Inteligencja roju - Swarm intelligence

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

Układy SI składają się zazwyczaj z populacji prostych agentów lub organizmów oddziałujących lokalnie ze sobą i ze swoim środowiskiem. Inspiracja często pochodzi z natury, zwłaszcza z systemów biologicznych. Agenci przestrzegają bardzo prostych zasad i chociaż nie ma scentralizowanej struktury kontrolnej dyktującej zachowanie poszczególnych agentów, lokalne i do pewnego stopnia losowe, interakcje między takimi agentami prowadzą do pojawienia się „inteligentnego” globalnego zachowania, nieznanego jednostce. agentów. Przykłady roju inteligencji w systemach naturalnych obejmują kolonie mrówek , kolonie pszczół , ptaków uciekają , jastrzębie polowanie , zwierzę pasterstwo , wzrost bakterii , ryby wykształcenia i inteligencji drobnoustrojów .

Zastosowanie zasad roju do robotów nazywa się robotyką roju, podczas gdy inteligencja roju odnosi się do bardziej ogólnego zestawu algorytmów. Prognozowanie roju zostało wykorzystane w kontekście problemów prognostycznych. Podobne podejścia do tych proponowanych dla robotyki roju są rozważane dla organizmów genetycznie zmodyfikowanych w syntetycznej inteligencji zbiorowej.

Modele zachowania roju

Zobacz także: zachowanie roju

Boidy (Reynolds 1987)

Główny artykuł: Boids

Algorytm stada jest życie sztuczny program opracowany przez Craiga Reynoldsa w 1986 roku, który symuluje uciekają zachowanie ptaków. Jego artykuł na ten temat został opublikowany w 1987 roku w materiałach z konferencji ACM SIGGRAPH . Nazwa „boid” odpowiada skróconej wersji „obiektu ptaka”, który odnosi się do obiektu podobnego do ptaka.

Podobnie jak w przypadku większości sztucznych symulacji życia, Boids jest przykładem zachowań emergentnych ; oznacza to, że złożoność Boidów wynika z interakcji poszczególnych agentów (w tym przypadku Boidów) przestrzegających zestawu prostych zasad. Zasady obowiązujące w najprostszym świecie Boidów są następujące:

  • oddzielenie : skrętu na odsunięcie lokalnych flockmates
  • wyrównanie : kieruj się 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 dążenie do celu.

Cząstki samobieżne (Vicsek et al . 1995)

Główny artykuł: Cząstki samobieżne

Cząstki samobieżne (SPP), określane również jako model Vicseka , zostały wprowadzone w 1995 roku przez Vicsek et al. jako szczególny przypadek modelu boids wprowadzonego w 1986 roku przez Reynoldsa . Rój jest modelowany w SPP przez zbiór cząstek, które poruszają się ze stałą prędkością, ale reagują na losowe zaburzenia, przyjmując za każdym razem średni kierunek ruchu innych cząstek w ich lokalnym sąsiedztwie. Modele SPP przewidują, że zwierzęta w roju mają pewne cechy wspólne na poziomie grupy, niezależnie od rodzaju zwierząt w roju. Systemy roju powodują powstawanie zachowań pojawiających się w wielu różnych skalach, z których niektóre okazują się zarówno uniwersalne, jak i silne. Wyzwaniem w fizyce teoretycznej stało się znalezienie minimalnych modeli statystycznych, które uchwyciłyby te zachowania.

Metaheurystyka

Zobacz także: Lista metaheurystyk opartych na metaforach

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

Metaheurystyce brakuje zaufania do rozwiązania. Po ustaleniu odpowiednich parametrów i osiągnięciu wystarczającego stopnia zbieżności często znajdują rozwiązanie optymalne lub bliskie optymalnemu – niemniej jednak, jeśli nie znamy z góry optymalnego rozwiązania, nie jest znana jakość rozwiązania. Pomimo tej oczywistej wady wykazano, że tego typu algorytmy sprawdzają się w praktyce i zostały szeroko zbadane i opracowane. Z drugiej strony można uniknąć tej wady obliczając jakość rozwiązania dla szczególnego przypadku, w którym takie obliczenie jest możliwe, a po takim przebiegu wiadomo, że każde rozwiązanie, które jest co najmniej tak dobre, jak rozwiązanie, które miał przypadek szczególny, ma przynajmniej pewność rozwiązania, którą miał szczególny przypadek. Jednym z takich przykładów jest inspirowany przez mrówki algorytm Monte Carlo dla zestawu łuku z minimalnym sprzężeniem zwrotnym, w którym osiągnięto to probabilistycznie poprzez hybrydyzację algorytmu Monte Carlo z techniką optymalizacji kolonii mrówek .

