[{"@context":"http:\/\/schema.org\/","@type":"BlogPosting","@id":"https:\/\/wiki.edu.vn\/wiki10\/2020\/12\/24\/schwarmintelligenz-wikipedia\/#BlogPosting","mainEntityOfPage":"https:\/\/wiki.edu.vn\/wiki10\/2020\/12\/24\/schwarmintelligenz-wikipedia\/","headline":"Schwarmintelligenz – Wikipedia","name":"Schwarmintelligenz – Wikipedia","description":"before-content-x4 Kollektives Verhalten dezentraler, selbstorganisierter Systeme after-content-x4 Schwarmintelligenz ((SI) ist das kollektive Verhalten dezentraler, selbstorganisierter nat\u00fcrlicher oder k\u00fcnstlicher Systeme. Das","datePublished":"2020-12-24","dateModified":"2020-12-24","author":{"@type":"Person","@id":"https:\/\/wiki.edu.vn\/wiki10\/author\/lordneo\/#Person","name":"lordneo","url":"https:\/\/wiki.edu.vn\/wiki10\/author\/lordneo\/","image":{"@type":"ImageObject","@id":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","height":96,"width":96}},"publisher":{"@type":"Organization","name":"Enzyklop\u00e4die","logo":{"@type":"ImageObject","@id":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","url":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","width":600,"height":60}},"image":{"@type":"ImageObject","@id":"https:\/\/upload.wikimedia.org\/wikipedia\/commons\/thumb\/6\/60\/Human_Swarm.gif\/220px-Human_Swarm.gif","url":"https:\/\/upload.wikimedia.org\/wikipedia\/commons\/thumb\/6\/60\/Human_Swarm.gif\/220px-Human_Swarm.gif","height":"170","width":"220"},"url":"https:\/\/wiki.edu.vn\/wiki10\/2020\/12\/24\/schwarmintelligenz-wikipedia\/","wordCount":15617,"articleBody":"     (adsbygoogle = window.adsbygoogle || []).push({});before-content-x4Kollektives Verhalten dezentraler, selbstorganisierter Systeme       (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4Schwarmintelligenz ((SI) ist das kollektive Verhalten dezentraler, selbstorganisierter nat\u00fcrlicher oder k\u00fcnstlicher Systeme.  Das Konzept wird in der Arbeit an k\u00fcnstlicher Intelligenz angewendet.  Der Ausdruck wurde 1989 von Gerardo Beni und Jing Wang im Zusammenhang mit zellul\u00e4ren Robotersystemen eingef\u00fchrt.[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 zuf\u00e4llig verhalten sollen, f\u00fchren Interaktionen zwischen solchen Agenten zur Entstehung eines “intelligenten” globalen Verhaltens, das dem Einzelnen unbekannt ist Agenten.  Beispiele f\u00fcr Schwarmintelligenz in nat\u00fcrlichen Systemen sind Ameisenkolonien, Vogelschwarm, Falkenjagd, Tierhaltung, Bakterienwachstum, Fischschulung und mikrobielle Intelligenz.Die Anwendung von Schwarmprinzipien auf Roboter wird genannt Schwarmrobotik w\u00e4hrend Schwarmintelligenz bezieht sich auf den allgemeineren Satz von Algorithmen. Schwarmvorhersage wurde im Zusammenhang mit Prognoseproblemen verwendet.  \u00c4hnliche Ans\u00e4tze wie f\u00fcr die Schwarmrobotik vorgeschlagen werden f\u00fcr genetisch ver\u00e4nderte Organismen in der synthetischen kollektiven Intelligenz in Betracht gezogen.