Inteligencja roju

Inteligencja roju ( SI ) to zbiorowe zachowanie zdecentralizowanych , samoorganizujących się systemów, naturalnych lub sztucznych . Koncepcja ta jest wykorzystywana w pracach nad sztuczną inteligencją . Wyrażenie zostało wprowadzone przez Gerardo Beni i Jing Wanga w 1989 roku w kontekście komórkowych systemów robotycznych.

Systemy SI składają się zazwyczaj z populacji prostych agentów lub boidów oddziałujących lokalnie ze sobą i ze swoim otoczeniem. Inspiracja często pochodzi z natury, zwłaszcza systemów biologicznych. Agenci kierują się bardzo prostymi zasadami i chociaż nie ma scentralizowanej struktury kontrolnej dyktującej zachowanie poszczególnych agentów, lokalne i do pewnego stopnia przypadkowe interakcje między takimi agentami prowadzą do pojawienia się „inteligentnych” globalnych zachowań, nieznanych jednostce agenci. Przykłady inteligencji roju w systemach naturalnych obejmują kolonie mrówek , kolonie pszczół , stada ptaków , polowania na jastrzębie , wypas zwierząt , wzrost bakterii , ławice ryb i inteligencja mikrobiologiczna .

Zastosowanie zasad roju do robotów nazywa się robotyką roju , podczas gdy inteligencja roju odnosi się do bardziej ogólnego zestawu algorytmów. Przewidywanie roju zostało wykorzystane w kontekście problemów prognozowania. Podejścia podobne do tych proponowanych w robotyce roju są rozważane w przypadku organizmów zmodyfikowanych genetycznie w syntetycznej inteligencji zbiorowej.

Modele zachowań roju

Zobacz też: Zachowanie roju

Boids (Reynolds 1987)

Główny artykuł: Boidy

Boids to program sztucznego życia , opracowany przez Craiga Reynoldsa w 1986 roku, który symuluje flokowanie , został opublikowany w 1987 roku w materiałach z konferencji ACM SIGGRAPH . Nazwa „boid” odpowiada skróconej wersji „bird-oid object”, która odnosi się do obiektu przypominającego ptaka.

Podobnie jak w przypadku większości symulacji sztucznego życia, Boids jest przykładem wyłaniającego się zachowania; to znaczy, złożoność Boidów wynika z interakcji poszczególnych agentów (w tym przypadku boidów) przestrzegających zestawu prostych zasad. Zasady obowiązujące w najprostszym świecie Boidów są następujące:

  • separacja : kieruj , aby uniknąć zatłoczenia lokalnych członków stada
  • wyrównanie : steruj w kierunku średniego kursu lokalnych członków stada
  • spójność : steruj, aby poruszać się w kierunku średniej pozycji (środka masy) lokalnych członków stada

Można dodać bardziej złożone zasady, takie jak unikanie przeszkód i poszukiwanie celu.

Samonapędzające się cząstki (Vicsek i in . 1995)

Główny artykuł: Cząstki samobieżne

Samobieżne cząstki (SPP), określane również jako model Vicseka , zostały wprowadzone w 1995 roku przez Vicseka i in. jako szczególny przypadek modelu boidów wprowadzonego w 1986 roku przez Reynoldsa . Rój jest modelowany w SPP przez zbiór cząstek, które poruszają się ze stałą prędkością, ale reagują na przypadkowe zaburzenia, przyjmując za każdym razem średni kierunek ruchu innych cząstek w ich lokalnym sąsiedztwie. Modele SPP przewidują, że zwierzęta w roju mają pewne wspólne cechy na poziomie grupy, niezależnie od rodzaju zwierząt w roju. Powstają systemy rojowe wyłaniające się zachowania , które występują w wielu różnych skalach, z których niektóre okazują się zarówno uniwersalne, jak i solidne. Wyzwaniem w fizyce teoretycznej stało się znalezienie minimalnych modeli statystycznych, które uchwyciłyby te zachowania.