Poszukiwanie dyfuzji stochastycznej (Bishop 1989)

Główny artykuł: Stochastyczne wyszukiwanie dyfuzji

Po raz pierwszy opublikowane w 1989 r. Stochastic diffusion search (SDS) było pierwszą metaheurystyką Swarm Intelligence. SDS to oparta na agentach probabilistyczna technika globalnego wyszukiwania i optymalizacji, która najlepiej nadaje się do rozwiązywania problemów, w których funkcję celu można rozłożyć na wiele niezależnych funkcji częściowych. Każdy agent utrzymuje hipotezę, która jest iteracyjnie testowana przez ocenę losowo wybranej częściowej funkcji celu sparametryzowanej przez bieżącą hipotezę agenta. W standardowej wersji SDS takie częściowe oceny funkcji są binarne, co powoduje, że każdy agent staje się aktywny lub nieaktywny. Informacje o hipotezach są rozpowszechniane w całej populacji za pośrednictwem komunikacji międzyagencyjnej. W przeciwieństwie do komunikacji stygmergicznej stosowanej w ACO, w SDS agenci komunikują hipotezy za pomocą strategii komunikacji jeden-do-jednego, analogicznej do procedury biegania w tandemie obserwowanej u Leptothorax acervorum . Mechanizm pozytywnego sprzężenia zwrotnego zapewnia, że ​​z czasem populacja agentów ustabilizuje się wokół najlepszego globalnego rozwiązania. SDS jest zarówno wydajnym, jak i niezawodnym globalnym algorytmem 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 swojej rozprawie doktorskiej, to klasa algorytmów optymalizacji wzorowanych na działaniu kolonii mrówek . ACO to technika probabilistyczna przydatna w problemach związanych ze znajdowaniem lepszych ścieżek przez grafy. Sztuczne „mrówki” — agenty symulacyjne — lokalizują optymalne rozwiązania, poruszając się w przestrzeni parametrów reprezentującej wszystkie możliwe rozwiązania. Naturalne mrówki składają feromony kierując się nawzajem do zasobów podczas eksploracji swojego środowiska. Symulowane "mrówki" w podobny sposób rejestrują swoje pozycje i jakość swoich rozwiązań, dzięki czemu w późniejszych iteracjach symulacji więcej mrówek lokalizuje lepsze rozwiązania.

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 najlepszym rozwiązaniem może być punkt lub powierzchnia w przestrzeni n-wymiarowej. Hipotezy stawiane są w tej przestrzeni i zasiane z prędkością początkową oraz kanałem komunikacyjnym między cząstkami. Cząstki następnie przemieszczają się przez przestrzeń roztworu i są oceniane zgodnie z pewnym kryterium przydatności po każdym kroku czasowym. Z biegiem czasu cząstki są przyspieszane w kierunku tych cząstek w ich grupie komunikacyjnej, które mają lepsze wartości sprawności. Główną zaletą takiego podejścia w porównaniu z innymi globalnymi strategiami minimalizacji, takimi jak symulowane wyżarzanie, jest to, że duża liczba elementów tworzących rój cząstek sprawia, że ​​technika jest imponująco odporna na problem lokalnych minimów .

Inteligencja sztucznego roju (2015)

Sztuczna inteligencja roju (ASI) to metoda wzmacniania zbiorowej inteligencji połączonych w sieć grup ludzkich za pomocą algorytmów kontrolnych modelowanych na wzór naturalnych rojów. Technologia ta, czasami nazywana Human Swarming lub Swarm AI, łączy grupy ludzkich uczestników w systemy czasu rzeczywistego, które rozważają i skupiają się na rozwiązaniach jako dynamiczne roje, gdy są jednocześnie przedstawiane z pytaniem. zespoły biznesowe do generowania bardzo dokładnych prognoz finansowych, aby umożliwić fanom sportu osiągnięcie lepszych wyników na rynkach zakładów Vegas. ASI został również wykorzystany, aby umożliwić grupom lekarzy generowanie diagnoz ze znacznie większą dokładnością niż tradycyjne metody.

