Kapitel 1 : Schwarm-Intelligenz
Das kollektive Verhalten dezentraler, selbstorganisierter Systeme, sei es natürlich oder künstlich, wird als Schwarmintelligenz (SI) bezeichnet. Die Idee wird in der Forschung zum Thema Künstliche Intelligenz genutzt. Gerardo Beni und Jing Wang waren 1989 diejenigen, die den Begriff "zelluläre Robotersysteme" erstmals im Zusammenhang mit ihren jeweiligen Fachgebieten verwendeten. In natürlichen Systemen kann Schwarmintelligenz in Dingen wie Ameisenkolonien, Bienenvölkern, Vogelschwärmen, Falkenjagd, Tierhüten, Bakterienwachstum, Fischschwärmen und mikrobieller Intelligenz beobachtet werden. Ein weiteres Beispiel ist das Hüten von Tieren.
Schwarmrobotik bezieht sich auf die Anwendung von Schwarmprinzipien auf Roboter, während sich Schwarmintelligenz auf die breitere Sammlung von Algorithmen bezieht, die in der Schwarmrobotik verwendet werden können. Das Konzept der Schwarmvorhersage wurde zur Lösung von Prognoseproblemen verwendet. Auf dem Gebiet der synthetischen kollektiven Intelligenz werden ähnliche Techniken, wie sie für Schwarmroboter vorgeschlagen wurden, für gentechnisch veränderte Tiere untersucht.
Boids ist eine Software, die das Verhalten von zusammenschwärmenden Vögeln repliziert und 1986 von Craig Reynolds als Teil eines künstlichen Lebenssystems entwickelt wurde. Sein Artikel zu diesem Thema wurde 1987 in den Tagungsband der ACM SIGGRAPH-Konferenz aufgenommen und dort veröffentlicht. Ein vogelähnliches Ding wird als "boid" bezeichnet, was eine abgekürzte Form des Ausdrucks "bird-oid object" ist. Das Wort "boid" bezieht sich auf diese verkleinerte Version.
Boids ist ein Beispiel für emergentes Verhalten, was bedeutet, dass die Komplexität von Boids von der Interaktion einzelner Agenten (in diesem Fall der Boids) herrührt, von denen jeder einer Reihe von Grundregeln folgt. Dies gilt für die meisten künstlichen Lebenssimulationen. Die folgenden Richtlinien regeln das Verhalten in der grundlegendsten Form der Boids-Welt:
Trennen: Lenken Sie, um sich nicht mit den anderen Schafen in der Nähe zu vermischen.
Ausrichtung: Gehen Sie in die allgemeine Richtung, in die die Mehrheit der Schwarmgenossen in der Nähe geht.
Kohäsion: Bewegen Sie sich in Richtung des durchschnittlichen Standorts (Schwerpunkt) von nahegelegenen Schwarmgenossen, indem Sie den Anweisungen des Anführers folgen.
Es ist möglich, kompliziertere Regeln einzuführen, wie z. B. das Vermeiden von Hindernissen und das Erreichen Ihrer Ziele.
Selbstfahrende Partikel, kurz SPP, wurden erstmals 1995 von Vicsek und Kollegen beschrieben. Dieses Modell ist auch als Vicsek-Modell bekannt.
Der Großteil der Arbeit auf dem Gebiet der von der Natur inspirierten Metaheuristiken wird mit evolutionären Algorithmen (EA), Partikelschwarmoptimierung (PSO), differentieller Evolution (DE) und Ameisenkolonieoptimierung (ACO) sowie deren Derivaten durchgeführt. Die Algorithmen, die bis etwa zum Jahr 2000 veröffentlicht wurden, sind in dieser Liste enthalten. Die Forschungsgemeinschaft hat begonnen, eine beträchtliche Anzahl neuerer, von Metaphern inspirierter Metaheuristiken dafür zu kritisieren, dass sie ihren Mangel an Originalität hinter einer komplizierten Metapher verbergen. Diese Kritik richtet sich gegen eine Vielzahl metapherninspirierter Metaheuristiken. In der Liste der metaphernbasierten Metaheuristiken finden Sie alle Algorithmen, die nach diesem Zeitraum veröffentlicht wurden.
Die Verwendung von Metaheuristiken wird aufgrund ihrer mangelnden Zuverlässigkeit nicht empfohlen.
Die erste Auflage erschien 1989. Suche basierend auf stochastischer Diffusion (SDS)
Die Ameisenkolonieoptimierung (ACO) ist eine Familie von Optimierungsalgorithmen, die auf den Aktivitäten einer Ameisenkolonie basieren. Die Optimierung von Ameisenkolonien wurde erstmals von Dorigo in seiner Doktorarbeit entwickelt. Der ACO-Algorithmus ist eine probabilistische Methode, die bei der Lösung von Problemen hilfreich sein kann, bei denen es darum geht, bessere Wege zwischen Graphen zu finden. Künstliche "Ameisen", auch als Simulationsagenten bekannt, werden verwendet, um optimale Lösungen zu identifizieren, indem sie einen Parameterraum durchlaufen, der alle potenziellen Lösungen darstellt. Während der Erkundung ihres Lebensraums hinterlassen natürliche Ameisen Pheromonspuren, die andere Ameisen zu Ressourcen führen. Die simulierten "Ameisen" behalten auch den Überblick über ihre Standorte und die Qualität der Lösungen, die sie finden, was zu besseren Ergebnissen in den folgenden Simulationsrunden führt, indem mehr Ameisen nach besseren Optionen suchen.
