Schwarmintelligenz – Wikipedia

Posted on by
before-content-x4

Kollektives Verhalten dezentraler, selbstorganisierter Systeme

 after-content-x4

Schwarmintelligenz ((SI) ist das kollektive Verhalten dezentraler, selbstorganisierter natürlicher oder künstlicher Systeme. Das Konzept wird in der Arbeit an künstlicher Intelligenz angewendet. Der Ausdruck wurde 1989 von Gerardo Beni und Jing Wang im Zusammenhang mit zellulären Robotersystemen eingeführt.[1]

SI-Systeme bestehen typischerweise aus einer Population einfacher Agenten oder Boids, die lokal miteinander und mit ihrer Umgebung interagieren. Die Inspiration kommt oft von der Natur, insbesondere von biologischen Systemen. Die Agenten folgen sehr einfachen Regeln, und obwohl es keine zentralisierte Kontrollstruktur gibt, die vorschreibt, wie sich einzelne Agenten lokal und bis zu einem gewissen Grad zufällig verhalten sollen, führen Interaktionen zwischen solchen Agenten zur Entstehung eines “intelligenten” globalen Verhaltens, das dem Einzelnen unbekannt ist Agenten. Beispiele für Schwarmintelligenz in natürlichen Systemen sind Ameisenkolonien, Vogelschwarm, Falkenjagd, Tierhaltung, Bakterienwachstum, Fischschulung und mikrobielle Intelligenz.

Die Anwendung von Schwarmprinzipien auf Roboter wird genannt Schwarmrobotik während Schwarmintelligenz bezieht sich auf den allgemeineren Satz von Algorithmen. Schwarmvorhersage wurde im Zusammenhang mit Prognoseproblemen verwendet. Ähnliche Ansätze wie für die Schwarmrobotik vorgeschlagen werden für genetisch veränderte Organismen in der synthetischen kollektiven Intelligenz in Betracht gezogen.[2]

Modelle des Schwarmverhaltens[edit]

Boids (Reynolds 1987)[edit]

Boids ist ein künstliches Lebensprogramm, das 1986 von Craig Reynolds entwickelt wurde und das Flockverhalten von Vögeln simuliert. Sein Beitrag zu diesem Thema wurde 1987 im Rahmen der ACM SIGGRAPH-Konferenz veröffentlicht.[3]

Der Name “boid” entspricht einer verkürzten Version von “bird-oid object”, die sich auf ein vogelähnliches Objekt bezieht.[4]

Wie bei den meisten Simulationen künstlichen Lebens ist Boids ein Beispiel für emergentes Verhalten. Das heißt, die Komplexität von Boids ergibt sich aus der Interaktion einzelner Agenten (in diesem Fall der Boids), die sich an eine Reihe einfacher Regeln halten. In der einfachsten Boids-Welt gelten folgende Regeln:

after-content-x4
  • Trennung:: steuern um zu vermeiden, dass sich lokale Herdenkameraden drängen
  • Ausrichtung: steuern Sie in Richtung der durchschnittlichen Überschrift der lokalen Herdenkameraden
  • Zusammenhalt: steuern, um sich in Richtung der durchschnittlichen Position (Schwerpunkt) der örtlichen Herdenkameraden zu bewegen

Es können komplexere Regeln hinzugefügt werden, z. B. Hindernisvermeidung und Zielsuche.

Selbstfahrende Partikel (Vicsek et al. 1995)[edit]

Selbstfahrende Partikel (SPP), auch als Vicsek-Modellwurde 1995 von Vicsek eingeführt et al.[5] als Sonderfall des 1986 von Reynolds eingeführten Boids-Modells.[3] Ein Schwarm wird in SPP durch eine Ansammlung von Partikeln modelliert, die sich mit konstanter Geschwindigkeit bewegen, aber auf eine zufällige Störung reagieren, indem sie zu jedem Zeitpunkt die durchschnittliche Bewegungsrichtung der anderen Partikel in ihrer lokalen Umgebung erhöhen.[6] SPP-Modelle sagen voraus, dass Schwarmtiere auf Gruppenebene bestimmte Eigenschaften aufweisen, unabhängig von der Art der Tiere im Schwarm.[7] Schwarmsysteme führen zu neu auftretenden Verhaltensweisen, die in vielen verschiedenen Maßstäben auftreten, von denen sich einige als universell und robust herausstellen. In der theoretischen Physik ist es zu einer Herausforderung geworden, minimale statistische Modelle zu finden, die diese Verhaltensweisen erfassen.[8][9][10]

Metaheuristik[edit]

Evolutionäre Algorithmen (EA), Partikelschwarmoptimierung (PSO), differentielle Evolution (DE), Ameisenkolonieoptimierung (ACO) und ihre Varianten dominieren das Gebiet der von der Natur inspirierten Metaheuristik.[11] Diese Liste enthält Algorithmen, die bis zum Jahr 2000 veröffentlicht wurden. Eine große Anzahl neuerer, von Metaphern inspirierter Metaheuristiken hat in der Forschungsgemeinschaft Kritik hervorgerufen, weil sie ihren Mangel an Neuheit hinter einer aufwändigen Metapher versteckt haben. Zu den seitdem veröffentlichten Algorithmen siehe Liste der metaphorischen Metaheuristiken.