[2]       (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4Table of ContentsModelle des Schwarmverhaltens[edit]Boids (Reynolds 1987)[edit]Selbstfahrende Partikel (Vicsek et al.  1995)[edit]Metaheuristik[edit]Stochastische Diffusionssuche (Bischof 1989)[edit]Optimierung der Ameisenkolonie (Dorigo 1992)[edit]Partikelschwarmoptimierung (Kennedy, Eberhart & Shi 1995)[edit]K\u00fcnstliche Schwarmintelligenz (2015)[edit]Anwendungen[edit]Ameisenbasiertes Routing[edit]Crowd-Simulation[edit]Menschliches Schw\u00e4rmen[edit]Schwarmgrammatiken[edit]Schwarmkunst[edit]Kritik[edit]Bemerkenswerte Forscher[edit]Siehe auch[edit]Verweise[edit]Weiterf\u00fchrende Literatur[edit]Externe Links[edit]Modelle des Schwarmverhaltens[edit]Boids (Reynolds 1987)[edit]Boids ist ein k\u00fcnstliches Lebensprogramm, das 1986 von Craig Reynolds entwickelt wurde und das Flockverhalten von V\u00f6geln simuliert.  Sein Beitrag zu diesem Thema wurde 1987 im Rahmen der ACM SIGGRAPH-Konferenz ver\u00f6ffentlicht.[3]Der Name “boid” entspricht einer verk\u00fcrzten Version von “bird-oid object”, die sich auf ein vogel\u00e4hnliches Objekt bezieht.[4]Wie bei den meisten Simulationen k\u00fcnstlichen Lebens ist Boids ein Beispiel f\u00fcr emergentes Verhalten.  Das hei\u00dft, die Komplexit\u00e4t 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:       (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4Trennung:: steuern um zu vermeiden, dass sich lokale Herdenkameraden dr\u00e4ngenAusrichtung: steuern Sie in Richtung der durchschnittlichen \u00dcberschrift der lokalen HerdenkameradenZusammenhalt: steuern, um sich in Richtung der durchschnittlichen Position (Schwerpunkt) der \u00f6rtlichen Herdenkameraden zu bewegenEs k\u00f6nnen komplexere Regeln hinzugef\u00fcgt werden, z. B. Hindernisvermeidung und Zielsuche.Selbstfahrende Partikel (Vicsek et al.  1995)[edit]Selbstfahrende Partikel (SPP), auch als Vicsek-Modellwurde 1995 von Vicsek eingef\u00fchrt et al.[5]  als Sonderfall des 1986 von Reynolds eingef\u00fchrten Boids-Modells.[3]  Ein Schwarm wird in SPP durch eine Ansammlung von Partikeln modelliert, die sich mit konstanter Geschwindigkeit bewegen, aber auf eine zuf\u00e4llige St\u00f6rung reagieren, indem sie zu jedem Zeitpunkt die durchschnittliche Bewegungsrichtung der anderen Partikel in ihrer lokalen Umgebung erh\u00f6hen.[6]  SPP-Modelle sagen voraus, dass Schwarmtiere auf Gruppenebene bestimmte Eigenschaften aufweisen, unabh\u00e4ngig von der Art der Tiere im Schwarm.[7]  Schwarmsysteme f\u00fchren zu neu auftretenden Verhaltensweisen, die in vielen verschiedenen Ma\u00dfst\u00e4ben 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]Evolution\u00e4re Algorithmen (EA), Partikelschwarmoptimierung (PSO), differentielle Evolution (DE), Ameisenkolonieoptimierung (ACO) und ihre Varianten dominieren das Gebiet der von der Natur inspirierten Metaheuristik.[11]  Diese Liste enth\u00e4lt Algorithmen, die bis zum Jahr 2000 ver\u00f6ffentlicht wurden. Eine gro\u00dfe Anzahl neuerer, von Metaphern inspirierter Metaheuristiken hat in der Forschungsgemeinschaft Kritik hervorgerufen, weil sie ihren Mangel an Neuheit hinter einer aufw\u00e4ndigen Metapher versteckt haben.  Zu den seitdem ver\u00f6ffentlichten Algorithmen siehe Liste der metaphorischen Metaheuristiken.Es sollte auch beachtet werden, dass Metaheuristiken, so gut sie auch sind, kein Vertrauen in eine L\u00f6sung haben.