Swarm intelligence (SI) je kolektivní chování decentralizovaných, samostatně organizovaných systémů, přirozených nebo umělých. Tento koncept se používá při práci na umělé inteligenci. Tento výraz zavedli Gerardo Beni a Jing Wang v roce 1989, v kontextu buněčných robotických systémů.
Systémy SI se obvykle skládají z populace jednoduchých agentů nebo boidů, kteří působí lokálně mezi sebou a se svým prostředím. Inspirace často vychází z přírody, zejména z biologických systémů. Agenti se řídí velmi jednoduchými pravidly, a přestože neexistuje žádná centralizovaná řídící struktura, která by diktovala, jak se mají jednotliví agenti chovat, lokální a do určité míry náhodné interakce mezi takovými agenty vedou ke vzniku „inteligentního“ globálního chování, které jednotliví agenti neznají. Přirozené příklady SI zahrnují kolonie mravenců, hejna ptáků, pasení zvířat, bakteriální růst a chov ryb.
Aplikace rojových principů na roboty se nazývá rojová robotika, zatímco ‚rojová inteligence‘ odkazuje na obecnější sadu algoritmů. ‚Předpověď roje‘ byla použita v kontextu předpovědních problémů.
Výzkumníci ve Švýcarsku vyvinuli algoritmus založený na Hamiltonově pravidlu výběru příbuzných. Algoritmus ukazuje, jak se altruismus v roji entit může časem vyvíjet a vést k efektivnějšímu chování roje.
Algoritmus umělého včelstva
Umělé imunitní systémy (AIS) se týkají využití abstraktní struktury a funkce
imunitního systému k výpočetním systémům a zkoumání aplikace těchto systémů k řešení výpočetních problémů z matematiky, inženýrství a informačních technologií. AIS je dílčí obor Biologicky inspirované výpočty a přirozené výpočty, se zájmy v oblasti strojového učení a patří do širšího oboru Umělá inteligence.
Charged System Search (CSS) je nový optimalizační algoritmus založený na některých principech z fyziky a mechaniky. CSS využívá řídící zákony Coulombovy a Gaussovy z elektrostatiky a Newtonovy zákony mechaniky. CSS je multiagentní přístup, ve kterém je každý agent nabitou částicí (CP). CPs se mohou navzájem ovlivňovat na základě hodnot jejich kondice a jejich separačních vzdáleností. Množství výsledné síly je určeno pomocí elektrostatických zákonů a kvalita pohybu je určena pomocí Newtonových zákonů mechaniky. CSS je použitelný pro všechna optimalizační pole; zejména je vhodný pro nehotové nebo konvexní domény. Tento algoritmus poskytuje dobrou rovnováhu mezi průzkumem a paradigmaty využití algoritmu, což může značně zlepšit efektivitu algoritmu, a proto CSS může být také považován za dobrý globální a lokální optimalizátor současně.
Hledání kukaček (CS) napodobuje hloubavé chování některých druhů kukaček, které využívají hostitelské
ptáky k vylíhnutí vajíček a výchově mláďat.
Tento algoritmus hledání kukaček je vylepšen lety Levy
s kroky skoku načtenými z Levyho distribuce.
Nedávné studie naznačily, že CS může předčit jiné algoritmy
jako například optimalizaci roje částic. Například srovnání hledání kukaček s PSO, DE a ABC naznačuje, že CS a DE algoritmy poskytují robustnější výsledky než PSO a ABC.
Algoritmus Firefly (FA) je další algoritmus založený na roji, který byl inspirován
blikajícím chováním světlušek. Intenzita světla je spojena s atraktivitou
světlušky a tato atraktivita umožňuje světluškám se schopností
rozdělit se do malých skupin a každá podskupina rojit kolem místních režimů.
Proto je algoritmus Firefly speciálně vhodný pro multimodální optimalizační problémy.
Ve skutečnosti byl FA aplikován v kontinuální optimalizaci, problému obchodního cestujícího,
clusteringu, zpracování obrázků a výběru funkcí.
Gravitační vyhledávací algoritmus
Gravitační vyhledávací algoritmus (GSA) je konstruován na základě gravitačního zákona a pojmu interakce hmot. Algoritmus GSA používá teorii newtonovské fyziky a jeho hledací agenti jsou kolekcí hmot. V GSA máme izolovanou soustavu hmot. Pomocí gravitační síly může každá hmota v soustavě vidět situaci jiných hmot. Gravitační síla je proto způsob přenosu informací mezi různými hmotami (Rašedi, Nezamabadi-pour a Saryazdi 2009).
