Anar al contingut

Inteligència d'eixam

De L'Enciclopèdia, la wikipedia en valencià

Inteligència d'eixam és una branca de l'inteligència artificial que estudia el comportament colectiu dels sistemes descentralisats, autoorganizados, naturals o artificials. El concepte s'ampra en els treballs sobre inteligència artificial. L'expressió va ser introduïda per Gerardo Beni i Wang Jing en 1989, en el context dels sistemes robòtics mòvils.[1]

Inspirats per la naturalea, especialment per certs sistemes biològics, els sistemes de inteligència d'eixam estan típicament formats per una població d'agents simples que interactuen localment entre ells i en el seu mig ambient. Els agents seguixen regles simples i, encara que no existix una estructura de control centralisat que dictamine el comportament de cada u d'ells, les interaccions locals entre els agents conduïx a l'emergència d'un comportament global complex. Com a eixemples naturals s'inclouen les colónies de formigues, el allineament de les aus en vol, el comportament de raberas durant el pastoreig i el creiximent bacterià.

L'aplicació dels principis eixam a robots es diu robòtica d'eixams, mentres que el terme "inteligència d'eixam" es referix al conjunt més general dels algoritmes. 'Predicció d'Eixams' s'ha utilisat en el context dels problemes de previsió.

Eixemples d'algoritmes

Optimisació de colónia de formigues

Artícul principal → Algoritme de la colónia de formigues.


l'optimisació basada en colónies de formigues (OCH) és una classe d'algoritmes d'optimisació inspirada en les accions d'una colónia de formigues. Els métodos OCH són útils en problemes que necessiten trobar camins cap a metes. L'objectiu de la 'simulació de formigues artificials' a través d'agents és la de localisar solucions òptimes movent-se a través d'un espai de paràmetros que representa totes les possibles solucions. Les formigues naturals utilisen les feromones que dirigixen una a l'atra, als recursos i a explorar el seu entorn. La simulació de 'formigues' igualment permet gravar les seues posicions i la calitat de les seues solucions, per a que en posteriors iteraciones de simulació més formigues puguen trobar millors solucions.[2]

Optimisació eixam de partícules

Artícul principal → Optimisació d'eixam de partícules.


l'optimisació d'eixam de partícules (PSO) és un algoritme d'optimisació global per a fer front als problemes en els que pot ser una millor solució representa com un punt o una superfície en un espai n-dimensional. Hipòtesis es representen en este espai i es va sembrar en una velocitat inicial, aixina com un canal de comunicació entre les partícules.[3][4] Les partícules es mouen a través de l'espai de solucions, i s'evaluen d'acort en algun criteri d'aptitut despuix de cada pas de temps. En el temps, les partícules són accelerades cap a eixes partícules dins del seu grup de comunicació que tenen millors valors d'aptitut. La principal ventaja d'este enfocament sobre atres estratègies de minimisació globals tals com el recocido simulat és que el gran número dels membres que componen l'eixam de partícules fan la tècnica impresionantemente resistent al problema dels mínims locals.

Optimisació de múltiples eixams

l'optimisació multi-eixam és una variant de l'optimisació d'eixams de partícules (PSO), basat en l'us de múltiples sub-eixams en lloc d'un eixam (estàndar).[5] L'enfocament general en l'optimisació de multi-eixam és que cada sub-eixam se centra en una regió donada, mentres que un método específic de diversificació decidix on i quàn llançar els eixams secundaris. El marc eixam multi-està especialment equipat per a l'optimisació de problemes multi-modals, a on existixen múltiples òptims (locals).[6]

Algoritme de colónia d'abelles

l'algoritme de colónia d'abelles (ABC) és un algoritme de metaheurística introduïda per Karaboga en 2005,[7] i simula el comportament d'alimentació de les abelles melíferas. L'algoritme ACB té tres fases: l'abella amprada, l'abella espectador i l'exploradora. En l'abella amprada i les fases d'abelles espectador,les abelles exploten les fonts de busques locals en el veïnat de les solucions seleccionades sobre la base de la selecció determinista en la fase d'abella ocupada i la selecció provabilística en la fase d'abella espectador. En la fase d'abella exploradora que és una analogia d'abandó de les fonts d'aliments agotats en el procés de busca d'aliment, les solucions que no són beneficiosos per al progrés de la busca ya estan abandonats, i noves solucions s'inserten en lloc d'ells per a explorar noves regions de l'espai de busca. L'algoritme té una capacitat equilibrada d'exploració-explotació.

