Kuramoto oscillators bandits for sequential partner selection in rhythmic social interactions

Abstract

A sincronização é um fenómeno fundamental em sistemas naturais e artifciais, presente em processos sociais, cognitivos e cooperativos. Esta dissertação aborda o problema da seleção de parceiros em interações sociais rítmicas, como na dança a pares ou em tarefas colaborativas, formulando-o como um processo de decisão sequencial no qual agentes autónomos escolhem parceiros com o objetivo de maximizar a sincronização. Para tal, combina-se o modelo de osciladores de Kuramoto, que descreve as dinâmicas rítmicas intrínsecas de cada agente, com algoritmos de Multi-Armed Bandits, nomeadamente Upper Confdence Bound (UCB), Discounted Upper Confdence Bound (D-UCB) e EXP3. Esta integração permite que os agentes aprendam incrementalmente a partir de interações sucessivas, equilibrando exploração e aproveitamento, e adaptando-se tanto a ambientes estacionários como a ambientes sujeitos a variações dinâmicas. Foi desenvolvido um motor de simulação que possibilita experiências sistemáticas em múltiplos cenários, incluindo diferentes topologias de rede, níveis de ruído e alterações estruturais no conjunto de agentes. Os resultados demonstram que modelos de seleção de parceiros baseados em osciladores constituem estratégias efcazes para promover a sincronização, revelando capacidade de adaptação a mudanças graduais ou súbitas no ambiente. A comparação entre algoritmos evidencia a vantagem do D-UCB em contextos dinâmicos e confrma a robustez do UCB em cenários estacionários. Este trabalho contribui para a compreensão dos mecanismos de sincronização em sistemas multiagente e oferece perspetivas relevantes para áreas como interação humano robô, coordenação colaborativa e desenvolvimento de agentes artifciais adaptativos.

Synchronization is a fundamental phenomenon in natural and artifcial systems, present in social, cognitive, and cooperative processes. This dissertation examines the problem of partner selection in rhythmic social interactions, such as paired dancing or collaborative tasks, formulating it as a sequential decision-making process in which autonomous agents choose partners with the goal of maximizing synchronization. To this end, the Kuramoto oscillator model, which captures the intrinsic rhythmic dynamics of each agent, is combined with Multi-Armed Bandit algorithms, namely UCB, D-UCB, and EXP3. This integration enables agents to learn incrementally from successive interactions, balancing exploration and exploitation while adapting to both stationary environments and those subject to dynamic variations. A simulation engine was developed to support systematic experimentation across multiple scenarios, including diferent network topologies, noise levels, and structural changes in the agent population. The results show that oscillator-based partner selection models constitute efective strategies for promoting synchronization, demonstrating the ability to adapt to gradual or sudden environmental changes. The comparison between algorithms highlights the advantage of D-UCB in dynamic contexts and confrms the robustness of UCB in stationary settings. This work contributes to a deeper understanding of synchronization mechanisms in multi-agent systems and ofers relevant perspectives for areas such as human-robot interaction, collaborative coordination, and the development of adaptive artifcial agents.