura 3) se examinaron.
La Tabla 2 enumera tanto el espacio de
las fases y la estructura topológica, para cada una de las subredes optimizadas
y la red de subredes como un todo. Lo primero a destacar es que las redes
(bottom up), optimizado contener un número considerablemente menor
(estructurales) bucles (loops)
de retroalimentación. El punto más importante, sin embargo, es que la
estructura del espacio de fases para el total de la red de subredes en ahora
muy diferente de lo que era antes. Mediante la optimización de las subredes el
comportamiento de la red de subredes ha cambiado considerablemente. Si
tuviéramos que de arriba hacia abajo optimizar la red resultante (a través del
método descrito en breve) también nos encontramos que la red de subredes no se
ha optimizado, es decir, la optimización local no (necesariamente) implicar la
optimización global. Además, la optimización de la función de las partes cambia
el comportamiento funcional de la totalidad (que se muestra por el cambio en su
estructura de espacio de fase).
También puede acercarse a la
optimización de la parte superior hacia abajo. Aquí optimizar la red de
subredes en su conjunto y luego aislar lo que queda de las subredes
constituyentes para que su comportamiento individual se pueda determinar. Así
que el enfoque de arriba abajo que identifica nodos y conexiones no contribuyen
a la funcionalidad global de la red de subredes en lugar de la funcionalidad de
cada subred. La parte superior hacia
abajo resultante optimizado de la red de sub-redes, que se muestra en la Figura
4, tiene (cualitativamente) exactamente la misma estructura que el espacio de
fases como la primera red de subredes que se muestran en la figura 1. Sin
embargo, el espacio de las fases y la estructura topológica de la componente
subredes ha cambiado (aunque en dos casos S2 y S3 de la estructura de espacio
de fase es en realidad el mismo, pero las propias subredes no están
optimizadas). La Tabla 4 contiene los datos pertinentes.
Este breve análisis de la red de
subredes "un booleano ilustra dos puntos importantes:
1. optimización de las partes de un sistema no es (necesariamente)
conducen a un sistema óptimo, y viceversa;
Figura 4 La versión optimizada de arriba hacia abajo de la "red
de sub-redes 'que se muestra en la figura 1.
Tabla 3 Sub-red y la red de subredes "Características de abajo
hacia arriba
sistema optimizado
2. optimización de las
partes de un sistema, aunque no
cambiar la funcionalidad de aquellas partes mismas,
Puede cambiar la funcionalidad del sistema como un
todo y viceversa.
Esta consecuencia de la sistémica, en sub-redes en el trabajo total, plantea algunos retos de comportamiento interesantes para los diseñadores y gestores de las organizaciones
humanas.
La noción de una organización que sea
eficiente en todos los niveles y en todos los ámbitos parece ser un imposible.
La eficiencia (me refiero a la que es consecuencia directa de la optimización)
en algunas áreas dará lugar a menores niveles de eficiencia en otras áreas.
El tratamiento que han hecho algunos
holísticos a la organización como un "todo" no se ocupa de
esta cuestión adecuadamente. Teniendo en cuenta que es lo "mejor"
para el todo no se tiene en cuenta que es lo
"mejor" para los subsistemas que comprenden el conjunto. En principio
sólo
algunas de las funciones puede ser optimizado, no todas. Aunque en
la práctica, dada la abrumadora complejidad de la
interaccion de un gran número de sub-redes (muchos de los cuales ni siquiera podemos anotar su fin, y
mucho menos representarlos completamente), la optimización en cualquier nivel
es un ideal que nunca se puede realizar.
Un último comentario sobre el principio de
la sub-optimización: con el fin de optimizar las sub-redes en el enfoque
de abajo hacia arriba el individuo debía ser considerado de forma aislada. Y
aunque fue demostrado que, cuando se conectaba a su "medio ambiente"
el comportamiento neto resultante era diferente y este comportamiento (de abajo
arriba) optimizaba las sub-redes "en conexión" en lugar de "de
manera aislada", esto no fue realmente examinado. Me gustaría explorar
esta diferencia un poco mas antes de pasar al siguiente principio.