Algoritme d'altruisme

Els investigadors en Suïssa han desenrollat un algoritme basat en la regla d'Hamilton de selecció de parentesc. L'algoritme mostra cóm l'altruisme en un eixam d'animals pot, en el temps, evolucionar i donar lloc a un comportament més eficaç de l'eixam.[8][9]

Sistemes immunològics artificials

Sistemes immunològics artificials (SIA) es referix a l'utilisació d'estructures abstractes, la funció del sistema immune als sistemes de còmput, i l'investigació de l'aplicació d'estos sistemes a la solució de problemes de càlcul a partir de la tecnologia de l'ingenieria, i l'informació. SIA és un subcampo de la computació inspirada biològicament i computacionalment natural, en interessos en Aprenentage Automàtic i que pertanyen a l'esfera més àmplia de l'inteligència artificial.

Algoritme de rat penat

l'algoritme de rat penat (AM) està inspirat en el comportament de l'ecolocalisació dels micromurciélagos. Est fa us d'un balanç de la freqüència i sintonisació automàtica d'exploració i explotació per mig del control de les taxes de sonoritat i el pols d'emissió.[10]

Busca de sistema carregat

Busca de sistema carregat (BSC) és un nou algoritme d'optimisació basat en alguns principis de la física i la mecànica.[11] BSC utilisa les lleis de govern de Coulomb i de Gauss de l'electrostàtica i les lleis de la mecànica newtoniana. BSC és un enfocament multiagent en el que cada agent és una partícula carregada (PC). PCs poden afectar als demés sobre la base dels seus valors de fitness i les seues distàncies de separació. La cantitat de la força resultant es determina per mig de l'us de les lleis de l'electrostàtica i la calitat del moviment es determina usant les lleis de la mecànica newtoniana. BSC és aplicable a tots els camps d'optimisació, en especial és adequat per a dominis no plans o no convexos. Este algoritme proporciona un bon equilibri entre l'exploració i explotació dels paradigmes de l'algoritme que es pot millorar considerablement l'eficiència de l'algoritme i per lo tant el BSC també pot ser considerat com un bon optimisador global i local al mateix temps.

Busca Cuckoo

Busca Cuckoo (CS) imita el comportament inquietant d'algunes espècies d'aus que utilisen d'acolliment per a posar els seus ous i criar als seus pollets. Este algoritme[12] de busca s'ha millorat en els vols de Lévy en passos de bot extretes de distribució de Lévy.[13] Els estudis recents sugerixen que el BC pot superar a atres algoritmes com l'optimisació d'eixam de partícules. Per eixemple, una comparació de la busca de Cuckoo en PSO, DE i ABC sugerixen que el CS i els algoritmes DE proporcionar resultats més sòlits que PSO i ABC.[14]

Algoritme de busca diferencial

Algoritme de busca diferencial (DSA) inspirat per la migració de superorganismos. L'èxit de la solució de problemes de les dietes es compara en l'èxit dels algoritmes ABC, JDE, JADE, SADE, EPSDE, GSA, PSO2011 i CMA-ES per a la solució de problemes d'optimisació numèrics en 2012. L'enllaç del còdic de Matlab s'ha proporcionat en Çivicioglu, P., (2012).[15]

Algoritme firefly

l'algoritme firefly (FA) està inspirat en el comportament intermitent de les luciérnagas. L'intensitat de llum està associada en l'atractiu d'una luciérnaga, la capacitat per a subdividir en chicotets grups i cada subgrup eixam al voltant dels modos locals. Per lo tant, l'algoritme de luciérnaga està especialment indicat per a problemes d'optimisació multimodal.[16] De fet, FA s'ha aplicat en l'optimisació contínua, problema del viajante, clustering, processament d'imàgens i selecció de característiques.