V GSA jsou agenti považováni za objekty a jejich výkon se měří podle jejich hmotností. Všechny tyto objekty se navzájem přitahují gravitační silou a tato síla způsobuje pohyb všech objektů globálně směrem k objektům s těžší hmotností. Těžké hmoty odpovídají dobrému řešení problému. Poloha agenta odpovídá řešení problému a jeho hmotnost se určuje pomocí kondiční funkce. V průběhu času jsou hmoty přitahovány nejtěžší hmotou. Doufáme, že tato hmota by představovala optimální řešení ve vyhledávacím prostoru. GSA by mohla být považována za izolovanou soustavu hmot. Je to jako malý umělý svět hmot, které se řídí Newtonovými zákony gravitace a pohybu (Rashedi, Nezamabadi-pour a Saryazdi 2009). Multiobjektivní varianta GSA, nazvaná nedominovaný třídící gravitační vyhledávací algoritmus (NSGSA), byla navržena Nobaharim a Nikusokhanem v roce 2011.
Algoritmus Intelligent Water Drops (IWD) je přírodou inspirovaný optimalizační algoritmus založený na roji, který byl inspirován přírodními řekami a tím, jak nacházejí téměř optimální cesty ke svému cíli. Tyto téměř optimální nebo optimální cesty vyplývají z činností a
reakcí, které se vyskytují mezi vodními kapkami a vodními kapkami s jejich řečišti. V algoritmu IWD spolupracuje několik umělých vodních kapek na změně svého prostředí tak, že optimální cesta je odhalena jako ta s nejnižší půdou na svých spojích.
Řešení jsou postupně konstruována pomocí algoritmu IWD. V důsledku toho je algoritmus IWD obecně konstruktivním optimalizačním algoritmem založeným na počtu obyvatel.
Optimalizace roje částic
Optimalizace roje částic (anglicky Particle swarm optimization, PSO) je globální optimalizační algoritmus pro řešení problémů, ve kterém může být nejlepší řešení reprezentováno jako bod nebo plocha v n-rozměrném prostoru. Hypotézy jsou vykresleny v tomto prostoru a osazeny počáteční rychlostí, stejně jako komunikačním kanálem mezi částicemi. Částice se pak pohybují v prostoru řešení a jsou po každém časovém kroku vyhodnocovány podle nějakého fitness kritéria. V průběhu času jsou částice urychlovány směrem k těm částicím v rámci jejich komunikačního seskupení, které mají lepší fitness hodnoty. Hlavní výhodou takového přístupu oproti jiným globálním minimalizačním strategiím, jako je simulované žíhání, je, že velký počet členů, které tvoří roj částic, činí techniku působivě odolnou vůči problému lokálních minim.
Dynamika tvorby řek (RFD) je heuristická metoda
podobná optimalizaci kolonií mravenců (ACO). Ve skutečnosti lze RFD chápat jako gradientovou verzi ACO, založenou na kopírování toho, jak voda tvoří řeky erozí půdy a ukládáním sedimentů. Jak voda proměňuje prostředí, výšky míst jsou dynamicky modifikovány a sestupné gradienty jsou konstruovány. Po gradientech následují následné dropy, které vytvářejí nové gradienty, posilující ty nejlepší. Tím jsou dána dobrá řešení ve formě sestupných výšek. Tato metoda byla použita k řešení různých NP-úplných problémů (například problémů s hledáním stromu minimálních vzdáleností a hledáním stromu minimálního spanningu v grafu s variabilními náklady). Orientace gradientu RFD ji činí speciálně vhodnou pro řešení těchto problémů a poskytuje dobrý kompromis mezi hledáním dobrých výsledků a netrávením mnoho výpočetního času. Ve skutečnosti RFD vyhovuje obzvláště dobře pro problémy spočívající ve vytváření jakéhosi krycího stromu.
Samohybné částice (SPP), označované také jako Couzinův-Vicsekův algoritmus, byly zavedeny v roce 1995 Vicsekem a Couzinem a spol. jako zvláštní případ modelu boids zavedeného v roce 1986 Reynoldsem. Roj je v SPP modelován kolekcí částic, které se pohybují konstantní rychlostí, ale reagují na náhodnou odchylku tím, že přijímají při každém přírůstku průměrný směr pohybu ostatních částic v jejich místním okolí. Modely SPP předpovídají, že rojící se zvířata sdílejí určité vlastnosti na úrovni skupiny, bez ohledu na typ zvířat v roji. Rojové systémy vyvolávají vznikající chování, které se vyskytuje v mnoha různých měřítcích, z nichž některé se ukazují jako univerzální a robustní. V teoretické fyzice se stalo výzvou najít minimální statistické modely, které zachycují toto chování.
