Inteligência de enxame - Swarm intelligence

Inteligência de enxame ( SI ) é o comportamento coletivo de sistemas descentralizados e auto-organizados , naturais ou artificiais. O conceito é empregado em trabalhos de inteligência artificial . A expressão foi introduzida por Gerardo Beni e Jing Wang em 1989, no contexto de sistemas robóticos celulares.

Os sistemas SI consistem tipicamente em uma população de agentes simples ou boids interagindo localmente uns com os outros e com seu ambiente. A inspiração geralmente vem da natureza, especialmente dos sistemas biológicos. Os agentes seguem regras muito simples e, embora não haja uma estrutura de controle centralizado que dite como os agentes individuais devem se comportar, locais e até certo ponto aleatórios, as interações entre tais agentes levam ao surgimento de um comportamento global "inteligente", desconhecido para o indivíduo agentes. Exemplos de inteligência enxame em sistemas naturais incluem colónias de formigas , as colónias de abelhas , pássaro flocagem , falcões caça , animais de pastoreio , o crescimento bacteriano , peixe escolaridade e inteligência microbiana .

A aplicação dos princípios de enxame a robôs é chamada de robótica de enxame, enquanto a inteligência de enxame se refere ao conjunto mais geral de algoritmos. A previsão de enxame tem sido usada no contexto de problemas de previsão. Abordagens semelhantes às propostas para a robótica de enxame são consideradas para organismos geneticamente modificados em inteligência coletiva sintética.

Modelos de comportamento de enxame

Boids (Reynolds 1987)

Boids é um programa de vida artificial , desenvolvido por Craig Reynolds em 1986, que simula o comportamento de bando de pássaros. Seu artigo sobre este tópico foi publicado em 1987 nos anais da conferência ACM SIGGRAPH . O nome "boid" corresponde a uma versão abreviada de "objeto bird-oid", que se refere a um objeto semelhante a um pássaro.

Como acontece com a maioria das simulações de vida artificial, Boids é um exemplo de comportamento emergente ; ou seja, a complexidade de Boids surge da interação de agentes individuais (os boids, neste caso) aderindo a um conjunto de regras simples. As regras aplicadas no mundo Boids mais simples são as seguintes:

• separação : orientar para evitar aglomeração de companheiros de rebanho locais
• alinhamento : orientar em direção ao rumo médio de companheiros de rebanho locais
• coesão : orientar para se mover em direção à posição média (centro de massa) dos companheiros locais do rebanho

Regras mais complexas podem ser adicionadas, como evitar obstáculos e buscar metas.

Partículas autopropelidas (Vicsek et al . 1995)

As partículas autopropelidas (SPP), também chamadas de modelo Vicsek , foram introduzidas em 1995 por Vicsek et al. como um caso especial do modelo boids introduzido em 1986 por Reynolds . Um enxame é modelado em SPP por uma coleção de partículas que se movem com uma velocidade constante, mas respondem a uma perturbação aleatória, adotando a cada incremento de tempo a direção média de movimento das outras partículas em sua vizinhança local. Os modelos SPP prevêem que os animais em enxame compartilham certas propriedades no nível do grupo, independentemente do tipo de animais no enxame. Os sistemas de enxameação dão origem a comportamentos emergentes que ocorrem em muitas escalas diferentes, alguns dos quais estão se revelando universais e robustos. Tornou-se um desafio para a física teórica encontrar modelos estatísticos mínimos que capturem esses comportamentos.

Metaheurísticas

Algoritmos evolutivos (EA), otimização de enxame de partículas (PSO), evolução diferencial (DE), otimização de colônia de formigas (ACO) e suas variantes dominam o campo das metaheurísticas inspiradas na natureza . Esta lista inclui algoritmos publicados até por volta do ano 2000. Um grande número de metaheurísticas inspiradas em metáforas mais recentes começaram a atrair críticas na comunidade de pesquisa por esconder sua falta de novidade por trás de uma metáfora elaborada. Para algoritmos publicados desde então, consulte Lista de metaheurísticas baseadas em metáforas .

Metaheurísticas carecem de confiança em uma solução. Quando os parâmetros apropriados são determinados, e quando o estágio de convergência suficiente é alcançado, eles freqüentemente encontram uma solução que é ótima, ou perto da ótima - no entanto, se alguém não conhece a solução ótima com antecedência, a qualidade de uma solução não é conhecida. Apesar desta desvantagem óbvia, foi demonstrado que esses tipos de algoritmos funcionam bem na prática e foram extensivamente pesquisados ​​e desenvolvidos. Por outro lado, é possível evitar essa desvantagem calculando a qualidade da solução para um caso especial onde tal cálculo é possível, e após tal execução é conhecido que toda solução que é pelo menos tão boa quanto a solução que um caso especial tinha, tem pelo menos uma solução de confiança que um caso especial tinha. Uma dessas instâncias é o algoritmo de Monte Carlo inspirado em Ant para o Conjunto de Arco de Feedback Mínimo, onde isso foi obtido probabilisticamente por meio da hibridização do algoritmo de Monte Carlo com a técnica de Otimização de Colônia de Antigas .

