Роевой интеллект -обзор методов и областей применения

Привет, Вы узнаете о том , что такое роевой интеллект, Разберем основные их виды и особенности использования. Еще будет много подробных примеров и описаний. Для того чтобы лучше понимать что такое роевой интеллект, светляковый алгоритм, метод роя частиц , настоятельно рекомендую прочитать все из категории Вычислительный интеллект.

роевой интеллект (РИ) (англ. swarm intelligence) описывает коллективное поведение децентрализованной самоорганизующейся системы. Рассматривается в теории искусственного интеллекта как метод оптимизации. Термин был введен Херардо Бени и Ван Цзином в 1989 году, в контексте системы клеточных роботов . Однако ранее идея подробно рассмотрена Станиславом Лемом в романе «Непобедимый» (1964) и эссе «Системы оружия двадцать первого века, или Эволюция вверх ногами» (1983).

Системы роевого интеллекта, как правило, состоят из множества агентов (боидов[англ.]) локально взаимодействующих между собой и с окружающей средой. Идеи поведения, как правило, исходят от природы, а в особенности, от биологических систем. Каждый боид следует очень простым правилам и, несмотря на то, что нет какой-то централизованной системы управления поведения, которая бы указывала каждому из них на то, что ему следует делать, локальные и, в некоторой степени, случайные взаимодействия приводят к возникновению интеллектуального группового поведения, неконтролируемого отдельными боидами. Точное определение роевого интеллекта все еще не сформулировано. В целом, РИ должен представлять собой многоагентную систему, которая бы обладала самоорганизующимся поведением, которое, суммарно, должно проявлять некоторое разумное поведение.

Применение роевых принципов в робототехнике называют групповой робототехникой, в то время как понятие «роевой интеллект» относится к более общему набору алгоритмов. «Роевое прогнозирование» применяется в решении некоторых задач прогнозирования.

Обычно у роя нет центра управления, который предписывал бы каждому элементу роя, что ему делать в данный момент. Каждая частица подчиняется достаточно простым правилам, но все равно локальные взаимодействия с внесением небольшой случайной составляющей приводят к возникновению группового поведения, которое неподконтрольно отдельным частицам роя. В настоящий момент не существует точного определения роевого интеллекта, есть только набор условий, при соответствии которым алгоритм можно назвать роевым:

• 1. Роевой интеллект должен представлять собой многоагентную систему.
• 2. Система должна обладать самоорганизующимся поведением.
• 3. Поведение роя должно иметь признаки «разумного» поведения.

Первые два условия достаточно очевидны: система должна состоять из нескольких частиц, которые подчиняются некоторым правилам, формируемым создателем роя, третье же не так однозначно. Достаточно сложно определить, является ли поведение созданного роя «разумным». Единственное, что можно сказать определенно — поведение роя должно отличаться от алгоритма случайного перебора. Роевые алгоритмы применяются для решения задач, которые обладают следующими особенностями:

• 1) нелинейность;
• 2) недифференцируемость;
• 3) многоэкстремальность;
• 4) овражность;
• 5) отсутствие аналитического выражения;
• 6) высокая вычислительная сложность;
• 7) высокая размерность пространства поиска;
• 8) сложная топология области допустимых значений.

Рой можно определить как децентрализованную систему, которая состоит из простых и однообразных элементов, взаимодействующих между собой определенным образом. Примерами из реального биологического мира могут служить колонии муравьев, рой пчел, стаи птиц или косяки рыб. С концептуальной точки зрения такие алгоритмы строятся на эффекте аддитивности и синергии, который проявляет себя при объединении частиц в одну систему.

Метод роя частиц, МРЧ (англ. Particle Swarm Optimization, PSO) — метод численной оптимизации, для использования которого не нужно знать точного градиента оптимизируемой функции. МРЧ был доказан Кеннеди, Эберхартом и Шии, изначально предназначался для имитации социального поведения. Алгоритм был упрощен, и было отмечено, что он пригоден для выполнения оптимизации. Книга Кеннеди и Эберхарта описывает много философских аспектов МРЧ и так называемого роевого интеллекта. Большое исследование приложений МРЧ сделано Поле .