Metaheurystyki

Zobacz też: Lista metaheurystyk opartych na metaforach

Algorytmy ewolucyjne (EA), optymalizacja roju cząstek (PSO), ewolucja różniczkowa (DE), optymalizacja kolonii mrówek (ACO) i ich warianty dominują w dziedzinie metaheurystyk inspirowanych naturą . Ta lista zawiera algorytmy opublikowane do około 2000 roku. Wiele nowszych metaheurystyk inspirowanych metaforami zaczęło przyciągać krytykę w społeczności naukowej za ukrywanie ich braku nowości za rozbudowaną metaforą. Aby zapoznać się z algorytmami opublikowanymi od tego czasu, zobacz Lista metaheurystyk opartych na metaforach .

Metaheurystyce brakuje zaufania do rozwiązania. Po określeniu odpowiednich parametrów i osiągnięciu dostatecznej konwergencji często znajduje się rozwiązanie optymalne lub bliskie optymalnemu – niemniej jednak, jeśli nie zna się z góry rozwiązania optymalnego, nie jest znana jakość rozwiązania. Pomimo tej oczywistej wady wykazano, że tego typu algorytmy dobrze sprawdzają się w praktyce i były szeroko badane i rozwijane. Z drugiej strony można uniknąć tej wady, obliczając jakość rozwiązania dla przypadku szczególnego, gdzie takie obliczenie jest możliwe, a po takim przebiegu wiadomo, że każde rozwiązanie, które jest co najmniej tak dobre, jak rozwiązanie przypadku szczególnego, ma co najmniej pewność rozwiązania, jaką miał przypadek szczególny. Jednym z takich przykładów jest Algorytm Monte Carlo inspirowany przez mrówki dla ustawienia łuku minimalnego sprzężenia zwrotnego , gdzie zostało to osiągnięte probabilistycznie poprzez hybrydyzację algorytmu Monte Carlo z techniką optymalizacji kolonii mrówek .

Stochastyczne poszukiwanie dyfuzji (Bishop 1989)

Główny artykuł: Stochastyczne wyszukiwanie dyfuzji

Opublikowane po raz pierwszy w 1989 r. Stochastyczne wyszukiwanie dyfuzyjne (SDS) było pierwszą metaheurystyką Swarm Intelligence. SDS jest opartą na agentach probabilistyczną globalną techniką wyszukiwania i optymalizacji, która najlepiej nadaje się do problemów, w których funkcję celu można rozłożyć na wiele niezależnych funkcji częściowych. Każdy agent utrzymuje hipotezę, która jest iteracyjnie testowana przez ocenę losowo wybranej funkcji celu cząstkowego sparametryzowanej przez aktualną hipotezę agenta. W standardowej wersji SDS takie częściowe oceny funkcji są binarne, w wyniku czego każdy agent staje się aktywny lub nieaktywny. Informacje na temat hipotez są rozpowszechniane w całej populacji za pośrednictwem komunikacji między agentami. w przeciwieństwie do stigmergiczna stosowana w ACO, w SDS agenci przekazują hipotezy za pośrednictwem strategii komunikacji jeden do jednego, analogicznej do procedury biegu tandemowego obserwowanej u Leptothorax acervorum . Mechanizm pozytywnego sprzężenia zwrotnego zapewnia, że ​​z czasem populacja agentów stabilizuje się wokół najlepszego na świecie rozwiązania. SDS to zarówno wydajny, jak i solidny globalny algorytm wyszukiwania i optymalizacji, który został obszernie opisany matematycznie. Ostatnie prace obejmowały połączenie globalnych właściwości wyszukiwania SDS z innymi algorytmami inteligencji roju.

Optymalizacja kolonii mrówek (Dorigo 1992)

Główny artykuł: Optymalizacja kolonii mrówek

Optymalizacja kolonii mrówek (ACO), wprowadzona przez Dorigo w jego rozprawie doktorskiej, jest klasą algorytmów optymalizacyjnych wzorowanych na działaniach kolonii mrówek . ACO to technika probabilistyczna przydatna w problemach związanych ze znajdowaniem lepszych ścieżek przez grafy. Sztuczne „mrówki” — agenci symulacji — lokalizują optymalne rozwiązania, poruszając się po przestrzeni parametrów reprezentującej wszystkie możliwe rozwiązania. Naturalne mrówki rozkładają feromony , kierując się wzajemnie do zasobów podczas eksploracji swojego środowiska. Symulowane „mrówki” podobnie rejestrują swoje pozycje i jakość swoich rozwiązań, dzięki czemu w późniejszych iteracjach symulacji więcej mrówek szuka lepszych rozwiązań.