Aplikacje

Techniki oparte na inteligencji roju mogą być używane w wielu aplikacjach. Wojsko USA bada techniki roju do kontrolowania pojazdów bezzałogowych. Europejska Agencja Kosmiczna jest myślenie o roju orbitalnej do samodzielnego montażu i interferometrii. NASA bada wykorzystanie technologii roju do mapowania planet. Artykuł z 1992 roku autorstwa M. Anthony Lewisa i George'a A. Bekeya omawia możliwość wykorzystania inteligencji roju do kontrolowania nanobotów w ciele w celu zabijania guzów nowotworowych. Odwrotnie, al-Rifaie i Aber wykorzystali wyszukiwanie dyfuzji stochastycznej, aby pomóc zlokalizować guzy. Inteligencja roju została również zastosowana do eksploracji danych i analizy klastrów . Modele oparte na mrówkach są kolejnym przedmiotem współczesnej teorii zarządzania.

Routing oparty na mrówkach

Zbadano również wykorzystanie inteligencji roju w sieciach telekomunikacyjnych , w postaci routingu opartego na mrówkach . Zostało to zapoczątkowane oddzielnie przez Dorigo et al. i Hewlett Packard w połowie lat 90., z kilkoma istniejącymi wariantami. Zasadniczo wykorzystuje to probabilistyczną tablicę routingu nagradzającą/wzmacniającą trasę pomyślnie przebytą przez każdą „mrówkę” (mały pakiet kontrolny), który zalewa sieć. Badano zbrojenie trasy w kierunku do przodu, do tyłu i w obu jednocześnie: zbrojenie do tyłu wymaga symetrycznej sieci i sprzęgania ze sobą dwóch kierunków; Przesyłające wzmocnienie nagradza trasę, zanim będzie znany wynik (ale wtedy zapłaci się za kino, zanim się dowie, jak dobry jest film). Ponieważ system zachowuje się stochastycznie, a zatem brakuje mu powtarzalności, istnieją duże przeszkody we wdrożeniu komercyjnym. Media mobilne i nowe technologie mają potencjał, aby zmienić próg wspólnego działania dzięki inteligencji roju (Rheingold: 2002, P175).

Lokalizacja infrastruktury transmisyjnej dla bezprzewodowych sieci komunikacyjnych jest ważnym problemem inżynieryjnym związanym z konkurencyjnymi celami. Minimalny wybór lokalizacji (lub witryn) jest wymagany pod warunkiem zapewnienia użytkownikom odpowiedniego pokrycia obszaru. Bardzo odmienny algorytm inteligencji roju inspirowany mrówkami, stochastyczne przeszukiwanie dyfuzji (SDS), został z powodzeniem wykorzystany do stworzenia ogólnego modelu tego problemu, związanego z upakowaniem okręgów i pokryciem zbioru. Wykazano, że SDS można zastosować do identyfikacji odpowiednich rozwiązań nawet w przypadku dużych wystąpień problemów.

Linie lotnicze wykorzystywały również routing oparty na mrówkach, przypisując przyloty samolotów do bramek lotniska. W Southwest Airlines program wykorzystuje teorię roju lub inteligencję roju — pomysł, że kolonia mrówek działa lepiej niż pojedyncza. Każdy pilot zachowuje się jak mrówka szukająca najlepszej bramki na lotnisku. „Pilot uczy się z własnego doświadczenia, co jest dla niego najlepsze i okazuje się, że jest to najlepsze rozwiązanie dla linii lotniczej” – wyjaśnia Douglas A. Lawson . W rezultacie „kolonia” pilotów zawsze trafia do bram, do których mogą szybko dotrzeć i szybko odlecieć. Program może nawet zaalarmować pilota o lotach awaryjnych, zanim do nich dojdzie. „Możemy przewidzieć, że to się stanie, więc będziemy mieć dostęp do bramy” – mówi Lawson.

Symulacja tłumu

Artyści wykorzystują technologię roju do tworzenia złożonych systemów interaktywnych lub symulowania tłumów .

Instancje

W filmowej trylogii Władca Pierścieni wykorzystano 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 to pierwszy film, w którym wykorzystano technologię roju do renderowania, realistycznie przedstawiając ruchy grup ryb i ptaków przy użyciu systemu Boids.

W filmie Tim Burton Powrót Batmana wykorzystano również technologię roju do pokazania ruchów grupy nietoperzy.

Linie lotnicze wykorzystały teorię roju do symulacji pasażerów wsiadających do 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 (Miller, 2010, xii-xviii).