Es sollte auch beachtet werden, dass Metaheuristiken, so gut sie auch sind, kein Vertrauen in eine Lösung haben.[12] Wenn geeignete Parameter bestimmt werden und wenn eine ausreichende Konvergenzstufe erreicht ist, finden sie häufig eine Lösung, die optimal oder nahezu optimal ist. Wenn man jedoch die optimale Lösung nicht im Voraus kennt, ist die Qualität einer Lösung nicht bekannt.[12] Trotz dieses offensichtlichen Nachteils hat sich gezeigt, dass diese Arten von Algorithmen in der Praxis gut funktionieren und ausgiebig erforscht und entwickelt wurden.[13][14][15][16][17] Andererseits ist es möglich, diesen Nachteil zu vermeiden, indem die Lösungsqualität für einen speziellen Fall berechnet wird, in dem eine solche Berechnung möglich ist, und nach einem solchen Durchlauf ist bekannt, dass jede Lösung, die mindestens so gut ist wie die Lösung, die ein spezieller Fall hatte, hat zumindest ein Lösungsvertrauen, das ein Sonderfall hatte. Ein solches Beispiel ist der von Ant inspirierte Monte-Carlo-Algorithmus für das Minimum Feedback Arc Set, bei dem dies wahrscheinlich durch Hybridisierung des Monte-Carlo-Algorithmus mit der Ant Colony Optimization-Technik erreicht wurde.[18]

Stochastische Diffusionssuche (Bischof 1989)[edit]

Erstveröffentlichung 1989 Stochastic Diffusion Search (SDS)[19][20] war die erste Metaheuristik der Swarm Intelligence. SDS ist eine agentenbasierte probabilistische globale Such- und Optimierungstechnik, die am besten für Probleme geeignet ist, bei denen die Zielfunktion in mehrere unabhängige Teilfunktionen zerlegt werden kann. Jeder Agent behält eine Hypothese bei, die iterativ getestet wird, indem eine zufällig ausgewählte partielle Zielfunktion bewertet wird, die durch die aktuelle Hypothese des Agenten parametrisiert wird. In der Standardversion von SDS sind solche Teilfunktionsbewertungen binär, was dazu führt, dass jeder Agent aktiv oder inaktiv wird. Informationen zu Hypothesen werden über die Kommunikation zwischen Agenten in der Bevölkerung verbreitet. Im Gegensatz zur stigmergischen Kommunikation, die in ACO verwendet wird, kommunizieren Agenten in SDS Hypothesen über eine Eins-zu-Eins-Kommunikationsstrategie, die dem in Leptothorax acervorum beobachteten Tandemlaufverfahren entspricht.[21] Ein positiver Feedback-Mechanismus stellt sicher, dass sich im Laufe der Zeit eine Population von Agenten um die weltweit beste Lösung stabilisiert. SDS ist sowohl ein effizienter als auch ein robuster globaler Such- und Optimierungsalgorithmus, der ausführlich mathematisch beschrieben wurde.[22][23][24] In jüngster Zeit wurden die globalen Sucheigenschaften von SDS mit anderen Schwarmintelligenzalgorithmen zusammengeführt.[25][26]

Optimierung der Ameisenkolonie (Dorigo 1992)[edit]

Ant Colony Optimization (ACO), eingeführt von Dorigo in seiner Dissertation, ist eine Klasse von Optimierungsalgorithmen, die den Aktionen einer Ameisenkolonie nachempfunden sind. ACO ist eine probabilistische Technik, die bei Problemen nützlich ist, bei denen es darum geht, bessere Pfade durch Diagramme zu finden. Künstliche Ameisen – Simulationsagenten – lokalisieren optimale Lösungen, indem sie sich durch einen Parameterraum bewegen, der alle möglichen Lösungen darstellt. Natürliche Ameisen legen Pheromone ab, die sich gegenseitig zu Ressourcen leiten, während sie ihre Umgebung erkunden. Die simulierten Ameisen zeichnen auf ähnliche Weise ihre Positionen und die Qualität ihrer Lösungen auf, so dass in späteren Simulationsiterationen mehr Ameisen nach besseren Lösungen suchen.[27]

Partikelschwarmoptimierung (Kennedy, Eberhart & Shi 1995)[edit]

Die Partikelschwarmoptimierung (PSO) ist ein globaler Optimierungsalgorithmus zur Behandlung von Problemen, bei denen eine beste Lösung als Punkt oder Oberfläche in einem n-dimensionalen Raum dargestellt werden kann. In diesem Raum werden Hypothesen aufgezeichnet und mit einer Anfangsgeschwindigkeit sowie einem Kommunikationskanal zwischen den Partikeln ausgesät.[28][29] Die Partikel bewegen sich dann durch den Lösungsraum und werden nach jedem Zeitschritt nach einem bestimmten Fitnesskriterium bewertet. Im Laufe der Zeit werden Partikel in Richtung der Partikel innerhalb ihrer Kommunikationsgruppe beschleunigt, die bessere Fitnesswerte aufweisen. Der Hauptvorteil eines solchen Ansatzes gegenüber anderen globalen Minimierungsstrategien wie dem simulierten Tempern besteht darin, dass die große Anzahl von Elementen, aus denen der Partikelschwarm besteht, die Technik gegenüber dem Problem lokaler Minima beeindruckend widerstandsfähig macht.

Künstliche Schwarmintelligenz (2015)[edit]

Künstliche Schwarmintelligenz (Artificial Swarm Intelligence, ASI) ist eine Methode zur Verstärkung der kollektiven Intelligenz vernetzter menschlicher Gruppen mithilfe von Kontrollalgorithmen, die natürlichen Schwärmen nachempfunden sind. Die Technologie wird manchmal als Human Swarming oder Swarm AI bezeichnet und verbindet Gruppen menschlicher Teilnehmer zu Echtzeitsystemen, die Lösungen als dynamische Schwärme betrachten und konvergieren, wenn gleichzeitig eine Frage gestellt wird[30][31][32] ASI wurde für eine Vielzahl von Anwendungen eingesetzt, von der Möglichkeit für Geschäftsteams, hochpräzise Finanzprognosen zu erstellen[33] Sportfans in die Lage zu versetzen, die Wettmärkte in Vegas zu übertreffen.[34] ASI wurde auch verwendet, um es Gruppen von Ärzten zu ermöglichen, Diagnosen mit signifikant höherer Genauigkeit als herkömmliche Methoden zu erstellen.[35][36]

Anwendungen[edit]