108
Al aislar las subredes las estamos cerrando. Por lo tanto, una vez
que las sub-redes se están moviendo a lo largo de una trayectoria en
particular, se reunirán en un atractor particular y luego se desplazará a
través de un número fijo de estados en el mismo orden siempre. El sistema
ciertamente no se puede pasar de un atractor a otro. Sin embargo, una vez que
la sub-red está conectada a un "medio ambiente" pueden ocurrir
conductas más complejas. Por ejemplo, las señales de fuera del sistema lo puede
empujar hacia un atractor diferente. Además, nuevos atractores híbridos estan
disponibles a través de la interacción con el "mundo exterior" a
travez de la "información" que fluye a través de largos períodos de
realimentación, debido a que cada vez más loops interactúan unos con otros en
formas no triviales.
Para ilustrar esto consideremos la figura 5.
La parte superior (figura 5a) muestra el comportamiento asintótico
(es decir, el comportamiento estable elimina los estados transitorios) de la
sub-red aislada S4 tres período-1, un período-3 y tres período-2 trayectorias se muestran. Observe que los períodos
son relativamente cortos (en comparación con el tamaño de la red, N = 10), y
que cada trayectoria aparece bastante "pura" y no parece ser
combinaciones de otros tipos de trayectoria (aunque ambas trayectorias tres
período-puede ser consideradas como dos trayectorias período,-si se transforma
a una escala de tiempo diferente). Otro punto importante es que dentro de un
ciclo particular cada Estado es único, es decir, no se observa un período de
tres atractores que contenga estados repetidos como 955, 955, 345. Para cada
estado en el espacio de fase sólo hay un posible paso siguiente (mientras que
en este ejemplo en particular, parece que el siguiente paso de 995 puede, por
lo menos, ser 955 o 345 - el siguiente estado no se define únicamente).
Figura 5 Las diferentes trayectorias (en estado estacionario)
de sub-red S4 (a) 'aislado', y (b) 'en
relación'. Tenga en cuenta que para (b) cada serie ha sido para claridad
109
El caso de S4 en vivo es bastante diferente de hecho. Aparte de la
trayectoria p2 (segundo periodo) (que es el atractor de la red sub-siguiente
para todos los cuatro período, 4-atractores exhibidos por la red general de
sub-sistemas), todos los atractores parecen ser "híbridos" de otros
tipos. Por ejemplo, el tope maximo p8 parece ser un híbrido de una trayectoria
p1 (la línea plana) y un P4 (que es casi un trayectoria p2) , es decir, el
sistema salta de forma intermitente un atractor p1 a p4 un (o una trayectoria
p2 repetir dos veces) atractor (que resulta en un ciclo de período, ocho en
total). Este es el resultado de señales externas (el resto de la red de
sub-redes) forzando a sub-red para saltar entre (al menos) dos atractores
diferentes. La palabra 'forzar' aquí es un poco engañoso, porque la existencia
de S4 sub-red dentro de la red de sub-redes explican en parte este atractor p8
en el primer lugar - las señales del subsistema en el más grande "medio
ambiente" contribuyen a la 'aparición' de la estructura de la fase espacio
particular que la red general de sub-redes exposiciones. Lo que tendería a
esperar es que the'environment "es más difícil" perturbar " que
la sub-red.
Otra característica importante para tener en cuenta de este
comportamiento intermitente en particular es que en el plano de línea (p1)
repeticion de los mismos tres estados (el cuarto es en realidad un estado
ligeramente diferente), antes de que ellos cambiaran a una secuencia diferente.
Como se ha indicado anteriormente, esto nunca ocurriría en la sub-red aislada.
El segundo atractor p8 parece un pequeño p2 distorcionado y el
segundo periodo grande (comparado con el tamaño de la sub-red) se ve como el
sub-sistema que esta externamente perturbado con tanta frecuencia que no puede
establecer un comportamiento estable. En un momento la sub-red sigue a un
atractor p2 y en el próximo paso sigue a
un atractor p8, es decir; en ningún momento encuentra el final.
Lo que resulta parece ser un comportamiento aleatorio, a pesar de la
estructura ordenada de la red global en sub-redes. En resumen, en forma
aislada la sub-red S4 se describe por 3p1, 1P2, 2P3, mientras que en la
conexión (en vivo) la misma sub-red se podría describir
como:
un segundo periodo atractor;
un segundo periodo intermitente atractor;
un distorsionado segundo periodo atractor, y;
dos diferentes "cuasi-aleatorios" atractores.