Optimisació eixam de luciérnagas

Optimisació eixam de luciérnagas (GSO), introduït per Krishnanand Ghose i en 2005 per al càlcul simultàneu de múltiples òptims de funcions multimodales.[17][18][19][20] L'algoritme compartix algunes característiques en alguns algoritmes més coneguts, tals com optimisació de colónia de formigues i optimisació d'eixam de partícules, pero en vàries diferències significatives. Els agents en GSO són considerats com luciérnagas que duen una cantitat de lluminiscència cridat luciferina junt en ells. Les luciérnagas codifica l'estat físic de les seues ubicacions actuals, evaluats utilisant la funció objectiu, en un valor de luciferina que transmetre als seus veïns. La luciérnaga identifica els seus veïns i calcula els seus moviments per mig de l'explotació d'una zona adaptativa, que està acotat superiorment pel seu ranc del sensor. Cada luciérnaga selecciona, utilisant un mecanisme provabilístic, un veí que té un valor més alt de luciferina que el seu propi i es mou cap a ell. Estos moviments basats únicament en l'informació local per a habilitar l'eixam de luciérnagas i dividir en subgrups disjuntos que convergixen en varis òptims d'un tractament multimodal functional donat i selecció de característiques. Este tipo d'algoritme s'ha aplicat en l'optimisació de ponts prefabricar de formigó pretensado.[21]

Algoritme de busca gravitacional

Encara que qüestionada,[22] la teoria sosté que el algoritme de busca gravitacional (GSA per la seua sigla en anglés) es basa en la llei de la gravetat i la noció de les interaccions de comunicació. L'algoritme GSA utilisa la teoria de la física newtoniana i els seus agents buscadors són la colecció de masses. En el GSA, existix un sistema aïllat de masses. Usant la força gravitatoria, cada massa en el sistema pot vore la situació de les atres masses; per lo tant, la força gravitatoria és una manera de transferir informació entre diferents masses.[23] En GSA, els agents es consideren com a objectes i el seu eixercite es medix per les seues masses. Tots estos objectes s'atrauen entre sí per una força gravitatoria, i esta força causa un moviment de tots els objectes globalment cap als objectes en masses més pesades corresponent estes últimes en les bones solucions del problema. La posició de l'agent correspon a una solució del problema, i la seua massa es determina utilisant una funció d'aptitut. En un lapsus de temps, les masses se senten atretes per la massa més pesada lo que presentaria idealment una solució òptima en l'espai de busca. El GSA podria ser considerat com un sistema aïllat de masses ya que es tractaria d'un chicotet món artificial de masses que obedixen les lleis de Newton de gravitació i moviment.[23] En 2011 es va propondre una variant multiobjetivo de GSA, cridat algoritme de busca gravitacional d'ordenació no dominada (NSGSA per la seua sigla en anglés).[24]

Caiguda inteligent de gotes d'aigua

La caiguda inteligent de gotes d'aigua (IWD) s'inspira en els rius naturals i cóm troben camins casi òptims al seu destí. Estes rutes òptimes o prop de l'òptim seguixen les accions i reaccions que es produïxen entre les gotes d'aigua i estes en els seus caixers. En l'algoritme de IWD, vàries gotes d'aigua artificials cooperen per a canviar el seu entorn de tal manera que la ruta òptima es revela com la que té el nivell més baix del sol en els seus enllaços. Per lo tant, l'algoritme de IWD és generalment constructiu basat en l'algoritme d'optimisació de població.[25]

Algoritme d'optimisació magnètica

Algoritme d'Optimisació magnètica (MOA), propost per Tayarani en 2008,[26] és un algoritme d'optimisació inspirat per l'interacció entre algunes partícules magnètiques en diferents masses. En este algoritme, les solucions possibles són algunes partícules en masses diferents i diferents camps magnètics. Sobre la base de l'idoneïtat de les partícules, la massa i el camp magnètic de cada partícula determina, per lo tant les partícules són millors objectes més massius en forts camps magnètics. Les partícules en la població apliquen forces d'atracció entre sí i per lo tant es mouen en l'espai de busca. ya que les solucions millors tenen una major massa i major camp magnètic, les partícules inferiors tendixen a moure's cap a les solucions més adequades i per lo tant la migració a la zona al voltant de la millor òptims locals, a on vaguen en busca de millors solucions.