МРЧ оптимизирует функцию, поддерживая популяцию возможных решений, называемых частицами, и перемещая эти частицы в пространстве решений согласно простой формуле. Перемещение подчиняется принципу наилучшего найденного в этом пространстве положения, постоянно изменяется при нахождении частицами выгодных положений.

Пусть — целевая функция, которую требуется минимизировать, S — количество частиц в рое, каждой из которых сопоставлена координата в пространстве решений и скорость. Пусть также — лучшее из известных положений частицы с индексом , а — наилучшее известное состояние роя в целом. Тогда общий вид метода роя частиц таков.

• Для каждой частицы сделать:
  • Сгенерировать начальное положение частицы с помощью случайного вектора , имеющего многомерное равномерное распределение, где и — нижняя и верхняя границы пространства решений соответственно.
  • Присвоить лучшему известному положению частицы его начальное значение: .
  • Если, то обновить наилучшее известное состояние роя: i.
  • Присвоить значение скорости частицы: .
• Пока не выполнен критерий остановки (например, достижение заданного числа итераций или необходимого значения целевой функции), повторять:
  • Для каждой частицы сделать:
    • Сгенерировать случайные векторы .
    • Обновить скорость частицы: , где операция означает покомпонентное умножение.
    • Обновить положение частицы переносом на вектор скорости: . Этот шаг выполняется вне зависимости от улучшения значения целевой функции.
    • Если , то:
      • Обновить лучшее известное положение частицы: .
      • Если, то обновить лучшее известное состояние роя в целом: .
• Теперь содержит лучшее из найденных решений.

Параметры , и выбираются вычислителем и определяют поведение и эффективность метода в целом. Эти параметры составляют предмет многих исследований.

Критерием останова могут быть: достижение максимально допустимого количества итераций, нахождение приемлемого решения, отсутствие существенного улучшения значения целевой функции на протяжении некоторого количества итераций.

Выбор оптимальных параметров метода роя частиц — тема значительного количества исследовательских работ, см., например, работы Ши и Эберхарта, Карлайла и Дозера, ван ден Берга, Клерка и Кеннеди, Трелеа, Браттона и Блеквэлла, а также Эверса.

Простой и эффективный путь подбора параметров метода предложен Педерсеном и другими авторами. Они же провели численные эксперименты с различными оптимизациоными проблемами и параметрами. Техника выбора этих параметров называется мета-оптимизацией, так как другой оптимизационный алгоритм используется для «настройки» параметров МРЧ. Входные параметры МРЧ с наилучшей производительностью оказались противоречащими основным принципам, описанным в литературе, и часто дают удовлетворительные результаты оптимизации для простых случаев МРЧ. Реализацию их можно найти в открытой библиотеке SwarmOps.

Муравьиный алгоритм (алгоритм оптимизации муравьиной колонии, англ. ant colony optimization, ACO) — один из эффективных полиномиальных алгоритмов для нахождения приближенных решений задачи коммивояжера, а также аналогичных задач поиска маршрутов на графах. Подход предложенный бельгийским исследователем Марко Дориго (Marco Dorigo).

Суть подхода заключается в анализе и использовании модели поведения муравьев, ищущих пути от колонии до еды. Об этом говорит сайт https://intellect.icu . В основе алгоритма лежит поведение муравьиной колонии — маркировка удачных дорог большим количеством феромона. Работа начинается с размещения муравьев в вершинах графа (городах), затем начинается движение муравьев — направление определяется вероятностным методом, на основании формулы:

,

где:

Pi — Вероятность перехода дорогой i,

li — Длина i-ого перехода,

fi — Количество феромонов на i-ом переходе,

q — Величина, определяющая «жадность» алгоритма,

p — Величина, которая определяет «стадность» алгоритма і

q+p=1.

Ниже приведены одни из самых популярных вариаций муравьиного алгоритма.

• Ортогональный метод планирования и адаптивный метод регулирования радиуса могут также быть расширены на другие алгоритмы оптимизации для получения более широких преимуществ в решении практических проблем.