Mi punto aquí es simplemente que el
comportamiento 'aislado' y 'conexión' son muy diferentes. En cierto
sentido, esta es la principal diferencia entre las ciencias naturales y las
ciencias sociales. Por un lado, el enfoque de las ciencias naturales en objetos
'en aislamiento' (y afortunadamente para muchos de los objetos de la ciencia
natural en realidad resulta útil examinarlos 'aislados') y por otra parte, las ciencias sociales
intentan comprender los objetos que no pueden ser fácilmente aislados, y cuando
estos objetos son 'Conectados' son efectivamente aislados ('desconectado') y se
comportan de manera muy diferente. Más recientemente, las ciencias naturales se
han interesado en 'Conectar' objetos, la ecología por ejemplo, y estamos
empezando a apreciar lo distorsionada que es nuestra comprensión de los
sistemas abiertos cuando estamos obligados a reducirlos a una descripción
cerrada para los fines de análisis. El breve análisis proporcionado arriba
ilustra la brecha entre lo que somos capaces de determinar y lo amplio que en
realidad puede llegar a ser.
Principio
de la Redundancia del mando potencial
Este principio está
estrechamente relacionado con el principio de la oscuridad que se discutió en
la Parte 1, en el que hay límites a nuestras representaciones de los sistemas
complejos. Skyttner (2001: 93) define el principio de redundancia del mando
potencial como asi:
"En cualquier decisión
compleja, el potencial para actuar con eficacia es conferida por una
concatenación adecuada de la información".
Básicamente, esto significa que para "controlar" un
sistema complejo se debe tener principalmente una representación
suficientemente buena de él, así que podemos diseñar nuestras acciones de
control de tal manera que nuestros efectos deseados sean una consecuencia directa
de estas. La tarea de construir una "representación suficientemente
buena" es problemático cuando se trata de sistemas complejos. Por un lado
esto es debido a que cualquier representación es por necesidad una abstracción,
y las abstracciones son incompletas. Tal incompleto siempre deja abierta la
posibilidad, debido a la sensibilidad a las condiciones iniciales (contexto), a
que nuestra base para la adopción de medidas sea (a veces violentamente)
inexacta. Esto es cierto incluso si el 'real' es un sistema cerrado -
descripciones ligeramente incompletas no conducen necesariamente a una
comprensión ligeramente incompleta.
Se produce una razón
relacionada del hecho de que incluso si la descripción
del sistema abierto en sí es completa (que es raramente el caso de todos modos), es prácticamente imposible tener una descripción completa del entorno en el que el sistema abierto de interés opera. Hay estrategias analíticas para mitigar las consecuencias de las representaciones limitadas / modelos / abstracciones (por ejemplo, análisis de sensibilidad, la triangulación, etc.), pero más a menudo que no hay ninguna manera de explicar completamente las posibles perturbaciones de fuera del sistema de interés, y cómo podrían afectarlo.
del sistema abierto en sí es completa (que es raramente el caso de todos modos), es prácticamente imposible tener una descripción completa del entorno en el que el sistema abierto de interés opera. Hay estrategias analíticas para mitigar las consecuencias de las representaciones limitadas / modelos / abstracciones (por ejemplo, análisis de sensibilidad, la triangulación, etc.), pero más a menudo que no hay ninguna manera de explicar completamente las posibles perturbaciones de fuera del sistema de interés, y cómo podrían afectarlo.
El control eficaz se basa en la predicción eficaz y la complejidad;
escritores a menudo se centran en las limitaciones impuestas en la predicción
eficaz por el caos (es decir, la sensibilidad a las condiciones iniciales). De
hecho, si todos los sistemas de interés comportan caóticamente, entonces no
habría limitaciones muy severas en nuestra capacidad de hacer predicciones eficaces
(aunque ciertos tipos de predicción - tales como predicciones cualitativas - se
pueden hacer bastante eficaz). Sin embargo, los sistemas complejos también
presentan, anti-caos, o, como es más normalmente etiquetado, la
auto-organización. Las fuerzas del caos y anti-caos se acoplan entre sí
llevando a contextos para los que la predicción eficaz es imposible, y los
contextos para los cuales predicción eficaz es un asunto muy sencillo. La
mayoría de los "verdaderos" contextos existen en algún lugar entre
estos dos extremos, y así todo lo que puedo decir a nivel general es que la
predicción eficaz dentro de los sistemas complejos es problemático y dependiente
del contexto (más que imposible).
La predicción eficaz puede estar vinculada a nuestra capacidad de extraer
significado (o efectiva) desde los patrones a partir de los datos disponibles.
