Введение

Коллективное поведение децентрализованных, самоорганизованных систем
Роевой интеллект (SI) – это коллективное поведение децентрализованных, самоорганизованных систем, естественных или искусственных. Эта концепция применяется в работах по искусственному интеллекту. Термин был введен Джерардо Бени и Цзин Ванг в 1989 году в контексте клеточных роботизированных систем. Системы роевого интеллекта обычно состоят из популяции простых агентов или «ботов», взаимодействующих локально друг с другом и с окружающей средой. Вдохновение часто черпается из природы, особенно из биологических систем. Агенты следуют очень простым правилам, и хотя отсутствует централизованная структура управления, диктующая поведение отдельных агентов, локальные и в определенной степени случайные взаимодействия между ними приводят к возникновению «интеллектуального» глобального поведения, которое неизвестно отдельным агентам. Примеры роевого интеллекта в естественных системах включают колонии муравьев, пчелиные рои, стаи птиц, охоту ястребов, объединение животных в стада, рост бактерий, косяки рыб и микробный интеллект. Применение принципов роевого интеллекта к роботам называется роевой робототехникой, а сам роевой интеллект относится к более широкому набору алгоритмов. Роевое прогнозирование используется для решения задач прогнозирования. Подобные подходы, разработанные для роевой робототехники, рассматриваются применительно к генетически модифицированным организмам в области синтетического коллективного интеллекта.

Самоходные частицы (Vicsek et al. 1995)

Самодвижущиеся частицы (SPP), также известные как модель Вичека, были предложены в 1995 году Вичеком и соавторами как частный случай модели «боид», представленной Рейнольдсом в 1986 году. Модели SPP предсказывают, что стайные животные обладают определенными свойствами на уровне группы, независимо от вида животных в стае. Стайные системы демонстрируют эмерджентные поведения, возникающие в различных масштабах, некоторые из которых оказываются универсальными и устойчивыми. В теоретической физике возникла задача поиска минимальных статистических моделей, способных описывать эти поведения.

Метаевристика

Эволюционные алгоритмы (EA), оптимизация роя частиц (PSO), дифференциальная эволюция (DE), оптимизация колоний муравьев (ACO) и их варианты доминируют в области метаэвристик, вдохновленных природой. Этот список включает алгоритмы, опубликованные примерно до 2000 года. Значительное число более поздних метаэвристик, основанных на метафорах, начало вызывать критику в научном сообществе за маскировку отсутствия новизны сложной метафорой. Для алгоритмов, опубликованных после этого периода, см. Список метаэвристик, основанных на метафорах. Метаэвристикам свойственно отсутствие уверенности в найденном решении. При правильно подобранных параметрах и достижении достаточной стадии сходимости они часто находят оптимальное или близкое к оптимальному решение. Однако, если оптимальное решение неизвестно заранее, оценить качество найденного решения невозможно. С другой стороны, этого недостатка можно избежать, вычислив качество решения для частного случая, когда это возможно, и после такого запуска установить, что любое решение, не хуже найденного для частного случая, обладает не меньшей степенью уверенности, чем решение для этого частного случая. Одним из примеров является алгоритм Монте-Карло, вдохновленный поведением муравьев, для задачи о минимальном наборе обратных дуг, где этого удалось достичь вероятностным путем, гибридизируя алгоритм Монте-Карло с техникой оптимизации колоний муравьев.

Оптимизация муравьиной колонии (Dorigo 1992)

Оптимизация муравьиной колонии (ACO), впервые представленная Дориго в его докторской диссертации, — это класс алгоритмов оптимизации, основанных на поведении муравьиной колонии. ACO представляет собой вероятностный метод, эффективный при решении задач, связанных с поиском оптимальных путей в графах. Искусственные «муравьи» — агенты моделирования — находят оптимальные решения, перемещаясь в пространстве параметров, представляющем все возможные решения. Настоящие муравьи оставляют феромоны, указывая друг другу путь к ресурсам во время исследования окружающей среды. Моделируемые «муравьи» аналогичным образом фиксируют свои позиции и качество найденных решений, чтобы в последующих итерациях моделирования больше муравьев могли находить лучшие решения.