Искусственный алгоритм пчелиной семьи (англ. artificial bee colony optimization, ABC) — алгоритм роя на основе мета-эвристического алгоритма, введенного Карабогом в 2005 году . Он имитирует поведение кормовых медоносных пчел. Алгоритм ABC состоит из трех этапов: рабочей пчелы, пчелы-надзирателя, и пчелы-разведчика. Пчелы используют алгоритм локального поиска в окрестности решений, выбранных на основе детерминированного отбора рабочими пчелами и вероятностного отбора пчелами-надзирателями. Пчела-разведчик выполняет отказ от истощенных источников питания в кормовом процессе. По этой аналогии решения, которые больше не полезны для поиска решения, отбрасываются и добавляются новые решения (по аналогии с исследованием новых регионов в поиске источников).

Схематичное изображение стратегии разведки двумерного пространства (жирные линии — вылеты разведчиков, тонкие линии — уточнение решений рабочими пчелами)

Стратегия сбора нектара медоносными пчелами в природе- Основной целью работы пчелиной колонии в природе является разведка пространства вокруг улья с целью поиска нектара с последующим его сбором. Для этого в составе колонии существуют различные типы пчел: пчелы-разведчики и рабочие пчелы-фуражиры (кроме них, в колонии существуют трутни и матка, не участвующие в процессе сбора нектара). Разведчики ведут исследование окружающего улей пространства и сообщают информацию о перспективных местах, в которых было обнаружено наибольшее количество нектара (для обмена информацией в улье существует специальный механизм, именуемый танцем пчелы).

Искусственная иммунная система (ИИС) — это адаптивная вычислительная система, использующая модели, принципы, механизмы и функции, описанные в теоретической иммунологии, которые применяются для решения прикладных задач .

Несмотря на то, что природные иммунные системы изучены далеко не полностью, на сегодня существуют по меньшей мере три теории, объясняющие функционирование иммунной системы и описывающие взаимодействие ее элементов, а именно: теория отрицательного отбора, теория клональной селекции и теория иммунной сети. Они легли в основу создания трех алгоритмов функционирования ИИС.

Общие методы основаны на конкретных иммунологических теориях, которые объясняют функции и поведение адаптивной иммунной системы млекопитающих.

• Клональный алгоритм отбора - класс алгоритмов, основанных на теории клоновой селекции приобретенного иммунитета, которая объясняет, как Б и Т лимфоциты улучшают их реакцию на антигены с течением времени, что называется affinity maturation. Эти алгоритмы сосредоточены на атрибутах теории Дарвина, где выбор основан на близости взаимодействия антигенов и антител и репродукции на принципе деления клеток и вариациях на основе соматических гипермутаций.
• Негативный алгоритм отбора
• Иммунный сетевой алгоритм
• Дендритный алгоритм

Алгоритм оптимизации серых волков (Gray Wolf Optimizer, GWO) является мета-эвристическим алгоритмом оптимизации, который был предложен С. Мирамуничем и Дж. Р. Мирамуничем в 2014 году. В основе этого алгоритма лежит имитация социального поведения и иерархии волков в природе.

Алгоритм использует четыре типа волков: альфа, бета, дельта и омега. Альфа-волки доминируют и принимают решения о направлении охоты, бета-волки подчиняются и помогают альфа-волкам, дельта-волки помогают другим волкам и следуют за лидерами, а омега-волки обычно следуют за остальными и выполняют большую часть работы. Эта иерархия используется в алгоритме для обновления позиции волков и поиска глобального оптимума.

В каждой итерации алгоритма альфа, бета и дельта-волки обновляют свои позиции в пространстве решений, используя собственные лучшие решения и лучшие решения других волков. Омега-волки обновляют свои позиции, следуя за лучшими волками.

Подобно другим биомиметическим алгоритмам, алгоритм оптимизации серых волков использует поведение и взаимодействие животных в природе для создания эффективных методов решения сложных задач оптимизации.

Алгоритм гравитационного поиска (англ. Gravitational Search Algorithm, GSA) — алгоритм поиска, основанный на законе всемирного тяготения и понятиях массового взаимодействия. Алгоритм основывается на теории притяжения из физики Ньютона. В алгоритме в качестве поисковых агентов используются гравитационные массы.

