WikiDer > Schwarmintelligenz

Schwarmintelligenz ist eine Form von künstliche Intelligenz was basiert auf kollektives Verhalten von dezentralen, selbstorganisierend Systeme.

Schwarmintelligenzsysteme bestehen typischerweise aus einer Population einfacher population Agenten die miteinander und mit ihrer Umgebung interagieren. Obwohl es keine zentrale Kontrollstruktur gibt, die die Agenten steuert, sorgen die kollaborativen Interaktionen für global intelligentes Verhalten. Beispiele in der Natur sind Ameisenkolonien, Vogelschwärme und Schulen von Fischen.

Beispielalgorithmen

Optimierung der Ameisenkolonie

Optimierung der Ameisenkolonie oder ACO (Ameisenkolonieoptimierung) ist eine Klasse von Optimierungsalgorithmen, die der Aktivität einer Ameisenkolonie nachempfunden sind. Suchen Sie künstliche 'Ameisen' nach lokal optimalen Lösungen, indem Sie den Lösungsraum durchsuchen. Echte Ameisen setzen Pheromone frei, um den anderen Ameisen zu helfen, sich nach Nahrung zurechtzufinden. Die simulierten Ameisen tun dies, indem sie ihre Positionen und die Qualität ihrer Lösungen aufzeichnen, damit die Ameisen in späteren Iterationen noch bessere Lösungen finden können.^[1] Es ist eine Variation zu diesem Thema Bienen-Algorithmus das ist den Erntemustern der sehr ähnlich Biene.

Partikelschwarmoptimierung

Particle Swarm Optimization oder PSO (Particle Swarm Optimization) ist ein globaler Optimierungsalgorithmus für Probleme, die als das Finden eines optimalen Punktes oder einer optimalen Ebene im n-dimensionalen Raum betrachtet werden können. Hypothesen werden in diesem n-dimensionalen Raum aufgestellt, in dem die Teilchen eine Anfangsgeschwindigkeit haben und zwischen diesen Teilchen ein Kommunikationskanal besteht. Diese Partikel bewegen sich dann durch diesen Lösungsraum und werden nach einiger Zeit anhand bestimmter Kriterien beurteilt. Nach einiger Zeit verklumpen die Partikel mit den Partikeln, die die Kriterien besser erfüllen. Der größte Vorteil dieses Ansatzes gegenüber simuliertes Glühen ist, dass die große Teilnehmerzahl das Problem flexibler und einfacher angeht.

Stochastische Diffusionssuche

Stochastische Diffusionssuche oder SDS (Stochatic Diffusion Search) ist eine agentenbasierte probabilistische globale Such- und Optimierungstechnik für Probleme, deren Funktion, die den Wert einer Lösung ausdrückt, in mehrere unabhängige Unterfunktionen aufgeteilt werden kann. Jeder Agent unterhält eine Hypothese, die iterativ getestet werden kann, indem zufällig eine Teilfunktion ausgewählt und als aktuelle Hypothese verwendet wird. In der Standardmethode für diese Suche aktiviert oder deaktiviert man einen Agenten. Informationen über diese Hypothesen werden in der Bevölkerung durch eine Kommunikation zwischen den Behörden verbreitet. Im Gegensatz zur „stigmergen“ Kommunikation verwenden SDS-Agenten individuelle (1 vs. 1)-Kommunikation analog zum Tandem-Loop-Verfahren (bei dem eine erfahrenere Ameise einer unerfahrenen Ameise hilft, ihr Ziel zu erreichen), die bei bestimmten Ameisenarten vorkommt. Ein positiver Rückkopplungsmechanismus stellt sicher, dass sich eine Population von Agenten um eine insgesamt beste Lösung herum stabilisiert. SDS ist effizient und zudem ein robuster Such- und Optimierungsalgorithmus, der bereits mathematisch gut definiert ist.

Verweise

• Schwarmintelligenz: Von natürlichen zu künstlichen Systemen von Eric Bonabeau, Marco Dorigo und Guy Theraulaz. (1999) ISBN 0-19-513159-2
• Schildkröten, Termiten und Staus: Erkundungen in massiv parallelen Mikrowelten von Mitchell Resnick. ISBN 0-262-18162-2
• Schwarmintelligenz von James Kennedy und Russell C. Eberhart. ISBN 1-55860-595-9
• Die Verhaltens-Selbstorganisation von Nanorobotern unter Verwendung lokaler Regeln. von Lewis, M. Anthony und Bekey, George A. (1992) Proceedings of the 1992 IEEE/RSJ International Conference on Intelligent Robots and Systems.
• Grundlagen der Computational Swarm Intelligence von Andries Engelbrecht. Wiley & Söhne. ISBN 0-470-09191-6
• Neuere Ansätze zu globalen Optimierungsproblemen durch Partikelschwarmoptimierung^{[toter Link]} “ von Parsopoulos, K. E., Vrahatis, M. N., Natural Computing, 1 (2–3), S. 235–306, 2002.
• Partikelschwarmoptimierung von Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.
• Nanocomputer und Schwarmintelligenz von Jean-Baptiste Waldner, ISTE, ISBN 978-1-84704-002-2 , 2007.
• Müller, Peter, Schwarmtheorie (Juli 2007).