Busca de difusió estocàstica

Busca difusió estocàstica (SDS)[27][28] és un agent basat en la tècnica provabilística mundial de busca i optimisació més adequades als problemes que es poden descompondre la funció objectiu en múltiples independents parcials-funcions. Cada agent manté una hipòtesis que iterativamente provant per mig de l'evaluació d'una funció objectiu seleccionada a l'encert parcial parametrizada per hipòtesis. En la versió estàndar de SDS tals evaluacions de funcions parcials són binaris, lo que resulta en cada agent de convertir-se en actiu o inactiu. Informació sobre hipòtesis es difon a través de la població a través de la comunicació entre els agents. A diferència de la comunicació stigmergic utilisada en ACO, en SDS l'hipòtesis de comunicar-se és a través d'una estratègia de comunicació un-a-un anàloga a la marcha en tàndem procediment observat en Leptothorax acervorum.[29] A positive feedback mechanism ensures that, over clave, a population of agents stabilise around the global-best solution. SDS is both an efficient and robust global search and optimisation algorithm, which has been extensively mathematically described.[30][31][32] Recent work has involved merging the global search properties of SDS with other swarm intelligence algorithms.[33]

Aplicacions

L'inteligència d'eixams basats en tècniques poden ser usades en un número d'aplicacions. L'eixèrcit de EE. UU. està investigant tècniques d'eixam per al control de vehículs no tripulats. l'Agència Espacial Europea està pensant en un eixam orbital per al autoensamblaje i la interferometría. La NASA està investigant l'us de la tecnologia de núvol per a la cartografia planetària. Un document de 1992 per M. Anthony Lewis i George A. Bekey analisa la possibilitat d'utilisar l'inteligència d'eixam per a controlar nanorrobots dins del cos en la finalitat de matar als tumors de càncer.[34] Per una atra part al-Rifaie i Aber han usat Busca difusió estocàstic per a ajudar a localisar tumors. L'inteligència d'eixam s'ha aplicat també per a la mineria de senyes.[35]

Simulació de multituts

Artistes estan utilisant este tipo de sistemes per a crear sistemes complexos interactius i simular el comportament de multituts.

Enrutamiento basat en formigues

L'us de l'inteligència d'eixams en les Rets de Telecomunicacions també ha segut investigat. Est va ser iniciat per separat per Dorigo i Hewlett Packard en la década de 1990, en un número de variacions des de llavors. Bàsicament utilisa una taula de enrutamiento provabilístic premiant a reforçar en èxit la ruta recorreguda per cada "formiga" (un paquet de control menut) que inunden la ret. Reforç de la ruta en els davanters, direcció inversa i abdós al mateix temps han segut investigats: reforç cap a arrere requerix una ret simètrica i acopla els dos sentits junts, cap a avant reforç recompensa una ruta ans que el resultat es coneix (pero que paga pel cine abans de saber lo bo que la película és). A mida que el sistema es comporta de forma estocàstica i, per lo tant, carix de repetibilidad, hi ha grans obstàculs per al desplegament comercial. Mijos de comunicació mòvils i les noves tecnologies tenen el potencial de canviar el llindar per a l'acció colectiva pel núvol d'inteligència (Rheingold: 2002, P175).

L'ubicació de l'infraestructura de transmissió per a rets inalàmbriques de comunicació és un problema d'ingenieria important que té objectius contraposts. Una selecció mínima d'ubicacions (o llocs) són necessàries subjecte a proporcionar cobertura d'àrea adequada per als usuaris. Un algoritme d'inteligència d'eixams basat en formigues, busca difusió estocàstica (SDS), ha segut utilisat en èxit per a proporcionar un model general per a este problema, relacionat en embalage círcul i conjunt de presentació. S'ha demostrat que SDS es pot aplicar per a identificar solucions adequades inclús per a instàncies de problemes de gran tamany.[36]


Les llínees aérees han utilisat també formiga enrutamiento basat en l'assignació de les arribades d'aeronaus a les portes de l'aeroport. En Southwest Airlines un programa de software utilisa la teoria d'eixam, o eixam d'inteligència-l'idea de que una colónia de formigues funciona millor que una sola. Cada pilot actua com una formiga en busca de la porta millor aeroport. "El pilot deprén de la seua experiència ¿qué és lo millor per a ell, i resulta que eixa és la millor solució per a l'aerollínia", Douglas A. Lawson explica. Com a resultat, la "colónia" dels pilots sempre van a les portes d'arribada i eixida de forma ràpida. El programa pot inclús alertar a un pilot d'avió de còpies de seguritat ans que succeïxquen. "Podem anticipar que va a succeir, per lo que tindrem una porta disponible", diu Lawson.[37]