В последние годы были разработаны различные эвристические алгоритмы оптимизации. Многие из этих алгоритмов основаны на природных явлениях. Если сравнивать алгоритм гравитационного поиска с другими алгоритмами, то данный алгоритм - один из самых эффективных в решении различных задач оптимизации нелинейных функций.

Исследователи из Швейцарии разработали алгоритм, основанный на правиле Гамильтона семейной селекции. Алгоритм показывает, как альтруизм особи в рое может со временем развиваться и приведет к более эффективному поведению роя .

Работа над созданием альтруистичных роботов была выполнена профессором робототехники EPFL Дарио Флореано и биологом Лозаннского университета Лораном Келлером.

«Проверка эволюции альтруизма с помощью количественных исследований на живых организмах в значительной степени невозможна, поскольку эксперименты должны охватывать сотни поколений, и существует слишком много переменных», — отмечается в пресс-релизе EPFL. «Однако роботы Флореано быстро развиваются с использованием смоделированных функций генов и генома и позволяют ученым измерять затраты и выгоды, связанные с признаком».

Их статья была опубликована в журнале Public Library of Science (PLoS) Biology. Она подтверждает то, что известно как правило родственного отбора Гамильтона, разработанное в 1964 году У. Д. Гамильтоном. Он предложил точный набор условий, при которых может развиться альтруистическое поведение. EPFL описывает его так:

«Если отдельный член семьи делится едой с остальными членами семьи, это снижает его или ее личные шансы на выживание, но увеличивает шансы членов семьи передать свои гены, многие из которых являются общими для всей семьи. Правило Гамильтона просто гласит, что то, делится ли организм своей едой с другим, зависит от его генетической близости (сколько генов он разделяет) с другим организмом.

«Мы показали, что теория родственного отбора Гамильтона всегда точно предсказывает связь между эволюцией альтруизма и родством особей в пределах вида», — объясняет Маркус Вайбель, ведущий автор статьи и бывший докторант Келлера и Флореано.

Правило Гамильтона долгое время было предметом многочисленных споров, поскольку его уравнение кажется слишком простым, чтобы быть верным. «Это исследование удивительно точно отражает правило Гамильтона, чтобы объяснить, когда альтруистический ген передается от одного поколения к другому, а когда нет», — говорит Келлер.

Исследование поможет биологам, но оно уже оказало влияние на других роботов в EPFL, особенно на рои летающих роботов. «Мы смогли взять этот эксперимент и извлечь алгоритм, который мы можем использовать для развития сотрудничества в любом типе робота», — говорит Флореано. «Мы используем этот алгоритм альтруизма для улучшения системы управления нашими летающими роботами, и мы видим, что он позволяет им эффективно сотрудничать и летать в рое более успешно».

Алгоритм интеллектуальных капель воды (англ. IWD) — алгоритм роя на основе алгоритма оптимизации, который использует методы естественных рек и как они находят почти оптимальные пути к месту назначения.

Он находит оптимальные или близкие к оптимальным пути, получаемые из протекающих между каплями воды реакциями, когда вода течет по руслу реки. В IWD алгоритме несколько искусственных капель воды зависят друг от друга и способны изменять свое окружение таким образом, что находят оптимальный путь на пути наименьшего сопротивления. Итак, IWD алгоритм это конструктивный популяционно-ориентированный алгоритм оптимизации.

12 Метод самоходных частиц

Вдохновением для его создания послужил гнездовой паразитизм некоторых видов кукушек, что подкладывают свои яйца в гнезда других птиц (других видов птиц). Некоторые из владельцев гнезд могут вступить в прямой конфликт с кукушками, что врываются к ним. Например, если владелец гнезда обнаружит, что яйца не его, то он или выбросит эти чужие яйца или просто покинет гнездо создаст новое где-то в другом месте.

Некоторые виды кукушек, такие как гнездовые паразиты из Нового Света, например полосатая или четырехкрылая кукушка (Tapera naevia), эволюционировали таким образом, что самки очень часто специализируются на имитации цветов и структуры яиц избранных видов птиц-хозяев.

