Chapitre 1 : Intelligence en essaim
Le comportement collectif des systèmes décentralisés et auto-organisés, qu'ils soient naturels ou artificiels, est ce que l'on appelle l'intelligence en essaim (IS). L'idée est utilisée dans les recherches sur l'intelligence artificielle. En 1989, ce sont Gerardo Beni et Jing Wang qui ont été les premiers à utiliser l'expression « systèmes robotiques cellulaires » en lien avec leurs domaines d'étude respectifs. Dans les systèmes naturels, l'intelligence en essaim peut être observée dans des choses comme les colonies de fourmis, les colonies d'abeilles, les volées d'oiseaux, la chasse aux faucons, l'élevage d'animaux, la croissance bactérienne, les bancs de poissons et l'intelligence microbienne. D'autres exemples incluent l'élevage d'animaux.
La robotique en essaim fait référence à l'application des principes de l'essaim aux robots, tandis que l'intelligence en essaim fait référence à l'ensemble plus large d'algorithmes qui peuvent être utilisés dans la robotique en essaim. Le concept de prédiction d'essaim a été utilisé pour résoudre les problèmes de prévision. Dans le domaine de l'intelligence collective synthétique, des techniques similaires à celles qui ont été suggérées pour les robots en essaim sont à l'étude pour les animaux génétiquement modifiés.
Boids est un logiciel qui reproduit le comportement des oiseaux qui se rassemblent et qui a été créé par Craig Reynolds en 1986 dans le cadre d'un système de vie artificielle. Son article sur ce sujet a été inclus dans les actes de la conférence ACM SIGGRAPH en 1987 et y a été publié. Une chose ressemblant à un oiseau est appelée un « boïde », qui est une forme abrégée de l'expression « objet oiseau ». Le mot « boïde » se rapporte à cette version réduite.
Les boïdes sont un exemple de comportement émergent, c'est-à-dire que la complexité des boïdes provient de l'interaction d'agents individuels (les boïdes, dans ce cas), chacun d'entre eux adhérant à un ensemble de règles de base. C'est le cas de la majorité des simulations de vie artificielle. Les directives suivantes régissent le comportement dans la forme la plus élémentaire du monde des Boids :
Séparation : Dirigez pour éviter de vous faufiler avec les autres moutons à proximité.
Alignement : Allez dans la direction générale où vont la majorité des compagnons de troupeau à proximité.
Cohésion : Migrer vers l'emplacement moyen (centre de masse) des compagnons de troupeau à proximité en suivant les instructions du chef pour le faire.
Il est possible d'ajouter des règles plus compliquées, comme éviter les obstacles et travailler vers vos objectifs.
Les particules automotrices, ou SPP en abrégé, ont été décrites pour la première fois par Vicsek et ses collègues en 1995. Ce modèle est également connu sous le nom de modèle Vicsek.
La majorité des travaux sur le sujet de la métaheuristique inspirée de la nature sont effectués à l'aide d'algorithmes évolutionnaires (EA), d'optimisation d'essaim de particules (PSO), d'évolution différentielle (DE) et d'optimisation de colonies de fourmis (ACO), ainsi que de leurs dérivés. Les algorithmes publiés jusqu'à l'an 2000 environ sont inclus dans cette liste. La communauté des chercheurs a commencé à critiquer un nombre important de métaheuristiques plus récentes inspirées de métaphores pour masquer leur manque d'originalité derrière une métaphore complexe. Cette critique s'adresse à un grand nombre de métaheuristiques inspirées par la métaphore. Consultez la liste des métaheuristiques basées sur des métaphores pour tous les algorithmes qui ont été publiés après cette période.
L'utilisation de métaheuristiques n'est pas recommandée en raison de son manque de fiabilité.
La première édition est sortie en 1989. Recherche basée sur la diffusion stochastique (SDS)
L'optimisation des colonies de fourmis (ACO) est une famille d'algorithmes d'optimisation qui est calquée sur les activités d'une colonie de fourmis. L'optimisation des colonies de fourmis a été développée pour la première fois par Dorigo dans sa thèse de doctorat. L'algorithme ACO est une méthode probabiliste qui peut être utile pour résoudre des problèmes impliquant de trouver de meilleurs chemins à travers les graphes. Les « fourmis » artificielles, également appelées agents de simulation, sont utilisées pour identifier les solutions optimales en parcourant un espace de paramètres qui représente toutes les solutions potentielles. Au cours du processus d'exploration de leur habitat, les fourmis naturelles laissent derrière elles des traces de phéromones qui guident les autres fourmis vers les ressources. Les « fourmis » simulées gardent également une trace de leurs emplacements et de la qualité des solutions qu'elles proposent, ce qui permet d'obtenir de meilleurs résultats lors des tours suivants de la simulation en faisant en sorte que davantage de fourmis recherchent de meilleures options.