Pesquisa de difusão estocástica (Bishop 1989)

Publicado pela primeira vez em 1989 Stochastic diffusion search (SDS) foi a primeira metaheurística Swarm Intelligence. SDS é uma pesquisa probabilística global baseada em agente e técnica de otimização mais adequada para problemas onde a função objetivo pode ser decomposta em múltiplas funções parciais independentes. Cada agente mantém uma hipótese que é testada iterativamente avaliando uma função objetivo parcial selecionada aleatoriamente e parametrizada pela hipótese atual do agente. Na versão padrão do SDS, essas avaliações parciais de função são binárias, resultando em cada agente se tornando ativo ou inativo. As informações sobre as hipóteses são difundidas pela população por meio da comunicação entre agentes. Ao contrário da comunicação estigmérgica usada no ACO, no SDS os agentes comunicam hipóteses por meio de uma estratégia de comunicação um-para-um análoga ao procedimento de execução em tandem observado no Leptothorax acervorum . Um mecanismo de feedback positivo garante que, com o tempo, uma população de agentes se estabilize em torno da melhor solução global. O SDS é um algoritmo de otimização e busca global eficiente e robusto, que foi amplamente descrito matematicamente. O trabalho recente envolveu a fusão das propriedades de pesquisa global do SDS com outros algoritmos de inteligência de enxame.

Otimização de colônia de formigas (Dorigo 1992)

A otimização de colônia de formigas (ACO), introduzida por Dorigo em sua tese de doutorado, é uma classe de algoritmos de otimização modelados nas ações de uma colônia de formigas . ACO é uma técnica probabilística útil em problemas que tratam de encontrar melhores caminhos por meio de gráficos. As 'formigas' artificiais - agentes de simulação - localizam as soluções ideais movendo-se através de um espaço de parâmetros que representa todas as soluções possíveis. As formigas naturais criam feromônios que dirigem umas às outras para os recursos enquanto exploram seu ambiente. As 'formigas' simuladas registram de forma semelhante suas posições e a qualidade de suas soluções, de modo que, em iterações posteriores da simulação, mais formigas localizem as melhores soluções.

Otimização de enxame de partículas (Kennedy, Eberhart & Shi 1995)

A otimização por enxame de partículas (PSO) é um algoritmo de otimização global para lidar com problemas em que a melhor solução pode ser representada como um ponto ou superfície em um espaço n-dimensional. Hipóteses são plotadas neste espaço e semeadas com uma velocidade inicial , bem como um canal de comunicação entre as partículas. As partículas então se movem através do espaço de solução e são avaliadas de acordo com algum critério de aptidão após cada etapa de tempo. Com o tempo, as partículas são aceleradas em direção às partículas dentro de seu agrupamento de comunicação que têm melhores valores de aptidão. A principal vantagem de tal abordagem sobre outras estratégias de minimização global, como recozimento simulado, é que o grande número de membros que compõem o enxame de partículas torna a técnica impressionantemente resiliente ao problema de mínimos locais .

Artificial Swarm Intelligence (2015)

Artificial Swarm Intelligence (ASI) é o método de amplificar a inteligência coletiva de grupos humanos em rede usando algoritmos de controle modelados a partir de enxames naturais. Às vezes referida como Human Swarming ou Swarm AI, a tecnologia conecta grupos de participantes humanos em sistemas em tempo real que deliberam e convergem em soluções como enxames dinâmicos quando simultaneamente apresentada a uma pergunta ASI tem sido usada para uma ampla gama de aplicações, desde permitir equipes de negócios para gerar previsões financeiras altamente precisas para permitir que os fãs de esportes superem os mercados de apostas de Las Vegas. O ASI também foi usado para permitir que grupos de médicos gerassem diagnósticos com uma precisão significativamente maior do que os métodos tradicionais.

Formulários

As técnicas baseadas em Swarm Intelligence podem ser usadas em várias aplicações. Os militares dos EUA estão investigando técnicas de enxame para controlar veículos não tripulados. A Agência Espacial Europeia está pensando em um enxame orbital para automontagem e interferometria. A NASA está investigando o uso de tecnologia de enxame para mapeamento planetário. Um artigo de 1992, de M. Anthony Lewis e George A. Bekey, discute a possibilidade de usar a inteligência de enxame para controlar nanorrobôs dentro do corpo com o objetivo de matar tumores cancerígenos. Por outro lado, al-Rifaie e Aber usaram a pesquisa de difusão estocástica para ajudar a localizar tumores. A inteligência de enxame também foi aplicada para mineração de dados e análise de cluster . Os modelos baseados em formigas são objeto da moderna teoria de gestão.