Для простоты описания нового алгоритма кукушки воспользуемся следующими тремя идеализированными правилами:

• Кукушка закладывает по одному яйцу за раз, и сбрасывает его в случайно выбранном гнезде;
• Лучшие гнезда с высоким качеством яиц (решения) переносятся на следующие поколения;
• Количество доступных хозяйских гнезд фиксировано, и хозяин может обнаружить инородное яйцо с вероятностью Pa ∈ [0, 1]. В этом случае птица-хозяин может либо выбросить яйцо из гнезда, либо покинуть гнездо, чтобы построить совершенно новое гнездо в новом месте.

Схему алгоритма можно представить в следующем виде:

1. Инициализируем популяцию S = (s_i, i ∈ [1 : |S|]) из |S| хозяйских гнезд и кукушку, т.е. определяем начальные значения компонентов векторов X_i; i ∈ [1 : |S|], и вектор начального положения кукушки X_c;
2. Находим новое X_c, с помощью полетов Леви.
3. Случайным образом находим гнездо s_i: i ∈ [1 : |S|], и, если f(X_c) > f(X_i), заменяем яйцо в этом гнезде на яйцо кукушки, т.е. полагаем X_i = X_c;
4. С вероятностью p_a удаляем из популяции некоторое число худших случайно выбранных гнезд и строим новые гнезда в местах определенных с помощью полетов Леви.
5. Если поколение достигло заданного предела, то заканчиваем алгоритм, иначе переходим ко второму шагу.

Вместе с тем в стандартном алгоритме CS вероятность pa и параметры полета Леви являются константами. Существует улучшенный алгоритм кукушки (Improved Cuckoo Search, ICS), который использует динамические значения этих параметров. В целях повышения точности целесообразно использовать большие значения величин p_a и a, на начальных итерациях, и меньшие значения на поздних.

Методы, основанные на роевом интеллекте, могут использоваться в ряде приложений. Военные США изучают методы роя для управления беспилотными летательными аппаратами. Европейское космическое агентство думает об орбитальном рое для самосборки и интерферометрии. NASA изучает использование технологии роя для картирования планет. В статье 1992 года М. Энтони Льюиса и Джорджа А. Беки обсуждается возможность использования роевого интеллекта для управления наноботами внутри тела с целью уничтожения раковых опухолей.Напротив, аль-Рифаи и Абер использовали стохастический диффузионный поиск для помощи в обнаружении опухолей. Роевой интеллект (SI) все чаще применяется в системах Интернета вещей (IoT) и в связи с сетями на основе намерений (IBN) из-за его способности обрабатывать сложные распределенные задачи с помощью децентрализованных самоорганизующихся алгоритмов. Роевой интеллект также применяется для добычи данных и кластерного анализа . Модели на основе муравьев также являются предметом современной теории управления.

Использование роевого интеллекта в телекоммуникационных сетях также исследовалось в форме маршрутизации на основе муравьев . Это было впервые предложено отдельно Дориго и др. и Hewlett-Packard в середине 1990-х годов, и существует ряд вариантов. По сути, это использует вероятностную таблицу маршрутизации, вознаграждающую/укрепляющую маршрут, успешно пройденный каждым «муравьем» (небольшим контрольным пакетом), который заполняет сеть. Исследовалось усиление маршрута в прямом, обратном направлении и в обоих направлениях одновременно: обратное усиление требует симметричной сети и связывает два направления вместе; прямое усиление вознаграждает маршрут до того, как станет известен результат (но тогда можно было бы заплатить за кино, прежде чем узнать, насколько хорош фильм). Поскольку система ведет себя стохастически и, следовательно, не имеет повторяемости, существуют большие препятствия для коммерческого развертывания. Мобильные медиа и новые технологии способны изменить порог коллективных действий благодаря роевому интеллекту (Рейнгольд: 2002, стр. 175).