Si los patrones que observamos son muy ordenados, luego crear una abstracción
que no esté demasiado lejos de la realidad es relativamente sencillo. Además, si
se da la opción de abstraerse, podemos hacer una buena evaluación en cuanto a
cuál es la "mejor". Se dice que los patrones ordenados son altamente
compresibles. Por otro lado, si los patrones que observamos son puramente
aleatorio (es decir, no caótica como los patrones caóticos son simplemente un
disfraz para un cierto orden subyacente), entonces no hay abstracción adecuada
que captara la esencia del patrón. Alternativamente, también puede que haya un
número infinito de posibles abstracciones, ninguno de los cuales pueden ser
seleccionados a través de cualquiera de los otros (en cierto modo, decir que no
hay un patrón discernible es lo mismo que decir que hay un número infinito de
patrones discernibles, o ninguna situación que facilite la generación de
conocimiento). Contrariamente a patrones ordenados, los modelos aleatorios son
totalmente incomprensibles. Hay un término medio entre la ordenado y la azar,
que a veces se llama el complejo, en el que los patrones no son ni comprensible
o incomprensibles en cualquier sentido absoluto. Figura 6 intentos para
ilustrar ese punto medio.
La figura 6a muestra un ejemplo de unos patrones ordenados que son
altamente compresible, mientras que la figura 6c muestra un patrón aleatorio,
que es incompresible, es decir, la representación más corta del patrón es el
mismo patrón. La figura 6b ilustra la tierra de en medio con un patrón
complejo. Si fuéramos a exigir una representación completa entonces la
representación más corta sería la misma pauta. En este sentido, el patrón
complejo es realmente incompresible, lo que podría llevar a pensar que se trata
de azar (o al menos caótico). Sin embargo, la mitad inferior de la figura 6b muestra
una compresión plausible del patrón que captura sus características esenciales.
Aunque la compresión que se muestra es incompleta se demostrará significativo,
es decir, útil para ciertos propósitos. Usando el lenguaje anterior, la cifra
más baja proporciona "una concatenación adecuada de la información".
Figura 6
Figura 6 La distinción entre (a)
ordenado, (b) complejo y (c) patrones aleatorios en términos de su
compresibilidad.
En un sentido absoluto, los patrones complejos son realmente incompresibles,
pero al mismo tiempo son cuasi-compresible. En este sentido, el mando efectivo
requiere una compresión eficaz, pero debido a que la compresión es un comando
incompleto es necesariamente falible. Mientras que para los patrones al azar,
podríamos decir que todas las compresiones son igualmente válidas (o,
igualmente "malo"), para los patrones complejos, aunque puede haber
más de una compresión significativa; algunas compresiones son mejores que otras
y efectivos comandos (y el control) comienza con una consideración de múltiples
compresiones significativas (donde la determinación de 'significativa' contiene
un elemento subjetivo no insignificante).
Relajación principio tiempo.
El principio
de tiempo de relajación afirma que "la estabilidad del sistema es posible
sólo si el sistema de tiempo de relajación es más corto que el tiempo medio
entre perturbaciones" (Skyttner, 2001: 93). La base de este principio
particular fue insinuado en la discusión anterior del principio de
sub-optimización cuando el efecto de las señales externas en 'conexión con los
sistemas era explorada brevemente. Yo afirmé que los atractores de largo
período (p52 y P76) que se muestran en la parte inferior de la Figura 5 fueron
el resultado de las frecuentes señales externas que empujan la sub-red en
diferentes atractores tan a menudo que la sub-red no podía asentarse en un
atractor particular para cualquier longitud de tiempo significativo. La nocion de
una característica de tiempo de relajación se observa también en la Figura 2,
donde tres balsas atractoras se muestran. Tenga en cuenta que cada atractor
(los cuadros en el centro de cada cuenca) se rodea con las ramas de las
transiciones de estado que terminan en un estado de atracción (antes de esa
bicicleta por todos los estados de los actractores). Si tenemos
en cuenta el lado izquierdo Cuenca de mano atractor en la figura 2 podemos ver
que los estados más alejados del atractor que se central son de un máximo de
diez pasos de distancia, es decir, si la sub-red que se inicia a partir de uno
de estos estados será diez veces pasos antes de la sub-red se instala o se
relaja, en su período de cuatro atractor. Al tener en
cuenta todas las ramas de los Estados no atractores podríamos fácilmente
calcular el número medio de pasos a los que todos los puntos en el espacio de
fase se encuentran por fuera de los atractores centrales - este número medio de
pasos se denomina tiempo de relajación promedio. Estas ramas son a veces
llamados trayectorias temporales (o de estado no estacionario ). Así, para
cualquier sistema complejo que se inicia a partir de un determinado conjunto de
condiciones, o se introduce en un determinado conjunto de condiciones desde los
factores externos, existe un retraso transitorio antes de que el sistema
alcanzará sus características atractoras. En algunos casos el tiempo de
relajación puede ser tan largo que un sistema observado en realidad no puede
llegar a un atractor de espacio de fase durante el período de observación. Esto
es problemático, ya que algunos sistemas pueden parecer ser caóticos o
aleatorios incluso, debido a los transitorios desordenados muy largos, a pesar
de que después de un tiempo suficientemente largo, el sistema podría instalarse
en un ciclo caracteristicas muy simple.