Auf Swarm Intelligence basierende Techniken können in einer Reihe von Anwendungen verwendet werden. Das US-Militär untersucht Schwarmtechniken zur Kontrolle unbemannter Fahrzeuge. Die Europäische Weltraumorganisation denkt über einen Orbitalschwarm zur Selbstorganisation und Interferometrie nach. Die NASA untersucht den Einsatz der Schwarmtechnologie für die Planetenkartierung. In einem Artikel von M. Anthony Lewis und George A. Bekey aus dem Jahr 1992 wird die Möglichkeit diskutiert, mithilfe von Schwarmintelligenz Nanobots im Körper zu kontrollieren, um Krebstumoren abzutöten.[37] Umgekehrt haben al-Rifaie und Aber die stochastische Diffusionssuche verwendet, um bei der Lokalisierung von Tumoren zu helfen.[38][39] Schwarmintelligenz wurde auch für das Data Mining angewendet.[40] Ameisenbasierte Modelle sind ferner Gegenstand der modernen Managementtheorie.[41]

Ameisenbasiertes Routing[edit]

Die Verwendung von Schwarmintelligenz in Telekommunikationsnetzen wurde ebenfalls in Form von ameisenbasiertem Routing untersucht. Dies wurde separat von Dorigo et al. und Hewlett Packard Mitte der neunziger Jahre mit einer Reihe von Varianten. Grundsätzlich wird eine probabilistische Routing-Tabelle verwendet, die die Route belohnt / verstärkt, die von jeder “Ameise” (einem kleinen Steuerpaket), die das Netzwerk überflutet, erfolgreich durchlaufen wurde. Die Verstärkung der Route in Vorwärts-, Rückwärtsrichtung und beide gleichzeitig wurden untersucht: Die Rückwärtsverstärkung erfordert ein symmetrisches Netzwerk und koppelt die beiden Richtungen miteinander; Vorwärtsverstärkung belohnt eine Route, bevor das Ergebnis bekannt ist (aber dann würde man für das Kino bezahlen, bevor man weiß, wie gut der Film ist). Da sich das System stochastisch verhält und daher nicht wiederholbar ist, gibt es große Hürden bei der kommerziellen Bereitstellung. Mobile Medien und neue Technologien haben das Potenzial, die Schwelle für kollektives Handeln aufgrund von Schwarmintelligenz zu ändern (Rheingold: 2002, S. 175).

Der Standort der Übertragungsinfrastruktur für drahtlose Kommunikationsnetze ist ein wichtiges technisches Problem, das konkurrierende Ziele beinhaltet. Eine minimale Auswahl von Standorten (oder Standorten) ist erforderlich, sofern die Benutzer eine angemessene Flächendeckung erhalten. Ein von Ameisen inspirierter Schwarmintelligenzalgorithmus, die stochastische Diffusionssuche (SDS), wurde erfolgreich eingesetzt, um ein allgemeines Modell für dieses Problem in Bezug auf Kreispackung und Setbedeckung bereitzustellen. Es hat sich gezeigt, dass das Sicherheitsdatenblatt angewendet werden kann, um geeignete Lösungen auch für große Problemfälle zu identifizieren.[42]

Die Fluggesellschaften haben auch Ameisen-basiertes Routing verwendet, um Flugzeugankünfte den Flughafentoren zuzuweisen. Bei Southwest Airlines verwendet ein Softwareprogramm die Schwarmtheorie oder Schwarmintelligenz – die Idee, dass eine Ameisenkolonie besser funktioniert als eine allein. Jeder Pilot verhält sich wie eine Ameise, die nach dem besten Flughafentor sucht. “Der Pilot lernt aus seiner Erfahrung, was für ihn am besten ist, und es stellt sich heraus, dass dies die beste Lösung für die Fluggesellschaft ist”, erklärt Douglas A. Lawson. Infolgedessen geht die “Kolonie” der Piloten immer zu Toren, an denen sie schnell ankommen und abfliegen können. Das Programm kann sogar einen Piloten auf Flugzeugsicherungen aufmerksam machen, bevor diese stattfinden. “Wir können damit rechnen, dass es passieren wird, also haben wir ein Tor zur Verfügung”, sagt Lawson.[43]

Crowd-Simulation[edit]

Künstler verwenden die Schwarmtechnologie, um komplexe interaktive Systeme zu erstellen oder Menschenmengen zu simulieren.

Stanley und Stella in: Das Eis brechen war der erste Film, der die Schwarmtechnologie zum Rendern verwendete und die Bewegungen von Gruppen von Fischen und Vögeln mithilfe des Boids-Systems realistisch darstellte. Tim Burtons Batman kehrt zurück nutzte auch die Schwarmtechnologie, um die Bewegungen einer Gruppe von Fledermäusen zu zeigen. Der Herr der Ringe Die Filmtrilogie verwendete in Kampfszenen eine ähnliche Technologie, die als Massive bekannt ist. Die Schwarmtechnologie ist besonders attraktiv, weil sie billig, robust und einfach ist.

Fluggesellschaften haben die Schwarmtheorie verwendet, um Passagiere beim Einsteigen in ein Flugzeug zu simulieren. Der Forscher von Southwest Airlines, Douglas A. Lawson, verwendete eine ameisenbasierte Computersimulation, bei der nur sechs Interaktionsregeln verwendet wurden, um die Boarding-Zeiten mithilfe verschiedener Boarding-Methoden zu bewerten (Miller, 2010, xii-xviii).[44]

Menschliches Schwärmen[edit]

Schwarm-KI-System, das eine Frage in Echtzeit beantwortet

“Human Swarm” – Dieses animierte GIF zeigt eine Gruppe vernetzter menschlicher Teilnehmer, die zusammen als Echtzeitsystem (dh als Hive Mind) denken, das durch Schwarmalgorithmen moderiert wird.