Расположение инфраструктуры передачи для сетей беспроводной связи является важной инженерной проблемой, включающей конкурирующие цели. Минимальный выбор местоположений (или участков) требуется при условии обеспечения адекватного покрытия области для пользователей. Совершенно другой, вдохновленный муравьями алгоритм роевого интеллекта, стохастический диффузионный поиск (SDS), был успешно использован для предоставления общей модели для этой проблемы, связанной с упаковкой кругов и покрытием множеств. Было показано, что SDS может применяться для определения подходящих решений даже для больших случаев проблем.

Авиакомпании также использовали маршрутизацию на основе муравьев для назначения прибывающих самолетов к выходам в аэропорту. В Southwest Airlines программное обеспечение использует теорию роя или роевой интеллект — идею о том, что колония муравьев работает лучше, чем один. Каждый пилот действует как муравей, ищущий лучшие выходы в аэропорту. «Пилот узнает на своем опыте, что лучше для него, и оказывается, что это лучшее решение для авиакомпании», — объясняет Дуглас А. Лоусон . В результате «колония» пилотов всегда направляется к выходам, к которым они могут быстро прибыть и вылететь. Программа может даже предупреждать пилота о резервных самолетах до того, как они произойдут. «Мы можем предвидеть, что это произойдет, поэтому у нас будут доступные выходы», — говорит Лоусон. ^{[ 44 ]}

Художники используют технологию роя как средство создания сложных интерактивных систем или имитации толпы .

В трилогии фильмов «Властелин колец» использовалась похожая технология, известная как Massive (программное обеспечение) , во время батальных сцен. Технология Swarm особенно привлекательна, поскольку она дешева, надежна и проста.

Стэнли и Стелла в фильме «Разбивая лед» стал первым фильмом, в котором для рендеринга использовалась технология роя, реалистично изображающая движения групп рыб и птиц с помощью системы Boids.

В фильме Тима Бертона «Бэтмен возвращается» также использовалась технология роя для показа движений группы летучих мышей.

Авиакомпании использовали теорию роя для моделирования посадки пассажиров в самолет. Исследователь Southwest Airlines Дуглас А. Лоусон использовал компьютерную симуляцию на основе муравьев, применяя всего шесть правил взаимодействия для оценки времени посадки с использованием различных методов посадки. (Миллер, 2010, xii-xviii).

Сети распределенных пользователей могут быть организованы в «человеческие рои» посредством внедрения систем управления с обратной связью в реальном времени. Разработанное Луи Розенбергом в 2015 году, человеческое роение, также называемое искусственным роевым интеллектом, позволяет использовать коллективный интеллект взаимосвязанных групп людей в сети. Коллективный интеллект группы часто превосходит возможности любого отдельного члена группы.

Медицинская школа Стэнфордского университета опубликовала в 2018 году исследование, показывающее, что группы врачей-людей, объединенные вместе с помощью алгоритмов роения в реальном времени, могут диагностировать заболевания со значительно более высокой точностью, чем отдельные врачи или группы врачей, работающих вместе с использованием традиционных методов краудсорсинга. В одном из таких исследований группам врачей-рентгенологов, объединенным вместе, было поручено диагностировать рентгенограммы грудной клетки, и они продемонстрировали снижение диагностических ошибок на 33% по сравнению с традиционными человеческими методами и улучшение на 22% по сравнению с традиционным машинным обучением.

Медицинская школа Калифорнийского университета в Сан-Франциско (UCSF) в 2021 году опубликовала препринт о диагностике изображений МРТ небольшими группами сотрудничающих врачей. Исследование показало 23%-ное увеличение точности диагностики при использовании технологии искусственного роевого интеллекта (ASI) по сравнению с голосованием большинства.

Грамматики роя — это рои стохастических грамматик , которые могут быть развиты для описания сложных свойств, таких как в искусстве и архитектуре. Эти грамматики взаимодействуют как агенты, ведущие себя в соответствии с правилами интеллекта роя. Такое поведение также может предполагать алгоритмы глубокого обучения , в частности, когда рассматривается отображение таких роев в нейронные цепи.

