社会计算何时优于其各部分之和？

社会计算，无论是通过群体代理执行的搜索还是市场的集体预测，通常能为复杂问题提供极好的解决方案。在许多例子中，试图局部解决问题的个体可以聚合他们的信息并协同工作，以达成一个优越的全局解决方案。这表明可能存在超越特定应用的信息聚合与协调的一般原理。在此，我们展示了该问题的一般结构可以用信息论来表述，并推导出导致最优多代理搜索的数学条件。具体来说，我们以自主代理寻找随机源空间位置的局部搜索算法为例来说明该问题。我们探讨了搜索问题的类型（根据源的统计特性和每个代理的测量性质定义），在这些问题中，多个搜索者之间的协调能带来超越相同数量独立搜索者所获收益的优势。我们表明，有效的协调对应于协同，而无效的协调对应于独立性，这是根据信息论定义的。我们根据源的协同潜力对其进行了显式分类。我们表明，发射不相关信号的源不提供协同协调的机会，而以某种方式发射相关信号的源则允许搜索者之间存在强协同。这些一般性考虑对于在实际环境中为特定搜索问题设计最优算法至关重要。