Durch die Vermittlung von Software wie der SWARM-Plattform (formal unu) von Unanimous AI können Netzwerke verteilter Benutzer durch die Implementierung von Echtzeit-Regelungssystemen zu “menschlichen Schwärmen” organisiert werden.[45][46][47] Wie von Rosenberg (2015) veröffentlicht, ermöglichen solche Echtzeitsysteme Gruppen menschlicher Teilnehmer, sich als einheitliche kollektive Intelligenz zu verhalten, die als eine Einheit arbeitet, um Vorhersagen zu treffen, Fragen zu beantworten und Meinungen hervorzurufen.[48] Es wurde gezeigt, dass solche Systeme, die auch als “Künstliche Schwarmintelligenz” (oder der Markenname “Schwarm-KI”) bezeichnet werden, die menschliche Intelligenz signifikant verstärken.[49][50][31] Dies führt zu einer Reihe hochkarätiger Vorhersagen von extremer Genauigkeit.[51][52][53][54][46][34] Akademische Tests zeigen, dass menschliche Schwärme Individuen in einer Vielzahl realer Projektionen übertreffen können.[55][56][47][57][58] Bekanntlich wurde menschliches Schwärmen verwendet, um das Kentucky Derby Superfecta als Reaktion auf eine Herausforderung von Reportern gegen 541 zu 1 Gewinnchancen korrekt vorherzusagen.[59]

Medizinische Anwendung des menschlichen Schwarms – 2018 veröffentlichten die Stanford University School of Medicine und Unanimous AI Studien, die zeigen, dass Gruppen menschlicher Ärzte, wenn sie durch Echtzeit-Schwarmalgorithmen miteinander verbunden sind, Erkrankungen mit wesentlich höherer Genauigkeit diagnostizieren können als einzelne Ärzte oder Gruppen von Menschen Ärzte, die mit traditionellen Crowd-Sourcing-Methoden zusammenarbeiten. In einer solchen Studie wurden Schwärme menschlicher Radiologen, die über die SWARM-Plattform miteinander verbunden waren, mit der Diagnose von Röntgenaufnahmen des Brustkorbs beauftragt. Sie zeigten eine Verringerung der Diagnosefehler um 33% im Vergleich zu den herkömmlichen Methoden des Menschen und eine Verbesserung um 22% gegenüber dem herkömmlichen maschinellen Lernen .[35][60][61][62][36]

Schwarmgrammatiken[edit]

Schwarmgrammatiken sind Schwärme stochastischer Grammatiken, die entwickelt werden können, um komplexe Eigenschaften zu beschreiben, wie sie in Kunst und Architektur zu finden sind.[63] Diese Grammatiken interagieren als Agenten, die sich gemäß den Regeln der Schwarmintelligenz verhalten. Ein solches Verhalten kann auch auf Deep-Learning-Algorithmen hinweisen, insbesondere wenn die Abbildung solcher Schwärme auf neuronale Schaltkreise in Betracht gezogen wird.[64]

Schwarmkunst[edit]

In einer Reihe von Arbeiten haben al-Rifaie et al.[65] haben erfolgreich zwei Schwarmintelligenzalgorithmen verwendet – einen, der das Verhalten einer Ameisenart nachahmt (Leptothorax acervorum) Futtersuche (stochastische Diffusionssuche, SDS) und der andere Algorithmus, der das Verhalten von Vogelschwärmen nachahmt (Partikelschwarmoptimierung, PSO) – um eine neuartige Integrationsstrategie zu beschreiben, die die lokalen Sucheigenschaften des PSO mit globalem SDS-Verhalten nutzt. Der resultierende Hybridalgorithmus wird verwendet, um neuartige Zeichnungen eines Eingabebildes zu skizzieren, wobei eine künstlerische Spannung zwischen dem lokalen Verhalten der “Vogelschwärme” – die versuchen, der Eingabeskizze zu folgen – und dem globalen Verhalten der “Ameisen, die nach Nahrung suchen” ausgenutzt wird. während sie versuchen, die Herde zu ermutigen, neue Regionen der Leinwand zu erkunden. Die “Kreativität” dieses hybriden Schwarmsystems wurde unter dem philosophischen Licht des “Rhizoms” im Kontext von Deleuzes Metapher “Orchidee und Wespe” analysiert.[66]

Eine neuere Arbeit von al-Rifaie et al., “Swarmic Sketches and Attention Mechanism”,[67] führt einen neuartigen Ansatz ein, bei dem der Mechanismus der „Aufmerksamkeit“ eingesetzt wird, indem das Sicherheitsdatenblatt so angepasst wird, dass es sich selektiv um detaillierte Bereiche einer digitalen Leinwand kümmert. Sobald die Aufmerksamkeit des Schwarms auf eine bestimmte Linie innerhalb der Leinwand gelenkt wird, wird die Fähigkeit von PSO verwendet, um eine “Schwarmskizze” der besuchten Linie zu erstellen. Die Schwärme bewegen sich auf der digitalen Leinwand, um ihre dynamischen Rollen zu erfüllen – Aufmerksamkeit für Bereiche mit mehr Details -, die ihnen über ihre Fitnessfunktion zugeordnet sind. Nachdem der Rendering-Prozess mit den Konzepten der Aufmerksamkeit verknüpft wurde, erstellt die Leistung der teilnehmenden Schwärme jedes Mal eine eindeutige, nicht identische Skizze, wenn die ‘Künstler’-Schwärme mit der Interpretation der eingegebenen Strichzeichnungen beginnen. In anderen Arbeiten kontrolliert SDS die Aufmerksamkeit des Schwarms, während PSO für den Skizzierprozess verantwortlich ist.

In einer ähnlichen Arbeit, “Swarmic Paintings and Color Attention”,[68] Nicht-fotorealistische Bilder werden mit dem SDS-Algorithmus erzeugt, der im Rahmen dieser Arbeit für die Farbaufmerksamkeit verantwortlich ist.

Die “rechnerische Kreativität” der oben genannten Systeme wird in diskutiert[65][69][70] durch die zwei Voraussetzungen der Kreativität (dh Freiheit und Zwänge) innerhalb der zwei berüchtigten Phasen der Erforschung und Ausbeutung der Schwarmintelligenz.