Оптимизация роя частиц (Кеннеди, Эберхарт и Ши, 1995)

Оптимизация роя частиц (PSO) — это глобальный алгоритм оптимизации, предназначенный для решения задач, в которых наилучшее решение может быть представлено точкой или поверхностью в n-мерном пространстве. Гипотезы отображаются в этом пространстве и наделяются начальной скоростью, а также устанавливается канал связи между частицами. Затем частицы перемещаются по пространству решений и оцениваются по определенному критерию пригодности после каждого шага по времени. Со временем частицы ускоряются в направлении частиц в пределах их группы связи, обладающих более высокими значениями пригодности. Главное преимущество такого подхода перед другими стратегиями глобальной минимизации, как, например, имитация отжига, заключается в том, что большое количество частиц в рое делает этот метод впечатляюще устойчивым к проблеме локальных минимумов.

Искусственный интеллект роя (2015)

Искусственный интеллект роя (ASI) — это метод усиления коллективного интеллекта сетевых групп людей с использованием алгоритмов управления, смоделированных по образцу естественных роев. Иногда называемый «человеческий рой» или «роем ИИ», эта технология объединяет группы участников в системы реального времени, которые совместно обдумывают и приходят к решениям, действуя как динамичный рой при одновременном получении вопроса. ASI применялся в самых разных областях — от помощи бизнес-командам в создании высокоточных финансовых прогнозов до предоставления спортивным болельщикам возможности превосходить прогнозы букмекерских контор. ASI также использовался для повышения точности диагностики, выполняемой группами врачей, по сравнению с традиционными методами.

Приложения

Техники, основанные на роевом интеллекте, могут использоваться в различных приложениях. Военные США изучают применение роевых технологий для управления беспилотными летательными аппаратами. Европейское космическое агентство рассматривает возможность создания орбитального роя для самосборки и интерферометрии. NASA исследует использование роевых технологий для картографирования планет. В статье 1992 года, написанной М. Энтони Льюисом и Джорджем А. Беки, обсуждается возможность использования роевого интеллекта для управления нанороботами внутри организма с целью уничтожения раковых опухолей. В то же время, аль Рифаи и Абер использовали стохастический диффузионный поиск для локализации опухолей. Роевой интеллект также применяется в задачах анализа данных и кластерного анализа. Модели, основанные на поведении муравьев, также являются предметом изучения в современной теории управления.

Маршрутизация на основе муравьев

Использование роевого интеллекта в телекоммуникационных сетях также исследовалось в форме маршрутизации на основе муравьев. Первыми это независимо друг от друга реализовали Dorigo et al. и Hewlett Packard в середине 1990-х годов, с последующим появлением множества вариантов. В основе этого подхода лежит вероятностная таблица маршрутизации, которая вознаграждает/усиливает маршрут, успешно пройденный каждым "муравьем" (небольшим управляющим пакетом), который распространяется по сети. Исследовались варианты усиления маршрута в прямом, обратном направлении и одновременно: усиление в обратном направлении требует симметричной сети и связывает оба направления; усиление в прямом направлении вознаграждает маршрут до того, как известен результат (но это все равно, что заплатить за билет в кино, не зная, насколько хорош фильм). Поскольку система ведет себя стохастически и, следовательно, не обладает воспроизводимостью, существуют значительные препятствия для коммерческого внедрения. Мобильные медиа и новые технологии потенциально могут изменить порог коллективных действий благодаря роевому интеллекту (Rheingold: 2002, P175). Определение местоположения передающей инфраструктуры для беспроводных сетей связи – важная инженерная задача, связанная с конкурирующими целями. Требуется минимальное количество мест (или площадок) для обеспечения адекватного покрытия территории для пользователей. Совершенно иной алгоритм роевого интеллекта, вдохновленный муравьями, – стохастический диффузионный поиск (SDS) – успешно применяется для создания общей модели этой задачи, связанной с упаковкой окружностей и покрытием множеств. Показано, что SDS может быть использован для выявления подходящих решений даже для больших задач. Авиакомпании также используют маршрутизацию на основе муравьев при назначении прибывающих самолетов к выходам в аэропорту. В Southwest Airlines программное обеспечение использует теорию роя, или роевой интеллект – идею о том, что колония муравьев работает эффективнее, чем один муравей. Каждый пилот действует как муравей, ищущий лучший выход в аэропорту. "Пилот учится 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 быстро вылететь. Программа может даже предупредить пилота о возможных задержках самолетов до их возникновения. "Мы можем предвидеть это, поэтому у нас будет доступен выход", – говорит Лоусон.

Моделирование толпы

Художники используют технологии роевого интеллекта для создания сложных интерактивных систем или моделирования толпы.