Die Partikelschwarmoptimierung, oft auch als PSO bezeichnet, ist eine Methode zur Behandlung von Problemen, bei denen die optimale Lösung als Punkt oder Oberfläche in einem n-dimensionalen Raum dargestellt werden kann. PSO gilt als globale Optimierungstechnik. Die Hypothesen werden in diesem Raum abgebildet und mit einer Anfangsgeschwindigkeit versehen. Zusätzlich wird ein Kommunikationskanal zwischen den verschiedenen Teilchen aufgebaut. Danach wandern die Partikel durch den Lösungsraum und werden am Ende jedes Zeitschritts nach einigen Fitnesskriterien bewertet. Teilchen werden im Laufe der Zeit allmählich in die Richtung anderer Teilchen innerhalb ihrer Kommunikationsgruppe geschleudert, die höhere Fitnesswerte haben. Die große Anzahl von Mitgliedern, aus denen sich der Teilchenschwarm zusammensetzt, macht die Technik beeindruckend widerstandsfähig gegen das Problem lokaler Minima, was der Hauptvorteil eines solchen Ansatzes im Vergleich zu anderen globalen Minimierungsstrategien wie dem simulierten Glühen ist. Weitere globale Minimierungsstrategien sind:.
Der Begriff "Artificial Swarm Intelligence" (ASI) bezieht sich auf eine Möglichkeit, die kollektive Intelligenz vernetzter menschlicher Gruppen durch den Einsatz von Steuerungsalgorithmen zu erhöhen, die dem Verhalten natürlicher Schwärme nachempfunden sind. Die Technologie, die Gruppen von menschlichen Teilnehmern in Echtzeitsystemen vereint, die als dynamische Schwärme diskutieren und sich auf Antworten einigen, wenn ihnen gleichzeitig eine Abfrage präsentiert wird, wird oft als Human Swarming oder Swarm AI bezeichnet.
Techniken, die auf Schwarmintelligenz basieren, können in einer Vielzahl unterschiedlicher Anwendungen eingesetzt werden. Um autonome Fahrzeuge zu steuern, prüft das US-Militär Schwarmtaktiken. Die Europäische Weltraumorganisation erwägt den Einsatz eines umkreisenden Schwarms für die Zwecke der Interferometrie und Selbstorganisation. Der Einsatz von Schwarmtechnologie zum Zwecke der Planetenkartierung ist etwas, das die NASA untersucht. M. Anthony Lewis und George A. Bekey veröffentlichten 1992 eine Studie, in der sie die Möglichkeit diskutierten, Schwarmintelligenz zu nutzen, um Nanobots im Körper zu steuern, um Krebstumore zu zerstören.
Auch im Bereich der Kommunikationsnetze wurde der Einsatz von Schwarmintelligenz erforscht, und zwar in Form von ameisenbasiertem Routing. Mitte der 1990er Jahre wurde dies zunächst unabhängig voneinander von Dorigo et al. und von Hewlett Packard entwickelt. Seitdem wurde eine Vielzahl weiterer Varianten entwickelt. Im Wesentlichen wird dabei eine probabilistische Routing-Tabelle verwendet, die den Weg belohnt und verstärkt, den jede "Ameise" erfolgreich zurückgelegt hat, bei der es sich um ein winziges Kontrollpaket handelt, das das Netzwerk überflutet. Es wurden Untersuchungen zur Verstärkung der Route sowohl in Vorwärts- und Rückwärtsrichtung als auch in beide Richtungen gleichzeitig durchgeführt. Die Rückwärtsverstärkung erfordert ein symmetrisches Netzwerk und koppelt die beiden Richtungen miteinander, während die Vorwärtsverstärkung einen Weg belohnt, bevor das Ergebnis bekannt ist (aber dann würde man für das Kino bezahlen, bevor man weiß, wie gut der Film ist). Infolge des stochastischen Verhaltens des Systems und der daraus resultierenden mangelnden Wiederholbarkeit gibt es erhebliche Hindernisse für die kommerzielle Einführung der Technologie. Aufgrund der Schwarmintelligenz haben mobile Medien und andere neu entwickelte Technologien die Fähigkeit, die Schwelle zu kollektivem Handeln zu verändern (Rheingold: 2002, S. 175).
Die optimale Platzierung der Übertragungseinrichtungen für drahtlose Kommunikationsnetze ist eine große technische Herausforderung, bei der eine Reihe von Zielkonflikten in Einklang gebracht werden müssen. Unter der Voraussetzung, dass den Nutzern eine angemessene Flächenabdeckung zur Verfügung gestellt wird, ist nur eine begrenzte Auswahl an Standorten (oder Standorten) erforderlich. Die stochastische Diffusionssuche (SDS), eine Schwarmintelligenztechnik, die ganz anders von Ameisen inspiriert wurde, wurde effektiv eingesetzt, um ein generisches Modell für dieses Problem zu entwickeln, das mit Circle Packing und Set Covering verbunden ist. Es hat sich gezeigt, dass das Sicherheitsdatenblatt unabhängig vom Umfang des untersuchten Problems verwendet werden kann, um geeignete Antworten zu finden.
Die Schwarmtechnologie wird von Künstlern als Methode zur Schaffung komplizierter interaktiver Systeme oder zur Simulation von Menschenmengen eingesetzt.
Während der Kampfsequenzen der Herr der Ringe-Filmtrilogie wurde ein vergleichbares Stück Technologie namens Massive (Software) verwendet. Die Schwarmtechnologie ist besonders attraktiv, da sie nicht nur kostengünstig, sondern auch einfach und zuverlässig ist.
Breaking the Ice war der erste Film, der die Schwarmtechnologie für das Rendering verwendete, und es war der erste Film, der die Bewegungen von Gruppen von Fischen und Vögeln mit dem Boids-System genau darstellte. Stanley und Stella spielten die Hauptrollen in dem...