Michael Theodore und Nikolaus Correll untersuchen mithilfe der intelligenten Kunstinstallation von Schwärmen, was es braucht, um Systeme so zu gestalten, dass sie lebensecht erscheinen.[71]

Kritik[edit]

Bemerkenswerte Forscher[edit]

Siehe auch[edit]

Verweise[edit]

  1. ^ Beni, G., Wang, J. (1993). “Schwarmintelligenz in zellulären Robotersystemen”. Vorgehen. NATO Advanced Workshop über Roboter und biologische Systeme, Toskana, Italien, 26.-30. Juni (1989). Berlin, Heidelberg: Springer. S. 703–712. doi:10.1007 / 978-3-642-58069-7_38. ISBN 978-3-642-63461-1.CS1-Wartung: mehrere Namen: Autorenliste (Link)
  2. ^ Solé R., Rodriguez-Amor D., Duran-Nebreda S., Conde-Pueyo N., Carbonell-Ballestero M., Montañez R. (Oktober 2016). “Synthetische kollektive Intelligenz”. BioSystems. 148: 47–61. doi:10.1016 / j.biosystems.2016.01.002. PMID 26868302.
  3. ^ ein b Reynolds, Craig (1987). Herden, Herden und Schulen: Ein verteiltes Verhaltensmodell. SIGGRAPH ’87: Vorträge der 14. Jahreskonferenz über Computergrafik und interaktive Techniken. Verband für Rechenmaschinen. S. 25–34. CiteSeerX 10.1.1.103.7187. doi:10.1145 / 37401.37406. ISBN 978-0-89791-227-3. S2CID 546350.
  4. ^ Banks, Alec; Vincent, Jonathan; Anyakoha, Chukwudi (Juli 2007). “Ein Überblick über die Optimierung von Partikelschwärmen. Teil I: Hintergrund und Entwicklung”. Natural Computing. 6 (4): 467–484. CiteSeerX 10.1.1.605.5879. doi:10.1007 / s11047-007-9049-5. S2CID 2344624.
  5. ^ Vicsek, T.; Czirok, A.; Ben-Jacob, E.; Cohen, I.; Shochet, O. (1995). “Neuartiger Phasenübergang in einem System selbstgesteuerter Partikel”. Briefe zur körperlichen Überprüfung. 75 (6): 1226–1229. arXiv:cond-mat / 0611743. Bibcode:1995PhRvL..75.1226V. doi:10.1103 / PhysRevLett.75.1226. PMID 10060237. S2CID 15918052.
  6. ^ Czirók, A.; Vicsek, T. (2006). “Kollektives Verhalten wechselwirkender selbstfahrender Partikel”. Physica A.. 281 (1): 17–29. arXiv:cond-mat / 0611742. Bibcode:2000PhyA..281 … 17C. doi:10.1016 / S0378-4371 (00) 00013-3. S2CID 14211016.
  7. ^ Buhl, J.; Sumpter, DJT; Couzin, D.; Hale, JJ; Despland, E.; Miller, ER; Simpson, SJ; et al. (2006). “Von der Unordnung zur Ordnung in marschierenden Heuschrecken” (PDF). Wissenschaft. 312 (5778): 1402–1406. Bibcode:2006Sci … 312.1402B. doi:10.1126 / science.1125142. PMID 16741126. S2CID 359329.
  8. ^ Toner, J.; Tu, Y.; Ramaswamy, S. (2005). “Hydrodynamik und Phasen von Herden” (PDF). Annalen der Physik. 318 (1): 170–244. Bibcode:2005AnPhy.318..170T. doi:10.1016 / j.aop.2005.04.011.
  9. ^ Bertin, E.; Droz, M.; Grégoire, G. (2009). “Hydrodynamische Gleichungen für selbstfahrende Partikel: mikroskopische Ableitung und Stabilitätsanalyse”. J. Phys. EIN. 42 (44): 445001. arXiv:0907.4688. Bibcode:2009JPhA … 42R5001B. doi:10.1088 / 1751-8113 / 42/44/445001. S2CID 17686543.
  10. ^ Li, YX; Lukeman, R.; Edelstein-Keshet, L.; et al. (2007). “Minimale Mechanismen für die Schulbildung in selbstfahrenden Partikeln” (PDF). Physica D: Nichtlineare Phänomene. 237 (5): 699–720. Bibcode:2008PhyD..237..699L. doi:10.1016 / j.physd.2007.10.009.[permanent dead link]
  11. ^ Lones, Michael A. (2014). “Metaheuristik in naturinspirierten Algorithmen”. Bericht des Konferenzbegleiters 2014 über den Begleiter für genetische und evolutionäre Berechnungen – GECCO Comp ’14 (PDF). GECCO ’14. S. 1419–1422. CiteSeerX 10.1.1.699.1825. doi:10.1145 / 2598394.2609841. ISBN 9781450328814. S2CID 14997975.
  12. ^ ein b Silberholz, John; Golden, Bruce; Gupta, Swati; Wang, Xingyin (2019), Gendreau, Michel; Potvin, Jean-Yves (Hrsg.), “Computational Comparison of Metaheuristics”, Handbuch der Metaheuristik, Internationale Reihe in Operations Research & Management Science, Cham: Springer International Publishing, S. 581–604, doi:10.1007 / 978-3-319-91086-4_18, ISBN 978-3-319-91086-4
  13. ^ Burke, Edmund; De Causmaecker, Patrick; Petrovic, Sanja; Berghe, Greet Vanden (2004), Resende, Mauricio GC; de Sousa, Jorge Pinho (Hrsg.), “Variable Neighborhood Search for Nurse Rostering Problems”, Metaheuristik: Computerentscheidung, Applied Optimization, Boston, MA: Springer US, S. 153–172, doi:10.1007 / 978-1-4757-4137-7_7, ISBN 978-1-4757-4137-7
  14. ^ Fu, Michael C. (01.08.2002). “Feature Article: Optimierung für die Simulation: Theorie vs. Praxis”. INFORMS Journal on Computing. 14 (3): 192–215. doi:10.1287 / ijoc.14.3.192.113. ISSN 1091-9856.