Dado que a
menudo existe un retraso entre cualquier estado transitorio para alcanzar un
estado atractor, parece obvio que si el tiempo entre las perturbaciones
externas es más corto que el tiempo de relajación en promedio, entonces el
sistema rara vez tienen la oportunidad de establecerse en su comportamiento
característico. Como tal, el comportamiento observado podría parecer muy
desordenada a pesar de la tendencia natural del sistema para buscar un
comportamiento ordenado. Digo "parece obvio" porque no todas las
perturbaciones externas llevará a tales efectos significativos (como empujar al
sistema a otra cuenca atractor). Por ejemplo,
si el espacio del sistema de fase se caracteriza por un solo largo período
atractor entonces hay una mayor probabilidad de que una perturbación externa
impulsará el sistema desde un punto sobre el atractor a otro punto en el
atractor mismo, mas bien a un punto sobre uno de los brazos del atractor de
cuenca (después de que el retraso pueda seguir antes de la atractor se alcanzó
de nuevo). En este escenario, aunque el comportamiento del sistema se
interrumpe, el sistema inmediatamente se recupera '(es decir, el tiempo de
relajación local es cero).
También Cabe
señalar que las señales de dentro puede desestabilizar el sistema también. Esto
sugiere que si la gestión de los intentos de cambiar una organización demasiado
a menudo; entonces la organización puede no tener la oportunidad de
"trabajar a través de" todos los cambios anteriores y sacar lo mejor
de ellos. Nuevas modificaciones se pueden hacer a una organización que ya esta
en transición, lo que haría más difícil para determinar realmente qué cambios
pueden ser útiles. Ha habido un montón de atención a los cambios organizativos
últimamente, tal vez es hora de reconsiderar los beneficios de la inercia
organizativa en lugar de verlo como un obstáculo para el cambio.
Negativo /
positivo retroalimentación causalidad
Principio.
Una de las
motivaciones para el comienzo de esta serie fue señalar que varias de las ideas
y conceptos que a menudo se ven como si hubieran sido introducidas
recientemente por las teorías de la complejidad que eran conocidos como los
principios teóricos de los sistemas generales. Un buen ejemplo de esto es el
principio de causalidad de realimentación que tiene ambos modos positivo y
negativo.
La
retroalimentación negativa del principio de causalidad dice que:
“Teniendo en
cuenta la retroalimentación negativa, estado de un sistema en equilibrio
invariante es definido por un amplio intervalo de condiciones iniciales"
(Skyttner, 2001: 93).
Esta
característica también se conoce como equifinalidad, y básicamente sugiere que
el espacio de un sistema de fase contiene cuencas de atracción. "Estado
del sistema de equilibrio", el término no se debe confundir con los
sistemas en los que no hay ningún cambio en absoluto. El estado de equilibrio
de un sistema caótico es un estado en el que la trayectoria del sistema sigue
un atractor caótico (desconocida). La retroalimentación negativa es el
mecanismo por el cual la fase del espacio es curvo-arriba de seguimiento en las
diferentes regiones de la atracción, es decir , En lugar
que todos los estados tenga igual probabilidad (como en los sistemas
termodinamicos), se presenta que unos tienen mas probabilidad que otros , estos
estados se conocen como atractores . Las ramas que alimentan los atractores de la figura 2 tienen “Una
amplia gama de condiciones iniciales” ,
que eventualmente terminan en el mismo
atractor; Muchos puntos de partida
diferentes termina en el mismo lugar. Esto significaria noticias tanto
buenas como malas para los directivos de las organizaciones , por un lado existen muchas maneras para que un gerente logre los objetivos deseados. Por otro lado hay muchas formas de equivocarse
(lograr objetivos no deseados) . Cuando se interactúa con sistemas
complejos parece que vamos
a tanto lo malo como lo bueno
esta (1)primera ley de complejidad se conoce como “talvez”
La Equifinalidad nos asegura muchos puntos de partida para lograr un fin.