Optymalizacja roju cząstek (Kennedy, Eberhart i Shi 1995)

Główny artykuł: Optymalizacja roju cząstek

Optymalizacja roju cząstek (PSO) to globalny algorytm optymalizacji do rozwiązywania problemów, w których najlepsze rozwiązanie można przedstawić jako punkt lub powierzchnię w przestrzeni n-wymiarowej. Hipotezy są wykreślane w tej przestrzeni i obsadzane prędkością początkową , jak również kanałem komunikacyjnym między cząstkami. Cząsteczki przemieszczają się następnie przez przestrzeń roztworu i są oceniane zgodnie z pewnym dopasowania po każdym kroku czasowym. Z biegiem czasu cząstki są przyspieszane w kierunku tych cząstek w ich grupie komunikacyjnej, które mają lepsze wartości dopasowania. Główną przewagą takiego podejścia nad innymi strategiami globalnej minimalizacji, takimi jak np Symulowane wyżarzanie polega na tym, że duża liczba członków tworzących rój cząstek sprawia, że ​​technika ta jest imponująco odporna na problem lokalnych minimów .

Sztuczna inteligencja roju (2015)

Sztuczna inteligencja roju (ASI) to metoda wzmacniania zbiorowej inteligencji połączonych w sieć grup ludzkich za pomocą algorytmów sterowania wzorowanych na naturalnych rojach. Czasami określana jako Human Swarming lub Swarm AI, technologia ta łączy grupy ludzkich uczestników w systemy czasu rzeczywistego, które rozważają i zbiegają się w rozwiązaniach jako dynamiczne roje, gdy jednocześnie zadawane jest pytanie ASI jest wykorzystywane w szerokim zakresie zastosowań, od umożliwienia zespołom biznesowym do generowania bardzo dokładnych prognoz finansowych, aby umożliwić fanom sportu osiąganie lepszych wyników niż rynki bukmacherskie w Vegas. ASI zostało również wykorzystane, aby umożliwić grupom lekarzy generowanie diagnoz ze znacznie większą dokładnością niż tradycyjne metody. ASI był używany przez Wyżywienia i Rolnictwa (FAO) Organizacji Narodów Zjednoczonych , aby pomóc przewidywać klęski głodu w hotspotach na całym świecie. [ potrzebne lepsze źródło ]

Aplikacje

Techniki oparte na inteligencji roju mogą być wykorzystywane w wielu zastosowaniach. Wojsko USA bada techniki roju do kontrolowania bezzałogowych pojazdów. Europejska Agencja Kosmiczna myśli o orbitalnym roju do samoorganizacji i interferometrii. NASA bada wykorzystanie technologii roju do mapowania planet. Artykuł M. Anthony'ego Lewisa i George'a A. Bekeya z 1992 roku omawia możliwość wykorzystania inteligencji roju do kontrolowania nanobotów w ciele w celu zabijania guzów nowotworowych. I odwrotnie, al-Rifaie i Aber używali stochastyczne przeszukiwanie dyfuzyjne , aby pomóc zlokalizować guzy. Inteligencja roju została również zastosowana do eksploracji danych i analizy klastrów . Modele oparte na mrówkach są dalszym przedmiotem współczesnej teorii zarządzania.

Routing oparty na mrówkach

Zbadano również wykorzystanie inteligencji roju w sieciach telekomunikacyjnych w postaci routingu opartego na mrówkach . Pionierem tego był oddzielnie Dorigo i in. i Hewlett Packard w połowie lat 90., z wieloma istniejącymi wariantami. Zasadniczo wykorzystuje to probabilistyczną tablicę routingu nagradzającą/wzmacniającą trasę pomyślnie pokonaną przez każdą „mrówkę” (mały pakiet kontrolny), która zalewa sieć. Zbadano wzmocnienie trasy w kierunku do przodu, do tyłu iw obu jednocześnie: wzmocnienie do tyłu wymaga symetrycznej sieci i łączy ze sobą dwa kierunki; wzmocnienie do przodu nagradza trasę, zanim wynik jest znany (ale wtedy trzeba by zapłacić za kino, zanim się dowie, jak dobry jest film). Ponieważ system zachowuje się stochastycznie, a zatem brakuje mu powtarzalności, komercyjne wdrożenie napotyka duże przeszkody. Mobilne media i nowe technologie mają potencjał do zmiany progu działań zbiorowych dzięki inteligencji roju (Rheingold: 2002, s.175).