  15. ^ Dorigo, Marco; Birattari, Mauro; Stutzle, Thomas (November 2006). “Ameisenkolonieoptimierung”. IEEE Computational Intelligence Magazine. 1 (4): 28–39. doi:10.1109 / MCI.2006.329691. ISSN 1556-603X.
  16. ^ Hayes-RothFrederick (1975-08-01). “Review of” Anpassung in natürlichen und künstlichen Systemen von John H. Holland “, The U. of Michigan Press, 1975”. ACM SIGART Bulletin (53): 15. doi:10.1145 / 1216504.1216510. S2CID 14985677.
  17. ^ Resende, Mauricio GC; Ribeiro, Celso C. (2010), Gendreau, Michel; Potvin, Jean-Yves (Hrsg.), “Greedy Randomized Adaptive Search Procedures: Fortschritte, Hybridisierungen und Anwendungen”, Handbuch der Metaheuristik, Internationale Reihe für Operations Research & Management Science, Boston, MA: Springer US, S. 283–319, doi:10.1007 / 978-1-4419-1665-5_10, ISBN 978-1-4419-1665-5
  18. ^ Kudelić, Robert; Ivković, Nikola (15.05.2019). “Ameisen-inspirierter Monte-Carlo-Algorithmus für minimalen Rückkopplungsbogen”. Expertensysteme mit Anwendungen. 122: 108–117. doi:10.1016 / j.eswa.2018.12.021. ISSN 0957-4174.
  19. ^ Bischof, JM, Stochastische SuchnetzwerkeProc. 1. IEE Int. Conf. on Artificial Neural Networks, S. 329-331, London, UK (1989).
  20. ^ Nasuto, SJ & Bishop, JM (2008), Stabilisierung der Schwarmintelligenzsuche durch positive Feedback-Ressourcenzuweisung, In: Krasnogor, N., Nikosia, G., Pavone, M. & Pelta, D. (Hrsg.), Nature Inspired Cooperative Strategies for Optimization, Studien zur Computational Intelligence, Band 129, Springer, Berlin, Heidelberg, New York, S. 115-123.
  21. ^ Moglich, M.; Maschwitz, U.; Holldobler, B., Tandem-Aufruf: Eine neue Art von Signal in der Ameisenkommunikation, Science, Band 186, Ausgabe 4168, S. 1046–1047
  22. ^ Nasuto, SJ, Bischof, JM & Lauria, S., Zeitkomplexitätsanalyse der stochastischen DiffusionssucheProc. Neural Computation ’98, S. 260-266, Wien, Österreich (1998).
  23. ^ Nasuto, SJ & Bishop, JM, (1999), Konvergenz der stochastischen Diffusionssuche, Parallele Algorithmen, 14: 2, S. 89-107.
  24. ^ Myatt, DM, Bishop, JM, Nasuto, SJ (2004), Minimale stabile Konvergenzkriterien für die stochastische Diffusionssuche, Electronics Letters, 22:40, S. 112-113.
  25. ^ al-Rifaie, MM, Bischof, JM & Blackwell, T., Eine Untersuchung zur Verschmelzung von stochastischer Diffusionssuche und PartikelschwarmoptimierungProc. 13. Conf. Genetic and Evolutionary Computation, (GECCO), S. 37-44 (2012).
  26. ^ al-Rifaie, Mohammad Majid, John Mark Bishop und Tim Blackwell. “”Einfluss der stochastischen Diffusionssuche auf den Informationsaustausch auf den Algorithmus der differentiellen EvolutionMemetic Computing 4.4 (2012): 327 & ndash; 338.
  27. ^ Ameisenkolonieoptimierung von Marco Dorigo und Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3
  28. ^ Parsopoulos, KE; Vrahatis, MN (2002). “Neueste Ansätze für globale Optimierungsprobleme durch Partikelschwarmoptimierung”. Natural Computing. 1 (2–3): 235–306. doi:10.1023 / A: 1016568309421. S2CID 4021089.
  29. ^ Partikelschwarmoptimierung von Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.
  30. ^ Rosenberg, Louis (20.07.2015). “Human Swarms, eine Echtzeitmethode für kollektive Intelligenz”. 07/20 / 2015-07 / 24/2015. 27. S. 658–659. doi:10.7551 / 978-0-262-33027-5-ch117. ISBN 9780262330275.
  31. ^ ein b Rosenberg, Louis; Willcox, Gregg (2020). Bi, Yaxin; Bhatia, Rahul; Kapoor, Supriya (Hrsg.). “Künstliche Schwarmintelligenz”. Intelligente Systeme und Anwendungen. Fortschritte in intelligenten Systemen und Computing. Springer International Publishing. 1037: 1054–1070. doi:10.1007 / 978-3-030-29516-5_79. ISBN 9783030295165.
  32. ^ Metcalf, Lynn; Askay, David A.; Rosenberg, Louis B. (2019). “Menschen auf dem Laufenden halten: Wissen durch künstliche Schwarmintelligenz bündeln, um die Entscheidungsfindung in Unternehmen zu verbessern”. California Management Review. 61 (4): 84–109. doi:10.1177 / 0008125619862256. ISSN 0008-1256. S2CID 202323483.
  33. ^ Schumann, Hans; Willcox, Gregg; Rosenberg, Louis; Pescetelli, Niccolo (2019). “”“”Human Swarming “Steigert die Genauigkeit und den ROI bei der Prognose von Finanzmärkten”. 2019 IEEE Internationale Konferenz für Humanized Computing und Kommunikation (HCC). S. 77–82. doi:10.1109 / HCC46620.2019.00019. ISBN 978-1-7281-4125-1. S2CID 209496644.
  34. ^ ein b “Wie KI-Systeme Vegas-Quotenmacher bei der Genauigkeit von Sportvorhersagen schlagen”. TechRepublic. Abgerufen 2018-09-10.