La Multifinalidad ( o Principio de retroalimentación positiva casualidad)
asegura muchos puntos de llegada bajo un
mismo punto de salida . Una vez mas
incluso las redes boolenas proporcionan relativamente un marco adecuado
para pensar en muchos fines. Si se
considera una subred booleana (sistema determinista) y incluimos una fuente de perturbaciones externas aleatorias
entonces, si el sistema es inicializadp
de la misma forma muchas veces sobre modelos de ejecuion multiple ( muchas vías
para llegar al mismo camino), es probable
que el sistema este en cualquiera
de los actractores que caracterizan al sistema
espacio de faces. En otras palabras , desde el mismo punto de partida , los
puntos finales cualitativamente diferentes pueden ser alcanzados. Por
supuesto en este ejemplo, el numero de
diferentes posibilidades es
exactamente el numero de atractores
viables . Ademas la fuente de “ la creatividad”
que permite al sistema explorar estas diferentes posibilidades
vienen de afuera del sistema , no hay un mecanismo interno que le permita la sistema hacer “saltar atractores”( es decir separatrices
cruzadas o bifurcado) . En sistemas
complejos sin embargo tanto las perturbaciones internas como
externas pueden suministrar un fuente
de “salto atractor” . Pareciera que en
tales sistemas la estructura de espacio
fase pudiera evolucionar cambiando el
numero natural de atractores viables . Mientras en el sistema complejo(boolean)
el conjunto de atractores (extremos
viables ) es predeterminado, lo cual
significa que en un principio cualquier
a de los puntos finales pueden estal al
alcence del punto final actual. La serie
de atractores para un sistema adaptativo complejo puede evolucionar con el tiempo(convirtiéndose en un sistema distinto del que empezó). Como tal las mismas
condiciones iniciales pueden evolucionar
en diferentes sistemas con distintos
espacios fase. En
este ejemplo moviéndose de un punto
final en particular (atractor) en un
espacio de fase a un punto particular
final en otro espacio fase, solo es posible a través de una reconstrucción radical del sistema mismo
Una vez mas, este carácter contiene noticias
"buenas y malas" para los directivos. Por un lado, en una
investigación aplicada a un problema
desarrollado por distintos grupos de trabajo,
equipados con los mismos recursos
y condiciones, sin embargo podrían
encontrar distintas soluciones entre ellos ; la multifinalidad podría ser
considerada como la "1ra ley de creatividad . Por otro lado
la estrategia de gestion mismo dara lugar a una serie de resultados distintos ,
algunas de los cuales no pueden ser deseables ; la creatividad no
necesariamente es buena.
El principio de agregación
La idea del "limite del caos " que,
por la complejidad de muchos pensadores , puede ser un buen
candidato para una idea única de
complejidad moderna . Una vez mas un
concepto similar se pude encontrar en la
teoría general del sistema
Para ser sincero , no es evidente para mi lo
que el " limite del caos "
significa , ya que ha sido utilizado de muchas maneras . En el ámbito de las
redes booleanas el "limite del cao" se refiere a aquellas redes cuyo comportamiento no es ni ordenado ni cuasi al azar , pero
complejo (como los ejemplos que se dan el figura 6) Esto se logra en este tipo
de redes por la aparición de organizaciones de
módulos no interrelacionados que juntos
limitan el comportamiento global de la red (Bastolla y Parisi, 1998;
discutido brevemente en la parte 2 de esta serie). El cuasi aleatorio
modularidad de redes es ausente y muy
grande (en relación con el tamaño de la red )
los ciclos atractores son posibles El
orden de redes contienen no solo interacción (lineal) con los bucles de
retroalimentación cuyo comportamiento individual se entiende fácilmente como es su
comportamiento neto (ya que no interactúan).