Roteamento baseado em Ant

O uso de swarm intelligence em redes de telecomunicações também tem sido pesquisado, na forma de roteamento baseado em formigas . Isso foi iniciado separadamente por Dorigo et al. e a Hewlett Packard em meados da década de 1990, com uma série de variantes existentes. Basicamente, ele usa uma tabela de roteamento probabilístico que recompensa / reforça a rota percorrida com sucesso por cada "formiga" (um pequeno pacote de controle) que inunda a rede. O reforço da rota para a frente, sentido inverso e ambos simultaneamente tem sido pesquisado: o reforço para trás requer uma rede simétrica e acopla as duas direções; O reforço para a frente recompensa uma rota antes que o resultado seja conhecido (mas então alguém pagaria pelo cinema antes de saber o quão bom o filme é). Como o sistema se comporta estocasticamente e, portanto, carece de repetibilidade, existem grandes obstáculos para a implantação comercial. A mídia móvel e as novas tecnologias têm o potencial de mudar o limiar para a ação coletiva devido à inteligência de enxame (Rheingold: 2002, P175).

A localização da infraestrutura de transmissão para redes de comunicação sem fio é um importante problema de engenharia envolvendo objetivos concorrentes. Uma seleção mínima de locais (ou locais) é necessária, desde que haja cobertura de área adequada para os usuários. Um algoritmo de inteligência de enxame inspirado em formigas muito diferente, stochastic diffusion search (SDS), foi usado com sucesso para fornecer um modelo geral para este problema, relacionado ao empacotamento de círculos e cobertura de conjuntos. Foi demonstrado que o SDS pode ser aplicado para identificar soluções adequadas, mesmo para grandes instâncias de problemas.

As companhias aéreas também têm usado rotas baseadas em formigas para designar chegadas de aeronaves aos portões dos aeroportos. Na Southwest Airlines, um programa de software usa a teoria do enxame, ou inteligência do enxame - a ideia de que uma colônia de formigas funciona melhor do que uma sozinha. Cada piloto atua como uma formiga procurando o melhor portão de embarque do aeroporto. “O piloto aprende com sua experiência o que é melhor para ele e essa é a melhor solução para a companhia aérea”, explica Douglas A. Lawson . Como resultado, a "colônia" de pilotos sempre vai para os portões aos quais podem chegar e partir rapidamente. O programa pode até alertar um piloto sobre backups de aviões antes que eles aconteçam. “Podemos antecipar que isso vai acontecer, então teremos um portão disponível”, diz Lawson.

Simulação de multidão

Os artistas estão usando a tecnologia de enxame como meio de criar sistemas interativos complexos ou simular multidões .

Instâncias

A trilogia de filmes O Senhor dos Anéis fez uso de tecnologia semelhante, conhecida como Massive (software) , durante as cenas de batalha. A tecnologia de enxame é particularmente atraente porque é barata, robusta e simples.

Stanley e Stella em: Breaking the Ice foi o primeiro filme a fazer uso da tecnologia de enxame para renderizar, retratando realisticamente os movimentos de grupos de peixes e pássaros usando o sistema Boids.

Batman Returns de Tim Burton também fez uso da tecnologia de enxame para mostrar os movimentos de um grupo de morcegos.

As companhias aéreas têm usado a teoria do enxame para simular os passageiros embarcando em um avião. O pesquisador da Southwest Airlines Douglas A. Lawson usou uma simulação de computador baseada em formigas empregando apenas seis regras de interação para avaliar os tempos de embarque usando vários métodos de embarque (Miller, 2010, xii-xviii).

Enxame humano

Habilitado por software de mediação como a plataforma SWARM (formalmente unu) da Unanimous AI , as redes de usuários distribuídos podem ser organizadas em "enxames humanos" por meio da implementação de sistemas de controle de loop fechado em tempo real. Conforme publicado por Rosenberg (2015), tais sistemas em tempo real permitem que grupos de participantes humanos se comportem como uma inteligência coletiva unificada que funciona como uma entidade única para fazer previsões, responder perguntas e evocar opiniões. Tais sistemas, também conhecidos como "Artificial Swarm Intelligence" (ou o nome comercial Swarm AI), mostraram amplificar significativamente a inteligência humana, resultando em uma série de previsões de alto perfil de extrema precisão. Testes acadêmicos mostram que enxames humanos podem predizer melhor os indivíduos em uma variedade de projeções do mundo real. Notoriamente, a enxameação humana foi usada para prever corretamente o Kentucky Derby Superfecta, contra uma probabilidade de 541 para 1, em resposta a um desafio dos repórteres.