Rój ludzi

Dzięki oprogramowaniu pośredniczącemu, takiemu jak platforma SWARM (formalnie unu) od Unanimous AI , sieci rozproszonych użytkowników mogą być zorganizowane w „roje ludzi” poprzez implementację systemów sterowania w pętli zamkniętej w czasie rzeczywistym. Jak opublikował Rosenberg (2015), takie systemy czasu rzeczywistego umożliwiają grupom ludzkich uczestników zachowywanie się jak zunifikowana zbiorowa inteligencja, która działa jak pojedyncza jednostka, aby przewidywać, odpowiadać na pytania i wywoływać opinie. Wykazano, że takie systemy, określane również jako „Artificial Swarm Intelligence” (lub marką Swarm AI), znacząco wzmacniają ludzką inteligencję, co skutkuje szeregiem głośnych prognoz o ekstremalnej dokładności. Testy akademickie pokazują, że roje ludzi potrafią wyprzedzić jednostki w różnych prognozach świata rzeczywistego. Znane jest, że rój ludzi był używany do prawidłowego przewidywania Superfecty Kentucky Derby, przy kursie 541 do 1, w odpowiedzi na wyzwanie ze strony reporterów.

Medyczne wykorzystanie roju ludzi — w 2018 r. Szkoła Medyczna Uniwersytetu Stanforda i jednomyślna sztuczna inteligencja opublikowały badania wykazujące, że grupy lekarzy-ludzi, połączone ze sobą za pomocą algorytmów roju w czasie rzeczywistym, mogą diagnozować stany chorobowe ze znacznie większą dokładnością niż poszczególni lekarze lub grupy lekarzy pracujących razem przy użyciu tradycyjnych metod crowdsourcingowych. W jednym z takich badań roje radiologów ludzkich połączonych ze sobą za pomocą platformy SWARM miały za zadanie zdiagnozować zdjęcia rentgenowskie klatki piersiowej i wykazały 33% redukcję błędów diagnostycznych w porównaniu z tradycyjnymi metodami ludzkimi oraz 22% poprawę w porównaniu z tradycyjnym uczeniem maszynowym .

Gramatyki roju

Gramatyki roju to roje stochastycznych gramatyk, które można ewoluować w celu opisania złożonych właściwości, takich jak występujące w sztuce i architekturze. Te gramatyki oddziałują jako agenci zachowujący się zgodnie z zasadami inteligencji roju. Takie zachowanie może również sugerować algorytmy głębokiego uczenia , w szczególności gdy rozważa się mapowanie takich rojów do obwodów neuronowych.

Sztuka roju

W serii prac al-Rifaie i in. z powodzeniem wykorzystali dwa algorytmy inteligencji roju — jeden naśladujący zachowanie jednego gatunku mrówek ( Leptothorax acervorum ) żerujący ( przeszukiwanie dyfuzji stochastycznej , SDS) i drugi algorytm naśladujący zachowanie stada ptaków ( optymalizacja roju cząstek , PSO) — do opisania nowa strategia integracji wykorzystująca lokalne właściwości wyszukiwania PSO z globalnym zachowaniem SDS. Powstały algorytm hybrydowy jest używany do szkicowania nowatorskich rysunków obrazu wejściowego, wykorzystując artystyczne napięcie między lokalnym zachowaniem „zbiegających się ptaków” — próbujących podążać za szkicem wejściowym — a globalnym zachowaniem „mrówek żerujących” — ponieważ starają się zachęcić stado do odkrywania nowych obszarów płótna. „Twórczość” tego hybrydowego systemu roju została przeanalizowana pod filozoficznym światłem „kłącza” w kontekście metafory Deleuze'a „Orchidea i Osa”.

Nowsza praca al-Rifaie i in., „Swarmic Sketches and Attention Mechanism”, wprowadza nowatorskie podejście wykorzystujące mechanizm „uwagi” poprzez przystosowanie SDS do selektywnego zajmowania się szczegółowymi obszarami cyfrowego płótna. Gdy uwaga roju zostanie zwrócona na określoną linię w obrębie płótna, zdolność PSO jest wykorzystywana do stworzenia „schematu roju” nadzorowanej linii. Roje poruszają się po cyfrowym płótnie, próbując spełnić swoje dynamiczne role – zwracanie uwagi na obszary z większą ilością szczegółów – powiązane z nimi poprzez funkcję fitness. Wiążąc proces renderowania z pojęciami uwagi, występy uczestniczących rojów tworzą unikalny, nieidentyczny szkic za każdym razem, gdy roje „artystów” przystępują do interpretacji rysunków wejściowych. 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 zwracanie uwagi na kolor.

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

Michael Theodore i Nikolaus Correll używają roju inteligentnej instalacji artystycznej, aby zbadać, co jest potrzebne, aby zaprojektować systemy, aby wyglądały na realistyczne.

Znani badacze

Zobacz też

Bibliografia

Dalsza lektura

Zewnętrzne linki