В серии работ аль-Рифаи и др. успешно использовали два алгоритма роевого интеллекта — один, имитирующий поведение одного вида муравьев ( Leptothorax acervorum ) при поиске пищи ( стохастический диффузионный поиск , SDS), а другой алгоритм, имитирующий поведение стай птиц ( оптимизация роя частиц , PSO) — для описания новой стратегии интеграции, использующей локальные свойства поиска PSO с глобальным поведением SDS. Полученный гибридный алгоритм используется для создания эскизов новых рисунков входного изображения, используя художественное напряжение между локальным поведением «птиц, сбивающихся в стаю» — когда они стремятся следовать входному эскизу — и глобальным поведением «муравьев, ищущих пищу» — когда они стремятся побудить стаю исследовать новые области холста. «Творчество» этой гибридной системы роя было проанализировано в философском свете «ризомы» в контексте метафоры Делеза «Орхидея и оса».

Более поздняя работа аль-Рифаи и др. «Swarmic Sketches and Attention Mechanism» представляет новый подход, развертывающий механизм «внимания» путем адаптации SDS для выборочного внимания к подробным областям цифрового холста. Как только внимание роя привлечено к определенной линии на холсте, способность PSO используется для создания «роевого эскиза» рассматриваемой линии. Рои перемещаются по цифровому холсту в попытке удовлетворить свои динамические роли — внимание к областям с большим количеством деталей — связанные с ними через их функцию приспособленности. Связав процесс рендеринга с концепциями внимания, производительность участвующих роев создает уникальный, неидентичный эскиз каждый раз, когда рои «художников» приступают к интерпретации входных линейных рисунков. В других работах, в то время как PSO отвечает за процесс эскизирования, SDS контролирует внимание роя.

В похожей работе «Рой картин и внимание к цвету» нефотореалистичные изображения создаются с использованием алгоритма SDS, который в контексте данной работы отвечает за внимание к цвету.

« Вычислительная креативность » вышеупомянутых систем обсуждается вчерез два предварительных условия креативности (т.е. свободу и ограничения) в двух печально известных фазах роевого интеллекта: исследовании и эксплуатации.

Майкл Теодор и Николаус Коррелл используют интеллектуальную художественную инсталляцию роя, чтобы исследовать, что требуется для того, чтобы инженерные системы выглядели как живые.

Применение в конструировании лекарственных препаратов

Алгоритмы роевого интеллекта и программное обеспечение, их реализующее, с успехом применяются в задачах выделения информативных дескрипторов. Очевидно, что роль компьютерного моделирования на разных этапах создания новых лекарств будет возрастать, а совершенствование выбора оптимального набора дескрипторов позволит минимизировать исследования, сделав дизайн лекарств эффективнее, быстрее и дешевле. В 1960-е годы Хэнш создал.QSAR (Quantitative Structure–Activity Relationship) модель, используя различные молекулярные дескрипторы физических, химических и биологических свойств, направленных на обеспечение вычислительных оценок биологической активности молекул. Правильное построение QSAR-модели зависит от качества исходного набора активных/неактивных соединений. Для проведения исследований QSAR необходимы исходные данные, состоящие из набора химических структур с известными значениями активностей. (Работа проводится по гранту "Компьютерный молекулярный дизайн лекарственных препаратов на основе иммунносетевого моделирования" (2015–2017 гг.) в Институте информационных и вычислительных технологий КН МОН РК Самигулина Г. А., Масимканова Ж. А.)

При поиске зависимостей "структура – активность" химических соединений актуальной задачей является выбор оптимального набора дескрипторов, на основе которого строится QSAR-модель. Целью выделения оптимального набора дескрипторов является уменьшение размерности пространства дескрипторов. Построение адекватной модели на основе оптимального набора дескрипторов увеличивает вероятность принятия правильных решений.

Важным направлением в области QSAR стало применение подходов искусственного интеллекта , которые обеспечивают высокую точность прогнозирования химических соединений с данными структурами. С помощью методов искусственного интеллекта можно обрабатывать большие объемы данных. Поэтому методы искусственного интеллекта, такие как нейронные сети , эволюционные алгоритмы, искусственные иммунные системы, алгоритмы роевого интеллекта , нашли применение в решении задачи отбора информативных признаков.