  35. ^ ein b Scudellari, Megan (2018-09-13). “AI-Human” Hive Mind “diagnostiziert Lungenentzündung”. IEEE-Spektrum: Technologie-, Ingenieur- und Wissenschaftsnachrichten. Abgerufen 2019-07-20.
  36. ^ ein b Rosenberg, Louis; Lungren, Matthew; Halabi, Safwan; Willcox, Gregg; Baltaxe, David; Lyon, Mimi (November 2018). “Künstliche Schwarmintelligenz zur Verbesserung der diagnostischen Genauigkeit in der Radiologie”. 2018 IEEE 9. Jahreskonferenz für Informationstechnologie, Elektronik und Mobilkommunikation (IEMCON). Vancouver, BC: IEEE: 1186–1191. doi:10.1109 / IEMCON.2018.8614883. ISBN 9781538672662. S2CID 58675679.
  37. ^ Lewis, M. Anthony; Bekey, George A. “Die verhaltensbezogene Selbstorganisation von Nanorobotern nach lokalen Regeln”. Berichte der Internationalen IEEE / RSJ-Konferenz 1992 über intelligente Roboter und Systeme.
  38. ^ al-Rifaie, MM; Aber, A. “Identifizierung von Metastasen in Knochenscans mit Stochastic Diffusion Search”. Proc. IEEE Informationstechnologie in Medizin und Bildung, ITME. 2012: 519–523.
  39. ^ al-Rifaie, Mohammad Majid, Ahmed Aber und Ahmed Majid Oudah. “”Verwendung der stochastischen Diffusionssuche zur Identifizierung von Metastasen in Knochenscans und Mikroverkalkungen auf Mammographen“In Bioinformatik- und Biomedizin-Workshops (BIBMW), 2012 IEEE International Conference on, S. 280-287. IEEE, 2012.
  40. ^ Martens, D.; Baesens, B.; Fawcett, T. (2011). “Editorial Survey: Swarm Intelligence für Data Mining”. Maschinelles Lernen. 82 (1): 1–42. doi:10.1007 / s10994-010-5216-5.
  41. ^ Fladerer, Johannes-Paul; Kurzmann, Ernst (November 2019). DIE WEISHEIT DER VIELEN: Wie man Selbstorganisation schafft und wie man kollektive … Intelligenz in Unternehmen und in der Gesellschaft aus Mana nutzt. BÜCHER AUF NACHFRAGE. ISBN 9783750422421.
  42. ^ Whitaker, RM, Hurley, S .. Ein agentenbasierter Ansatz zur Standortauswahl für drahtlose Netzwerke. Proc ACM Symposium on Applied Computing, S. 574–577 (2002).
  43. ^ “Flugzeuge, Züge und Ameisenhügel: Informatiker simulieren die Aktivität von Ameisen, um Verspätungen bei Fluggesellschaften zu verringern.”. Science Daily. 1. April 2008. Archiviert von das Original am 24. November 2010. Abgerufen 1. Dezember, 2010.
  44. ^ Miller, Peter (2010). Der intelligente Schwarm: Wie das Verständnis von Herden, Schulen und Kolonien uns bei der Kommunikation, Entscheidungsfindung und Erledigung von Aufgaben verbessern kann. New York: Avery. ISBN 978-1-58333-390-7.
  45. ^ Oxenham, Simon. “Warum Bienen das Geheimnis übermenschlicher Intelligenz sein könnten”. Abgerufen 2017-01-20.
  46. ^ ein b “Dieses Startup hat die Oscars, die World Series und den Super Bowl richtig vorhergesagt. Hier ist, was es als nächstes tut.”. Inc.com. 2018-06-14. Abgerufen 2018-09-10.
  47. ^ ein b Rosenberg, L.; Pescetelli, N.; Willcox, G. (Oktober 2017). Künstliche Schwarmintelligenz erhöht die Genauigkeit bei der Vorhersage von Finanzmärkten. 2017 IEEE 8. Jahreskonferenz für Ubiquitous Computing, Elektronik und Mobilkommunikation (UEMCON). S. 58–62. doi:10.1109 / UEMCON.2017.8248984. ISBN 978-1-5386-1104-3. S2CID 21312426.
  48. ^ http://sites.lsa.umich.edu/collectiveintelligence/wp-content/uploads/sites/176/2015/05/Rosenberg-CI-2015-Abstract.pdf
  49. ^ Metcalf, Lynn; Askay, David A.; Rosenberg, Louis B. (17.07.2019). “Menschen auf dem Laufenden halten: Wissen durch künstliche Schwarmintelligenz bündeln, um die Entscheidungsfindung in Unternehmen zu verbessern”. California Management Review. 61 (4): 84–109. doi:10.1177 / 0008125619862256. ISSN 0008-1256. S2CID 202323483.
  50. ^ Willcox, Gregg; Rosenberg, Louis; Askay, David; Metcalf, Lynn; Harris, Erick; Domnauer, Colin (2020). Arai, Kohei; Bhatia, Rahul (Hrsg.). “Künstliches Schwärmen zur Verbesserung der Genauigkeit von Gruppenentscheidungen bei subjektiven Beurteilungsaufgaben”. Fortschritte in Information und Kommunikation. Vorlesungsunterlagen in Netzwerken und Systemen. Springer International Publishing. 70: 373–383. doi:10.1007 / 978-3-030-12385-7_29. ISBN 9783030123857.
  51. ^ “Künstliche Intelligenz macht aus 20 $ 11.000 $ bei einer Kentucky Derby-Wette”. Newsweek. 2016-05-10. Abgerufen 2017-01-20.
  52. ^ Brennt, Janet. “KI, die die Trifecta gewonnen hat, hat den Super Bowl nach Green Bay gebracht – im August”. Forbes. Abgerufen 2017-01-20.