Lokalizacja infrastruktury transmisyjnej dla bezprzewodowych sieci komunikacyjnych jest ważnym problemem inżynierskim obejmującym sprzeczne ze sobą cele. Wymagany jest minimalny wybór lokalizacji (lub witryn), pod warunkiem zapewnienia odpowiedniego pokrycia obszaru dla użytkowników. Algorytm inteligencji roju inspirowany bardzo różnymi mrówkami, stochastyczne przeszukiwanie dyfuzyjne (SDS), został z powodzeniem wykorzystany do stworzenia ogólnego modelu tego problemu, związanego z pakowaniem okręgów i pokrywaniem zbiorów. Wykazano, że karta charakterystyki może być stosowana do identyfikacji odpowiednich rozwiązań nawet w przypadku dużych problemów.

Linie lotnicze wykorzystywały również routing oparty na mrówkach do przydzielania przylotów samolotów do bramek na lotniskach. W Southwest Airlines oprogramowanie wykorzystuje teorię roju lub inteligencję roju — ideę, że kolonia mrówek działa lepiej niż pojedyncza. Każdy pilot zachowuje się jak mrówka szukająca najlepszej bramki na lotnisko. „Pilot uczy się na podstawie swojego doświadczenia, co jest dla niego najlepsze i okazuje się, że jest to najlepsze rozwiązanie dla linii lotniczej” — Douglas A. Lawson wyjaśnia. W rezultacie „kolonia” pilotów zawsze kieruje się do bramek, do których może szybko dotrzeć i odlecieć. Program może nawet ostrzec pilota o rezerwowych samolotach, zanim one nastąpią. „Możemy przewidzieć, że tak się stanie, więc będziemy mieć dostępną bramę” – mówi Lawson.

Symulacja tłumu

Artyści wykorzystują technologię roju do tworzenia złożonych systemów interaktywnych lub symulowania tłumów . [ potrzebne źródło ]

Instancje

Trylogia filmowa Władca Pierścieni wykorzystywała podobną technologię, znaną jako Massive (oprogramowanie) , podczas scen bitewnych. Technologia roju jest szczególnie atrakcyjna, ponieważ jest tania, solidna i prosta.

Stanley i Stella w: Breaking the Ice był pierwszym filmem, który wykorzystał technologię roju do renderowania, realistycznie przedstawiając ruchy grup ryb i ptaków za pomocą systemu Boids. [ potrzebne źródło ]

Powrót Batmana Tima Burtona również wykorzystał technologię roju do pokazania ruchów grupy nietoperzy.

Linie lotnicze wykorzystały teorię roju do symulacji pasażerów wchodzących na pokład samolotu. Badacz Southwest Airlines, Douglas A. Lawson, wykorzystał symulację komputerową opartą na mrówkach, wykorzystującą tylko sześć reguł interakcji, do oceny czasu wejścia na pokład przy użyciu różnych metod wejścia na pokład (Miller, 2010, xii-xviii).

Rój ludzi

Sieci rozproszonych użytkowników można zorganizować w „roje ludzkie” poprzez wdrożenie systemów sterowania w pętli zamkniętej w czasie rzeczywistym. Rój ludzi pozwala wykorzystać zbiorową inteligencję połączonych grup ludzi online. Zbiorowa inteligencja grupy często przekracza możliwości każdego członka grupy.

Stanford University School of Medicine opublikował w 2018 roku badanie pokazujące, że grupy ludzkich lekarzy, połączone ze sobą za pomocą algorytmów roju w czasie rzeczywistym, mogą diagnozować schorzenia ze znacznie większą dokładnością niż poszczególni lekarze lub grupy lekarzy współpracujących przy użyciu tradycyjnych metod crowdsourcingu . W jednym z takich badań roje połączonych ze sobą radiologów otrzymały zadanie diagnozowania prześwietleń klatki piersiowej i wykazały 33% redukcję błędów diagnostycznych w porównaniu z tradycyjnymi metodami ludzkimi oraz 22% poprawę w porównaniu z tradycyjnym uczeniem maszynowym.