Stochastické difúzní vyhledávání
Stochastické difúzní vyhledávání (SDS) je pravděpodobnostní technika globálního vyhledávání a optimalizace založená na agentech, která je nejvhodnější pro problémy, kdy lze objektivní funkci rozložit na více nezávislých parciálních funkcí. Každý agent udržuje hypotézu, která je iterativně testována vyhodnocením náhodně vybrané parciální objektivní funkce parametrizované podle aktuální hypotézy agenta. Ve standardní verzi SDS jsou tato vyhodnocení parciálních funkcí binární, což vede k tomu, že se každý agent stane aktivním nebo neaktivním. Informace o hypotézách se šíří napříč populací prostřednictvím komunikace mezi agenty. Na rozdíl od stigmergické komunikace používané v ACO, v SDS agenti komunikují hypotézy prostřednictvím komunikační strategie jedna ku jedné analogické tandemovému běžícímu postupu pozorovanému u některých druhů mravenců. Mechanismus pozitivní zpětné vazby zajišťuje, že se populace agentů časem stabilizuje kolem globálního nejlepšího řešení. SDS je efektivní a zároveň robustní algoritmus vyhledávání a optimalizace, který byl obsáhle matematicky popsán.
Techniky založené na Swarm Intelligence mohou být použity v řadě aplikací. Americká armáda zkoumá rojové techniky pro ovládání bezpilotních vozidel. Evropská kosmická agentura uvažuje o orbitálním roji pro sebesestavování a interferometrii. NASA zkoumá využití rojové technologie pro planetární mapování. Práce M. Anthonyho Lewise a George A. Bekeyho z roku 1992 pojednává o možnosti využití rojové inteligence pro ovládání nanobotů v těle za účelem zabíjení nádorů rakoviny. Rojová inteligence byla také použita pro dolování dat.
Umělci používají technologii roje jako prostředek pro vytváření komplexních interaktivních systémů nebo simulaci davů.
Stanley and Stella in: Breaking the Ice byl první film, který využil technologii roje pro vykreslování, realisticky zobrazující pohyby skupin ryb a ptáků pomocí systému Boids. Batman se vrací od Tima Burtona také využil technologii roje pro zobrazení pohybů skupiny netopýrů. Filmová trilogie Pán prstenů využila podobnou technologii, známou jako Massive, během bitevních scén. Technologie roje je obzvláště atraktivní, protože je levná, robustní a jednoduchá.
Letecké společnosti používají teorii roje k simulaci cestujících nastupujících do letadla. Výzkumník společnosti Southwest Airlines Douglas A. Lawson použil počítačovou simulaci založenou na mravencích využívající pouze šest interakčních pravidel k vyhodnocení doby nastupování pomocí různých metod (Miller, 2010, xii-xviii).
Využití Swarm Intelligence v telekomunikačních sítích bylo také zkoumáno, v podobě Ant Based Routing. To bylo průkopníky samostatně Dorigo et al. a Hewlett Packard v polovině 90. let, s řadou variant od té doby. V podstatě to využívá pravděpodobnostní routingovou tabulku odměňující/posilující trasu úspěšně projetou každým „mravencem“ (malým řídicím paketem), který zaplaví síť. Posílení trasy v dopředném směru, opačném směru a obou současně bylo zkoumáno: zpětné posílení vyžaduje symetrickou síť a spojuje oba směry dohromady; dopředné posílení odmění trasu dříve, než je znám výsledek (ale pak zaplatíte za kino dříve, než zjistíte, jak dobrý film je). Jelikož se systém chová stochasticky, a proto postrádá opakovatelnost, existují velké překážky pro komerční nasazení. Mobilní média a nové technologie mají potenciál změnit práh pro kolektivní akci díky rojové inteligenci (Rheingold: 2002, P175).
Letecké společnosti také používají směrování na bázi mravenců při přiřazování příletů letadel k letištním branám. V Southwest Airlines využívá softwarový program teorii rojů neboli rojovou inteligenci – myšlenku, že kolonie mravenců funguje lépe než kolonie sama. Každý pilot se chová jako mravenec, který hledá nejlepší letištní bránu. „Pilot se ze svých zkušeností dozví, co je pro něj nejlepší, a ukáže se, že to je pro leteckou společnost nejlepší řešení,“ vysvětluje Douglas A. Lawson. Výsledkem je, že „kolonie“ pilotů vždy míří k branám, ke kterým mohou rychle dorazit a odletět. Program dokonce dokáže upozornit pilota na záložní letadla ještě předtím, než k nim dojde. „Můžeme předvídat, že k tomu dojde, takže budeme mít k dispozici bránu,“ říká Lawson.
Pojmy a odkazy související s inteligencí roje lze nalézt v celé populární kultuře, často jako nějaká forma kolektivní inteligence nebo skupinové mysli zahrnující mnohem více agentů, než se používá v současných aplikacích.
Komunikace se zvířaty · Srovnávací poznávání · Kognitivní etologie · Neuroethologie · Emoce u zvířat · Bolest u zvířat · Pozorovací učení · Používání nástrojů u zvířat · Vokální učení
Pták · Kočka · Hlavonožec · Hlavonožec · Pes · Slon · Rybka · Hominid · Primát · Inteligence roje