[12]  Wenn geeignete Parameter bestimmt werden und wenn eine ausreichende Konvergenzstufe erreicht ist, finden sie h\u00e4ufig eine L\u00f6sung, die optimal oder nahezu optimal ist. Wenn man jedoch die optimale L\u00f6sung nicht im Voraus kennt, ist die Qualit\u00e4t einer L\u00f6sung 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 m\u00f6glich, diesen Nachteil zu vermeiden, indem die L\u00f6sungsqualit\u00e4t f\u00fcr einen speziellen Fall berechnet wird, in dem eine solche Berechnung m\u00f6glich ist, und nach einem solchen Durchlauf ist bekannt, dass jede L\u00f6sung, die mindestens so gut ist wie die L\u00f6sung, die ein spezieller Fall hatte, hat zumindest ein L\u00f6sungsvertrauen, das ein Sonderfall hatte.  Ein solches Beispiel ist der von Ant inspirierte Monte-Carlo-Algorithmus f\u00fcr 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]Erstver\u00f6ffentlichung 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 f\u00fcr Probleme geeignet ist, bei denen die Zielfunktion in mehrere unabh\u00e4ngige Teilfunktionen zerlegt werden kann.  Jeder Agent beh\u00e4lt eine Hypothese bei, die iterativ getestet wird, indem eine zuf\u00e4llig ausgew\u00e4hlte partielle Zielfunktion bewertet wird, die durch die aktuelle Hypothese des Agenten parametrisiert wird.  In der Standardversion von SDS sind solche Teilfunktionsbewertungen bin\u00e4r, was dazu f\u00fchrt, dass jeder Agent aktiv oder inaktiv wird.  Informationen zu Hypothesen werden \u00fcber die Kommunikation zwischen Agenten in der Bev\u00f6lkerung verbreitet.  Im Gegensatz zur stigmergischen Kommunikation, die in ACO verwendet wird, kommunizieren Agenten in SDS Hypothesen \u00fcber 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 L\u00f6sung stabilisiert.  SDS ist sowohl ein effizienter als auch ein robuster globaler Such- und Optimierungsalgorithmus, der ausf\u00fchrlich mathematisch beschrieben wurde.[22][23][24]  In j\u00fcngster Zeit wurden die globalen Sucheigenschaften von SDS mit anderen Schwarmintelligenzalgorithmen zusammengef\u00fchrt.[25][26]Optimierung der Ameisenkolonie (Dorigo 1992)[edit]Ant Colony Optimization (ACO), eingef\u00fchrt 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 n\u00fctzlich ist, bei denen es darum geht, bessere Pfade durch Diagramme zu finden.  K\u00fcnstliche Ameisen – Simulationsagenten – lokalisieren optimale L\u00f6sungen, indem sie sich durch einen Parameterraum bewegen, der alle m\u00f6glichen L\u00f6sungen darstellt.  Nat\u00fcrliche Ameisen legen Pheromone ab, die sich gegenseitig zu Ressourcen leiten, w\u00e4hrend sie ihre Umgebung erkunden.  Die simulierten Ameisen zeichnen auf \u00e4hnliche Weise ihre Positionen und die Qualit\u00e4t ihrer L\u00f6sungen auf, so dass in sp\u00e4teren Simulationsiterationen mehr Ameisen nach besseren L\u00f6sungen suchen.[27]Partikelschwarmoptimierung (Kennedy, Eberhart & Shi 1995)[edit]Die Partikelschwarmoptimierung (PSO) ist ein globaler Optimierungsalgorithmus zur Behandlung von Problemen, bei denen eine beste L\u00f6sung als Punkt oder Oberfl\u00e4che in einem n-dimensionalen Raum dargestellt werden kann.  In diesem Raum werden Hypothesen aufgezeichnet und mit einer Anfangsgeschwindigkeit sowie einem Kommunikationskanal zwischen den Partikeln ausges\u00e4t.