El comportamiento de las redes booleanas complejas ocupan un espacio
intermedio donde no interactúan los
subsistemas existentes. Aqui "las paredes de constancia " aparece limitando el flujo de información
atreves de toda la red y por lo tanto
restringe el comportamiento
general. Es un equilibrio entre los mecanismos que facilitan el flujo de
información y los mecanismos que impiden dichos flujos
Aunque el " limite del caos" ha
sido usado de diferentes maneras,
siempre parece indicar un acto de equilibrio entre dos extremos. Por ejemplo,
en la aplicación a organizaciones humanas , el "limite del caos" se ha utilizado para describir el acto de
equilibrio entre la necesidad de realizar actividades básicas (es decir, las actividades que actualmente
generan ganancias - algunas veces equiparado con el comportamiento "ordenado"
basado en normas . de
manera eficiente, pero al mismo tiempo invertir en actividades de «cielo azul»
(a veces sinónimo de comportamiento "caótica", incorrecto en mi opinión) para asegurar que
el cambio núcleo actividades con las necesidades cambiantes de los clientes.
Aunque esta aplicación de la "borde del caos 'es bastante diferente de la
de arriba, la importancia de mantener un equilibrio entre los dos extremos es
común a ambos. Este mantenimiento de algún tipo de equilibrio es central para
el principio de agregación
Skyttner (2001: 95) describe el principio de
distribución irregular de la siguiente manera:
"La falta de capacidad para utilizar una
variedad de recursos conduce a la inestabilidad ... Regla sistemas
consolidados, que disponga, en el avance admisible y no permisibles, son
propensos a ser menos estables que los que se desarrollan en desorden. "
Así que, para mantener un nivel de
estabilidad frente a cambios en las condiciones de un sistema no debe invertir
mucho tiempo y esfuerzo en una cosa
particular. Una capacidad de tomar ventaja de una pluralidad de recursos
permite que el sistema "se mueven con los tiempos" esta es la esencia
del "limite del caos", e
ilustra una vez más la fuerte conexión entre la teoría general de sistemas y teoría
de la complejidad moderna.
Pasando
de GST
Hasta ahora en esta serie han equiparado
principalmente el movimiento de sistemas con la teoría general de sistemas. En un
sentido más moderno de la teoría de la complejidad es un desarrollo directo de
la teoría general de sistemas que se centra en los medios matemáticos para la
exploración de los sistemas basados en el comportamiento, en general la
teoría de sistemas MET con potentes ordenadores. Sin embargo, la teoría de la
complejidad es sólo una parte de un movimiento mayor complejidad que podríamos
llamar "pensamiento complejo" o "estudios de complejidad. A
pesar que la comprensión matemática de la complejidad continúa ofreciendo
nuevas perspectivas, algunos escritores complejidad se están desarrollando en
otras direcciones, en parte como respuesta a la creciente conciencia de las limitaciones de las representaciones formales
de matemáticas. Por ejemplo, David Snowden (2002) con su interés en el papel
que desempeña la narrativa y la metáfora en el sentido de decisiones, o Paul
Cilliers (2000) con su preocupación por los límites de nuestra comprensión y el
papel esencial que la ética debe desempeñar en nuestra comprensión de los
sistemas complejos. Podría citar muchos más. La Teoría de la complejidad está evolucionando
en direcciones diferentes, algunos de los cuales no serían consideradas
tradicionalmente como la ciencia. Debido a este movimiento lejos de un análisis
matemático riguroso ciertas direcciones son vistas como "no ciencia"
de alguna círculo y por lo tanto no son caminos legítimos en nuestro camino
para comprender la complejidad de nuestras mejores habilidades. La aparición de
estos hilos diferentes no será nuevo para los pensadores sistémicos veteranos.
La teoría general de sistemas evolucionado y que permite bifurcado
"paradigmas" sistemas muy diferentes a surgir, tales como: sistemas
de pensamiento blando, la heurística, sistemas críticos, la frontera critica, etc La teoría de sistemas ya
no puede ser equiparado con el movimiento general de los sistemas de mediados
del siglo 19, ya que a menudo se hacia . Dado que los diferentes
"paradigmas" de la complejidad parece estar desarrollándose de una
manera muy similar a cómo la teoría general de sistemas diversificado, el
próximo episodio proporcionará un breve análisis del movimiento de los sistemas
y cómo se ha desarrollado durante los últimos 50 años. Espero que, al hacerlo,
podríamos entender mejor el estado actual del pensamiento complejo y sus
posibilidades de desarrollo, así como fomentar la colaboración renovada entre
las dos comunidades grandes
No hay comentarios:
Publicar un comentario