Сравнение методов Роевого интеллекта

Методы роевого интеллекта (РИ) относятся к классу децентрализованных алгоритмов, которые имитируют поведение биологических систем, таких как муравейники, рои птиц и косяки рыб. Основное их преимущество – способность решать сложные задачи оптимизации и поиска в условиях неопределенности. Рассмотрим сравнение основных методов РИ: алгоритма муравьиной колонии (ACO), алгоритма роя частиц (PSO), а также менее известных, но перспективных методов, таких как алгоритмы пчелиной колонии (ABC) и светлячков (FA).

1. Алгоритм муравьиной колонии (ACO)

Принцип работы:
Алгоритм основан на моделировании поведения муравьев, которые прокладывают пути от колонии к источнику пищи, оставляя феромоны. Феромоны усиливаются, если путь оптимален, что позволяет найти кратчайший маршрут.

Достоинства:

• Эффективность при решении задач комбинаторной оптимизации, например, задачи коммивояжера.
• Стабильность решения за счет интеграции множества агентов.

Недостатки:

• Высокая вычислительная сложность.
• Чувствительность к параметрам, например, скорости испарения феромонов.

2. Алгоритм роя частиц (PSO)

Принцип работы:
Алгоритм имитирует движение роя частиц, каждая из которых обновляет свою позицию, ориентируясь на собственный лучший результат и глобальный результат роя.

Достоинства:

• Простота реализации.
• Высокая скорость сходимости на задачах непрерывной оптимизации.
• Адаптивность в многомерных пространствах.

Недостатки:

• Риск попадания в локальные минимумы.
• Ограничения в сложных дискретных задачах.

3. Алгоритм пчелиной колонии (ABC)

Принцип работы:
Метод основан на моделировании поведения медоносных пчел, которые ищут источники нектара, обмениваются информацией в улье и перераспределяют усилия для исследования наиболее перспективных областей.

Достоинства:

• Эффективность в задачах с большим числом локальных экстремумов.
• Возможность параллельной обработки.

Недостатки:

• Медленная сходимость в задачах с большим числом параметров.
• Сложность настройки параметров.

4. Алгоритм светлячков (FA)

Принцип работы:
Этот алгоритм имитирует поведение светлячков, привлекающихся друг к другу в зависимости от яркости их света, которая ассоциируется с качеством решения.

Достоинства:

• Универсальность: применим как для дискретных, так и для непрерывных задач.
• Способность избегать локальных минимумов за счет стохастической природы движения.

Недостатки:

• Высокие вычислительные затраты.
• Чувствительность к числу агентов и параметрам яркости.

Общее сравнение

Метод	Задачи	Сходимость	Масштабируемость	Устойчивость к локальным минимумам	Вычислительная сложность
ACO	Комбинаторная оптимизация	Средняя	Средняя	Высокая	Высокая
PSO	Непрерывная оптимизация	Высокая	Высокая	Низкая	Низкая
ABC	Задачи с большим числом экстремумов	Средняя	Средняя	Средняя	Средняя
FA	Универсальные задачи	Высокая	Низкая	Высокая	Средняя

Вывод

Каждый метод роевого интеллекта имеет свои сильные и слабые стороны. Выбор подходящего метода зависит от типа задачи, особенностей оптимизационного пространства и доступных вычислительных ресурсов. Алгоритмы ACO и PSO хорошо подходят для специфических задач (комбинаторных и непрерывных соответственно), тогда как ABC и FA универсальны, но требуют большей настройки для достижения высокой эффективности.

• групповая робототехника , ройная робототехника ,
• Микробный интеллект

Исследование, описанное в статье про роевой интеллект, подчеркивает ее значимость в современном мире. Надеюсь, что теперь ты понял что такое роевой интеллект, светляковый алгоритм, метод роя частиц и для чего все это нужно, а если не понял, или есть замечания, то не стесняйся, пиши или спрашивай в комментариях, с удовольствием отвечу. Для того чтобы глубже понять настоятельно рекомендую изучить всю информацию из категории Вычислительный интеллект