Vore també

Referències

  1. ↑ Beni, G., Wang, J. Swarm Intelligence in Cellular Robotic Systems, Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989)
  2. ↑ Ant Colony Optimization by Marco Dorigo and Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3
  3. ↑ (2002).«Recent Approaches to Global Optimization Problems Through Particle Swarm Optimization».Natural Computing.1(2-3)
    235–306.doi:10.1023/A:1016568309421.
  4. ↑ Particle Swarm Optimization by Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.
  5. ↑ Antonio Bolufé Röhler and Stephen Chen, “An Analysis of Sub-swarms in Multi-swarm Systems”, in Lecture Notes in Artificial Intelligence, Vol. 7106: Proceedings of Joint Australasian Conference in Artificial Intelligence, D. Wang and M. Reynolds Eds. Springer-Verlag 2011, pp. 271–280.[1]
  6. ↑ Antonio Bolufé Röhler and S. Chen, “Multi-swarm hybrid for multi-modal optimization”, in Proceedings of the IEEE Congress on Evolutionary Computation, 2012, pp. 1–8. [2]
  7. ↑ (2010).«Artificial bee colony algorithm».Scholarpedia.5(3)
  8. ↑ Altruism helps swarming robots fly better [3] archivat en Wayback Machine. genevalunch.com, 4 May 2011.
  9. ↑ (2011).«A quantitative test of Hamilton's rule for the evolution of altruism».PLoS Biology.9(5)doi:10.1371/journal.pbio.1000615.
  10. ↑ X. S. Yang, A New Metaheuristic Bat-Inspired Algorithm, in: Nature Inspired Cooperative Strategies for Optimization (NISCO 2010) (Eds. J. R. Gonzalez et al.), Studies in Computational Intelligence, Springer Berlin, 284, Springer, 65-74 (2010).
  11. ↑ (2010).«A Novell Heuristic Optimization Method: Charged System Search».Acta Mechanica.213(3-4)
    267–289.doi:10.1007/s00707-009-0270-4.
  12. ↑ Yang X.-S. and Deb S. (December 2009). "Cuckoo search via Lévy flights". World Congress on Nature & Biologically Inspired Computing (NaBIC 2009). IEEE Publications. pp. 210–214. arXiv:1003.1594v1.
  13. ↑ http://www.sciencedaily.com/releases/2010/05/100527213816.htm
  14. ↑ Civicioglu, P., and Besdok, E., (2011), A conception comparison of the cuckoo search, particle swarm optimization, differential evolution and artificial bee colony algorithms, Artificial Intelligence Review, DOI 10.1007/s10462-011-92760, 6 July (2011).
  15. ↑ (2012).«Transforming geocentric cartesian coordinates to geodetic coordinates by using differential search algorithm».Computers & Geosciences.46
    229–247.doi:10.1016/j.cageo.2011.12.011.
  16. ↑ Yang X. S., (2008). Nature-Inspired Metaheuristic Algorithms. Frome: Luniver Press. ISBN 1-905986-10-6.
  17. ↑ Krishnanand K.N. and D. Ghose (2005) "Detection of multiple source locations using a glowworm metaphor with applications to collective robotics". IEEE Swarm Intelligence Symposium, Pasadena, Califòrnia, USA, pp. 84–91.
  18. ↑ (2009).«Glowworm swarm optimization for simultaneous capture of multiple local optima of multimodal functions».Swarm Intelligence.3(2)
    87–124.
  19. ↑ (2008).«Theoretical foundations for rendezvous of glowworm-inspired agent swarms at multiple locations».Robotics and Autonomous Systems.56(7)
    549–569.
  20. ↑ (2006).«Glowworm swarm based optimization algorithm for multimodal functions with collective robotics applications».Multi-agent and Grid Systems.2(3)
    209–222.