Случаи

В трилогии «Властелин колец» во время боевых сцен использовались аналогичные технологии, известные как Massive (программное обеспечение). Технология роя особенно привлекательна благодаря своей дешевизне, надежности и простоте. Фильм «Стенли и Стелла: Ледокол» стал первым, применившим технологию роя для рендеринга, реалистично изображая движения групп рыб и птиц с помощью системы Boids. В фильме Тима Бёртона «Бэтмен возвращается» также использовалась технология роя для отображения движения группы летучих мышей. Авиакомпании применяют теорию роя для моделирования посадки пассажиров в самолет. Исследователь авиакомпании Southwest Airlines Дуглас А. Лоусон использовал компьютерное моделирование, основанное на поведении муравьев, с применением всего шести правил взаимодействия, для оценки времени посадки при использовании различных методов посадки. (Миллер, 2010, xii xviii).

Людское скопление

Сети распределенных пользователей могут быть организованы в "людские рои" путем внедрения систем управления с обратной связью в реальном времени. Разработанный Луи Розенбергом в 2015 году, человеческий рой, также называемый искусственным ройным интеллектом, позволяет использовать коллективный разум взаимосвязанных групп людей онлайн. Коллективный разум группы часто превосходит возможности любого отдельного ее участника. Медицинская школа Стэнфордского университета опубликовала в 2018 году исследование, показавшее, что группы врачей, объединенные алгоритмами роя в реальном времени, способны диагностировать заболевания с существенно большей точностью, чем отдельные врачи или группы врачей, работающие совместно традиционными методами краудсорсинга. В одном из таких исследований группы врачей-радиологов, работающих совместно через систему роя, выполняли диагностику рентгеновских снимков грудной клетки и продемонстрировали снижение количества диагностических ошибок на 33% по сравнению с традиционными методами, а также улучшение на 22% по сравнению с традиционным машинным обучением. Медицинская школа Калифорнийского университета в Сан-Франциско (UCSF) опубликовала в 2021 году препринт о диагностике изображений МРТ небольшими группами врачей, работающих совместно. Исследование показало увеличение точности диагностики на 23% при использовании технологии искусственного ройного интеллекта (ASI) по сравнению с методом голосования большинства.

Граматика роя

Ройные грамматики — это совокупности стохастических грамматик, которые могут эволюционировать для описания сложных свойств, встречающихся в искусстве и архитектуре. Эти грамматики взаимодействуют как агенты, действующие в соответствии с принципами роевого интеллекта. Подобное поведение также может натолкнуть на идеи алгоритмов глубокого обучения, особенно при рассмотрении возможности отображения таких роев на нейронные сети.

Свармическое искусство

В серии работ al Rifaie и др. успешно использовали два алгоритма интеллекта роя – один, имитирующий поведение муравьев вида Leptothorax acervorum в процессе поиска пищи (стохастический диффузионный поиск, SDS), и другой, имитирующий поведение стаи птиц (оптимизация роя частиц, PSO) – для описания новой стратегии интеграции, использующей свойства локального поиска PSO в сочетании с глобальным поведением SDS. Полученный гибридный алгоритм применяется для создания новых рисунков на основе входного изображения, используя художественное напряжение между локальным поведением «стаи птиц», стремящейся следовать входному эскизу, и глобальным поведением «муравьев, ищущих пищу», стремящихся побудить стаю исследовать новые области холста. «Креативность» этой гибридной системы роев была проанализирована в философском контексте «ризомы» и метафоры Делёза «Орхидея и оса». Более поздняя работа al Rifaie и др., «Роевые эскизы и механизм внимания», представляет новый подход, использующий механизм «внимания» путем адаптации SDS для избирательного акцентирования на детальных областях цифрового холста. Как только внимание роя привлекается к определенной линии на холсте, возможности PSO используются для создания «роевого эскиза» этой линии. Рои перемещаются по цифровому холсту, стремясь выполнить свою динамическую роль – обращать внимание на области с большим количеством деталей, что связано с их функцией пригодности. Связав процесс рендеринга с концепцией внимания, производительность участвующих роев создает уникальный, не идентичный эскиз каждый раз, когда «художественные» рои приступают к интерпретации входных рисунков. В других работах, в то время как PSO отвечает за процесс эскизирования, SDS контролирует внимание роя. В аналогичной работе «Роевая живопись и цветовое внимание» нефотореалистичные изображения создаются с использованием алгоритма SDS, который в контексте данной работы отвечает за цветовое внимание. «Вычислительная креативность» вышеупомянутых систем обсуждается через две необходимые предпосылки креативности (т.е. свободу и ограничения) в рамках двух известных фаз исследования и эксплуатации интеллекта роя. Майкл Теодор и Николаус Коррелл используют арт-инсталляцию, основанную на интеллекте роя, чтобы исследовать, что необходимо для создания систем, которые кажутся живыми.