L'optimisation par essaim de particules, souvent connue sous le nom de PSO, est une méthode permettant de traiter des problèmes dans lesquels la solution optimale peut être représentée par un point ou une surface dans un espace à n dimensions. PSO est considéré comme une technique d'optimisation globale. Les hypothèses sont cartographiées dans cet espace et ensemencées avec une vitesse initiale. De plus, un canal de communication est établi entre les différentes particules. Après cela, les particules se déplaceront à travers l'espace de la solution et, à la fin de chaque pas de temps, elles seront évaluées conformément à certains critères de fitness. Les particules, au fil du temps, sont progressivement propulsées vers la direction d'autres particules de leur groupe de communication qui ont des valeurs de fitness plus élevées. Le grand nombre de membres qui composent l'essaim de particules rend la technique incroyablement résistante à la question des minimums locaux, ce qui est le principal avantage d'une telle approche par rapport à d'autres stratégies de minimisation globales telles que le recuit simulé. D'autres stratégies de minimisation mondiales comprennent :.
Le terme « intelligence artificielle en essaim », ou ASI, fait référence à une façon d'augmenter l'intelligence collective des groupes humains en réseau en utilisant des algorithmes de contrôle qui sont modelés sur le comportement des essaims naturels. La technologie, qui unit des groupes de participants humains dans des systèmes en temps réel qui discutent et fixent les réponses sous forme d'essaims dynamiques lorsqu'elles sont présentées simultanément avec une requête, est souvent appelée essaimage humain ou IA en essaim.
Les techniques basées sur l'intelligence en essaim peuvent être utilisées dans une variété d'applications différentes. Dans le but de gérer les véhicules autonomes, l'armée américaine étudie des tactiques d'essaim. L'Agence spatiale européenne envisage l'utilisation d'un essaim en orbite à des fins d'interférométrie et d'auto-assemblage. L'utilisation de la technologie des essaim à des fins de cartographie planétaire est quelque chose que la NASA examine. M. Anthony Lewis et George A. Bekey ont publié une étude en 1992 dans laquelle ils ont discuté de la perspective d'utiliser l'intelligence en essaim pour gérer les nanorobots à l'intérieur du corps dans le but de détruire les tumeurs cancéreuses.
Des recherches ont également été menées sur l'utilisation de l'intelligence en essaim dans le domaine des réseaux de communication, notamment sous la forme d'un routage basé sur les fourmis. Au milieu des années 1990, il a été développé pour la première fois indépendamment par Dorigo et al. et par Hewlett Packard. Depuis lors, une variété d'autres variantes ont été développées. Essentiellement, cela utilise une table de routage probabiliste qui récompense et renforce le chemin qui a été parcouru avec succès par chaque « fourmi », qui est un minuscule paquet de contrôle qui inonde le réseau. Des recherches ont été menées sur le renforcement de l'itinéraire dans les deux sens avant et arrière, ainsi que dans les deux sens en même temps. Le renforcement vers l'arrière nécessite un réseau symétrique et couple les deux directions, tandis que le renforcement vers l'avant récompense un itinéraire avant que le résultat ne soit connu (mais on paierait alors pour le cinéma avant de savoir à quel point le film est bon). En raison du comportement stochastique du système et, par conséquent, de son manque de répétabilité, il existe des obstacles importants à l'adoption commerciale de la technologie. Grâce à l'intelligence en essaim, les médias mobiles et d'autres technologies nouvellement développées ont la capacité de modifier le seuil de l'action collective (Rheingold : 2002, P175).
L'emplacement optimal de l'équipement de transmission pour les réseaux de communication sans fil est un défi technique important qui implique de trouver un équilibre entre un certain nombre d'objectifs contradictoires. À condition qu'une couverture appropriée soit fournie aux utilisateurs, une sélection limitée d'emplacements (ou de sites) est nécessaire. La recherche de diffusion stochastique (SDS), une technique d'intelligence en essaim qui a été très différente de celle des fourmis, a été utilisée efficacement pour donner un modèle générique à ce problème, qui est lié à l'empilement de cercles et à la couverture de décors. Il a été démontré que la FDS peut être utilisée pour trouver des réponses appropriées, quelle que soit l'ampleur du problème faisant...