  21. ↑ Yepes V., Martí J.V. and García-Segura T. (2015) "Cost and CO2 emission optimization of precast-prestressed concrete O-beam road bridges by a hybrid glowworm swarm algorithm". Automation in Construction, 49:123-134.
  22. ↑ «Why ‘GSA: a gravitational search algorithm’ is not genuinely based on the law of gravity».Natural Computing.Springer Netherlands.11(4)
    719-720.ISSN 1567-7818.doi:10.1007/s11047-012-9322-0.Consultat el 10 de juny de 2015.
  23. ↑ 23,0 23,1 «GSA: a gravitational search algorithm».Information Sciences.Elsevier Science New York.179(13)
    2232–2248.doi:10.1016/j.ins.2009.03.004.Consultat el 10 de juny de 2015.
  24. ↑ «Senar-dominated Sorting Gravitational Search Algorithm».ICSI 2011 - International Conference on Swarm Intelligence.icsi11 EISTI, Inc..Consultat el 10 de juny de 2015.
  25. ↑ (2009).«The intelligent water drops algorithm: a nature-inspired swarm-based optimization algorithm».International Journal of Bio-Inspired Computation.1(1/2)
    71–79.
  26. ↑ Plantilla:Cite paper
  27. ↑ Bishop, J.M., Stochastic Searching Networks, Proc. 1st IEE Int. Conf. on Artificial Neural Networks, pp. 329-331, London, UK, (1989).
  28. ↑ Nasuto, S.J. & Bishop, J.M., (2008), Stabilizing swarm intelligence search via positive feedback resource allocation, In: Krasnogor, N., Nicòsia, G, Pavone, M., & Pelta, D. (eds), Nature Inspired Cooperative Strategies for Optimization, Studies in Computational Intelligence, vol 129, Springer, Berlin, Heidelberg, New York, pp. 115-123.
  29. ↑ Moglich, M.; Maschwitz, U.; Holldobler, B., Tandem Calling: A New Kind of Signal in Ant Communication, Science, Volume 186, Issue 4168, pp. 1046-1047
  30. ↑ Nasuto, S.J., Bishop, J.M. & Lauria, S., Clave complexity analysis of the Stochastic Diffusion Search, Proc. Neural Computation '98, pp. 260-266, Vienna, Àustria, (1998).
  31. ↑ Nasuto, S.J., & Bishop, J.M., (1999), Convergence of the Stochastic Diffusion Search, Parallel Algorithms, 14:2, pp: 89-107.
  32. ↑ Myatt, D.M., Bishop, J.M., Nasuto, S.J., (2004), Minimum stable convergence criteria for Stochastic Diffusion Search, Electronics Letters, 22:40, pp. 112-113.
  33. ↑ al-Rifaie, M.M., Bishop, J.M. & Blackwell, T., An investigation into the merger of stochastic diffusion search and particle swarm optimisation, Proc. 13th Conf. Genetic and Evolutionary Computation, (GECCO), pp.37-44, (2012).
  34. ↑ Plantilla:Cite paper
  35. ↑ (2011).«Editorial Survey: Swarm Intelligence for Data Mining».Machine Learning.82(1)
    1–42.doi:10.1007/s10994-010-5216-5.
  36. ↑ Whitaker, R.M., Hurley, S.. An agent based approach to site selection for wireless networks. Proc ACM Symposium on Applied Computing, pp. 574–577, (2002).
  37. ↑ «[4]», Science Daily. Consultat el 1 de decembre de 2010.

Bibliografia

35–49.
  • Swarm Intelligence (Journal) Chief Editor: Marco Dorigo. Springer New York. ISSN 1935-3812 (Print) 1935-3820 (Online) [5]
  • Eva Horn, Lucas Marco Gisi (Ed.): Schwärme – Kollektive ohne Zentrum. Eine Wissensgeschichte zwischen Leben und Information, Bielefeld: transcript 2009. ISBN 978-3-8376-1133-5
  • L. Fisher, The Perfect Swarm: The Science of Complexity in Everyday Life, Basic Books, 2009.
  • (2007).«A roadmap of nature-inspired systems research and development».Multiagent and Grid Systems.3(1)
3–8.


Referències


Obtingut de «https://lenciclopedia.org/w/index.php?title=Inteligència_d%27eixam&oldid=1507464»