  53. ^ “Human Swarms, eine Echtzeitmethode für kollektive Intelligenz”. Archiviert von das Original am 27.10.2015. Abgerufen 2015-10-12.
  54. ^ “Swarms of Humans Power AI-Plattform”. DNews. 2017-05-10.
  55. ^ Rosenberg, L.; Baltaxe, D.; Pescetelli, N. (01.10.2016). Menschenmassen gegen Schwärme, ein Vergleich der Intelligenz. 2016 Swarm / Human Blended Intelligence Workshop (SHBI). S. 1–4. doi:10.1109 / SHBI.2016.7780278. ISBN 978-1-5090-3502-1. S2CID 12725324.
  56. ^ Rosenberg, Louis B. (2015). “Human Swarming, eine Echtzeitmethode für parallel verteilte Intelligenz”. 2015 Swarm / Human Blended Intelligence Workshop (SHBI). S. 1–7. doi:10.1109 / SHBI.2015.7321685. ISBN 978-1-4673-6522-2. S2CID 15166767.
  57. ^ Rosenberg, L.; Willcox, G. (Juni 2018). Künstliche Schwärme finden soziale Optima: (Late Breaking Report). 2018 IEEE-Konferenz zu kognitiven und rechnergestützten Aspekten des Situationsmanagements (CogSIMA). S. 174–178. doi:10.1109 / COGSIMA.2018.8423987. ISBN 978-1-5386-5288-6. S2CID 51909462.
  58. ^ Rosenberg, L.; Pescetelli, N. (September 2017). Verstärkung der Vorhersagegenauigkeit mithilfe von Swarm AI. 2017 Intelligent Systems Conference (IntelliSys). S. 61–65. doi:10.1109 / IntelliSys.2017.8324329. ISBN 978-1-5090-6435-9. S2CID 4366745.
  59. ^ “Künstliche Intelligenz macht aus 20 Dollar 11.000 Dollar bei einer Kentucky Derby-Wette”. Newsweek. 2016-05-10. Abgerufen 2018-09-10.
  60. ^ “Einstimmige KI erreicht 22% genauere Lungenentzündungsdiagnosen”. VentureBeat. 2018-09-10. Abgerufen 2019-07-20.
  61. ^ Liu, Fan (2018-09-27). “Künstliche Schwarmintelligenz diagnostiziert Lungenentzündung besser als einzelne Computer oder Ärzte”. Die Stanford Daily. Abgerufen 2019-07-20.
  62. ^ “Ein Schwarm der Einsicht – Radiology Today Magazine”. www.radiologytoday.net. Abgerufen 2019-07-20.
  63. ^ vonMammen, Sebastian; Jacob, Christian (2009). “Die Entwicklung der Schwarmgrammatiken – Bäume wachsen lassen, Kunst basteln und Bottom-up-Design”. Computational Intelligence. 4 (3): 10–19. CiteSeerX 10.1.1.384.9486. doi:10.1109 / MCI.2009.933096. S2CID 17882213.
  64. ^ du Castel, Bertrand (15. Juli 2015). “Musteraktivierung / Erkennungstheorie des Geistes”. Grenzen der Computational Neuroscience. 9 (90): 90. doi:10.3389 / fncom.2015.00090. PMC 4502584. PMID 26236228.
  65. ^ ein b al-Rifaie, MM; Bischof, JM; Caines, S. (2012). “Kreativität und Autonomie in Schwarmintelligenzsystemen” (PDF). Kognitive Berechnung. 4 (3): 320–331. doi:10.1007 / s12559-012-9130-y. S2CID 942335.
  66. ^ Deleuze G, Guattari F, Massumi B. Tausend Hochebenen. Minneapolis: University of Minnesota Press; 2004.
  67. ^ Al-Rifaie, Mohammad Majid; Bischof John Mark (2013). “Schwarmische Skizzen und Aufmerksamkeitsmechanismus” (PDF). Evolutionäre und biologisch inspirierte Musik, Klang, Kunst und Design (PDF). Vorlesungsunterlagen in Informatik. 7834. S. 85–96. doi:10.1007 / 978-3-642-36955-1_8. ISBN 978-3-642-36954-4.
  68. ^ Al-Rifaie, Mohammad Majid; Bischof John Mark (2013). “Schwarmbilder und Farbaufmerksamkeit” (PDF). Evolutionäre und biologisch inspirierte Musik, Klang, Kunst und Design (PDF). Vorlesungsunterlagen in Informatik. 7834. S. 97–108. doi:10.1007 / 978-3-642-36955-1_9. ISBN 978-3-642-36954-4.
  69. ^ al-Rifaie, Mohammad Majid, Mark JM Bishop und Ahmed Aber. “”Kreativ oder nicht? Vögel und Ameisen zeichnen mit Muskeln“Proceedings of AISB’11 Computing and Philosophy (2011): 23-30.
  70. ^ al-Rifaie MM, Bischof M (2013) Schwarmintelligenz und schwache künstliche Kreativität. In: Die Vereinigung zur Förderung der künstlichen Intelligenz (AAAI) 2013: Frühlingssymposium, Stanford University, Palo Alto, Kalifornien, USA, S. 14–19
  71. ^ N. Correll, N. Farrow, K. Sugawara, M. Theodore (2013): Die Schwarmwand: Auf dem Weg zum unheimlichen Tal des Lebens. In: K. Goldberg, H. Knight, P. Salvini (Hrsg.): Internationale IEEE-Konferenz für Robotik und Automatisierung, Workshop zu Kunst und Robotik: Freuds Unheimlich und das unheimliche Tal.

Weiterführende Literatur[edit]

  • Bonabeau, Eric; Dorigo, Marco; Theraulaz, Guy (1999). Schwarmintelligenz: Von natürlichen zu künstlichen Systemen. ISBN 978-0-19-513159-8.
  • Kennedy, James; Eberhart, Russell C. (09.04.2001). Schwarmintelligenz. ISBN 978-1-55860-595-4.
  • Engelbrecht, Andries (2005-12-16). Grundlagen der Computational Swarm Intelligence. Wiley & Sons. ISBN 978-0-470-09191-3.

Externe Links[edit]


after-content-x4