Szkoła Medyczna Uniwersytetu Kalifornijskiego w San Francisco (UCSF) opublikowała w 2021 roku przedruk dotyczący diagnozowania obrazów MRI przez małe grupy współpracujących lekarzy. Badanie wykazało 23% wzrost dokładności diagnostycznej przy użyciu technologii sztucznej inteligencji roju (ASI) w porównaniu z głosowaniem większościowym.

Gramatyki roju

Gramatyki roju to roje gramatyk stochastycznych , które można ewoluować w celu opisania złożonych właściwości, takich jak w sztuce i architekturze. Te gramatyki wchodzą w interakcję jako agenci zachowujący się zgodnie z regułami inteligencji roju. Takie zachowanie może również sugerować głębokiego uczenia , zwłaszcza gdy rozważa się mapowanie takich rojów na obwody neuronowe.

Sztuka roju

W serii prac al-Rifaie i in. z powodzeniem wykorzystali dwa algorytmy inteligencji roju - jeden naśladujący zachowanie jednego gatunku mrówek ( Leptothorax acervorum ) żerujących ( SDS ), a drugi algorytm naśladujący zachowanie gromadzących się ptaków ( optymalizacja roju cząstek , PSO) - do opisania nowatorska strategia integracji wykorzystująca lokalne właściwości wyszukiwania PSO z globalnym zachowaniem SDS. Wynikowy algorytm hybrydowy jest używany do szkicowania nowatorskich rysunków obrazu wejściowego, wykorzystując artystyczne napięcie między lokalnym zachowaniem „stadących się ptaków” - gdy starają się podążać za szkicem wejściowym - a globalnym zachowaniem „mrówek żerujących” - gdy starają się zachęcaj stado do odkrywania nowych regionów płótna. „Twórczość” tego hybrydowego systemu roju została przeanalizowana w filozoficznym świetle „kłącza” w kontekście Deleuze'a „Orchidea i osa”.

Nowsza praca al-Rifaie i in., „Swarmic Sketches and Attention Mechanism”, wprowadza nowatorskie podejście wykorzystujące mechanizm „uwagi” poprzez dostosowanie SDS do selektywnej obsługi szczegółowych obszarów cyfrowego płótna. Gdy uwaga roju zostanie zwrócona na określoną linię na płótnie, funkcja PSO jest wykorzystywana do stworzenia „szkicu roju” obserwowanej linii. Roje poruszają się po cyfrowym płótnie, próbując wypełnić swoje dynamiczne role – skupiając się na obszarach z większą ilością szczegółów – powiązanych z nimi za pośrednictwem ich funkcji fitness. Po powiązaniu procesu renderowania z koncepcjami uwagi, występ uczestniczących rojów tworzy unikalny, nieidentyczny szkic za każdym razem, gdy roje „artystów” rozpoczynają interpretację wprowadzonych rysunków. W innych pracach, podczas gdy PSO odpowiada za proces szkicowania, SDS kontroluje uwagę roju.

W podobnej pracy „Swarmic Paintings and Color Attention” niefotorealistyczne obrazy są tworzone przy użyciu algorytmu SDS, który w kontekście tej pracy odpowiada za uwagę kolorów.

„ Twórczość obliczeniowa ” wyżej wymienionych systemów jest omawiana poprzez dwa wstępne warunki kreatywności (tj. wolność i ograniczenia) w dwóch niesławnych fazach eksploracji i eksploatacji inteligencji roju.

Michael Theodore i Nikolaus Correll wykorzystują inteligentną instalację artystyczną, aby zbadać, co trzeba zrobić, aby zaprojektowane systemy wyglądały jak żywe.

Znani badacze

Zobacz też

Dalsza lektura

Linki zewnętrzne

Pobrane z „ https://en.wikipedia.org/w/index.php?title=Swarm_intelligence&oldid=1144074383 ”