Uso médico da enxameação humana - em 2018, a Escola de Medicina da Universidade de Stanford e a Unanimous AI publicaram estudos mostrando que grupos de médicos humanos, quando conectados por algoritmos de enxameação em tempo real, podiam diagnosticar condições médicas com uma precisão substancialmente maior do que médicos individuais ou grupos de médicos trabalhando juntos usando métodos tradicionais de crowdsourcing. Em um desses estudos, enxames de radiologistas humanos conectados usando a plataforma SWARM foram encarregados de diagnosticar radiografias de tórax e demonstraram uma redução de 33% nos erros de diagnóstico em comparação com os métodos humanos tradicionais e uma melhoria de 22% em relação ao aprendizado de máquina tradicional .

Gramáticas de enxame

Gramáticas de enxame são enxames de gramáticas estocásticas que podem ser desenvolvidas para descrever propriedades complexas, como as encontradas na arte e na arquitetura. Essas gramáticas interagem como agentes que se comportam de acordo com as regras da inteligência de enxame. Tal comportamento também pode sugerir algoritmos de aprendizado profundo , em particular quando o mapeamento de tais enxames para circuitos neurais é considerado.

Arte Swarmic

Em uma série de trabalhos, al-Rifaie et al. usaram com sucesso dois algoritmos de inteligência de enxame - um imitando o comportamento de uma espécie de formiga ( Leptothorax acervorum ) forrageamento ( pesquisa de difusão estocástica , SDS) e o outro algoritmo que imita o comportamento de pássaros em bando (otimização de enxame de partículas , PSO) - para descrever um nova estratégia de integração que explora as propriedades de pesquisa local do PSO com o comportamento SDS global. O algoritmo híbrido resultante é usado para esboçar novos desenhos de uma imagem de entrada, explorando uma tensão artística entre o comportamento local do 'bando de pássaros' - conforme procuram seguir o esboço de entrada - e o comportamento global das "formigas forrageando" - enquanto procuram encorajar o rebanho a explorar novas regiões da tela. A "criatividade" deste sistema de enxame híbrido foi analisada sob a luz filosófica do "rizoma" no contexto da metáfora de Deleuze "Orquídea e Vespa".

Um trabalho mais recente de al-Rifaie et al., "Swarmic Sketches and Attention Mechanism", apresenta uma nova abordagem que implanta o mecanismo de 'atenção' adaptando o SDS para atender seletivamente às áreas detalhadas de uma tela digital. Uma vez que a atenção do enxame é atraída para uma certa linha dentro da tela, a capacidade do PSO é usada para produzir um 'esboço de enxame' da linha assistida. Os enxames se movem pela tela digital em uma tentativa de satisfazer seus papéis dinâmicos - atenção às áreas com mais detalhes - associados a eles por meio de sua função de adequação. Tendo associado o processo de renderização aos conceitos de atenção, a performance dos enxames participantes cria um esboço único e não idêntico cada vez que os enxames de 'artistas' embarcam na interpretação dos desenhos de linha de entrada. Em outras obras, enquanto PSO é responsável pelo processo de desenho, SDS controla a atenção do enxame.

Num trabalho semelhante, "Swarmic Paintings and Color Attention", imagens não fotorrealistas são produzidas utilizando o algoritmo SDS que, no contexto deste trabalho, é responsável pela atenção à cor.

A " criatividade computacional " dos sistemas mencionados acima são discutidos por meio dos dois pré-requisitos de criatividade (ou seja, liberdade e restrições) dentro das duas fases infames de exploração e exploração da inteligência de enxame.

Michael Theodore e Nikolaus Correll usam a instalação de arte inteligente de enxame para explorar o que é necessário para ter sistemas projetados para parecerem reais.

Pesquisadores notáveis

Veja também

Referências

Leitura adicional

• Bonabeau, Eric; Dorigo, Marco; Theraulaz, Guy (1999). Swarm Intelligence: From Natural to Artificial Systems . ISBN 978-0-19-513159-8.
• Kennedy, James; Eberhart, Russell C. (2001-04-09). Swarm Intelligence . ISBN 978-1-55860-595-4.
• Engelbrecht, Andries (16/12/2005). Fundamentals of Computational Swarm Intelligence . Wiley & Sons. ISBN 978-0-470-09191-3.

links externos

• Marco Dorigo e Mauro Birattari (2007). "Swarm intelligence" na Scholarpedia
• Antoinette Brown. Swarm Intelligence