[28][29]    Die Partikel bewegen sich dann durch den L\u00f6sungsraum 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 gegen\u00fcber anderen globalen Minimierungsstrategien wie dem simulierten Tempern besteht darin, dass die gro\u00dfe Anzahl von Elementen, aus denen der Partikelschwarm besteht, die Technik gegen\u00fcber dem Problem lokaler Minima beeindruckend widerstandsf\u00e4hig macht.K\u00fcnstliche Schwarmintelligenz (2015)[edit]K\u00fcnstliche Schwarmintelligenz (Artificial Swarm Intelligence, ASI) ist eine Methode zur Verst\u00e4rkung der kollektiven Intelligenz vernetzter menschlicher Gruppen mithilfe von Kontrollalgorithmen, die nat\u00fcrlichen Schw\u00e4rmen nachempfunden sind.  Die Technologie wird manchmal als Human Swarming oder Swarm AI bezeichnet und verbindet Gruppen menschlicher Teilnehmer zu Echtzeitsystemen, die L\u00f6sungen als dynamische Schw\u00e4rme betrachten und konvergieren, wenn gleichzeitig eine Frage gestellt wird[30][31][32]    ASI wurde f\u00fcr eine Vielzahl von Anwendungen eingesetzt, von der M\u00f6glichkeit f\u00fcr Gesch\u00e4ftsteams, hochpr\u00e4zise Finanzprognosen zu erstellen[33]  Sportfans in die Lage zu versetzen, die Wettm\u00e4rkte in Vegas zu \u00fcbertreffen.[34]  ASI wurde auch verwendet, um es Gruppen von \u00c4rzten zu erm\u00f6glichen, Diagnosen mit signifikant h\u00f6herer Genauigkeit als herk\u00f6mmliche Methoden zu erstellen.[35][36]Anwendungen[edit]Auf Swarm Intelligence basierende Techniken k\u00f6nnen in einer Reihe von Anwendungen verwendet werden.  Das US-Milit\u00e4r untersucht Schwarmtechniken zur Kontrolle unbemannter Fahrzeuge.  Die Europ\u00e4ische Weltraumorganisation denkt \u00fcber einen Orbitalschwarm zur Selbstorganisation und Interferometrie nach.  Die NASA untersucht den Einsatz der Schwarmtechnologie f\u00fcr die Planetenkartierung.  In einem Artikel von M. Anthony Lewis und George A. Bekey aus dem Jahr 1992 wird die M\u00f6glichkeit diskutiert, mithilfe von Schwarmintelligenz Nanobots im K\u00f6rper zu kontrollieren, um Krebstumoren abzut\u00f6ten.[37]  Umgekehrt haben al-Rifaie und Aber die stochastische Diffusionssuche verwendet, um bei der Lokalisierung von Tumoren zu helfen.[38][39]  Schwarmintelligenz wurde auch f\u00fcr 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.  Grunds\u00e4tzlich wird eine probabilistische Routing-Tabelle verwendet, die die Route belohnt \/ verst\u00e4rkt, die von jeder “Ameise” (einem kleinen Steuerpaket), die das Netzwerk \u00fcberflutet, erfolgreich durchlaufen wurde.  Die Verst\u00e4rkung der Route in Vorw\u00e4rts-, R\u00fcckw\u00e4rtsrichtung und beide gleichzeitig wurden untersucht: Die R\u00fcckw\u00e4rtsverst\u00e4rkung erfordert ein symmetrisches Netzwerk und koppelt die beiden Richtungen miteinander;  Vorw\u00e4rtsverst\u00e4rkung belohnt eine Route, bevor das Ergebnis bekannt ist (aber dann w\u00fcrde man f\u00fcr das Kino bezahlen, bevor man wei\u00df, wie gut der Film ist).  Da sich das System stochastisch verh\u00e4lt und daher nicht wiederholbar ist, gibt es gro\u00dfe H\u00fcrden bei der kommerziellen Bereitstellung.  Mobile Medien und neue Technologien haben das Potenzial, die Schwelle f\u00fcr kollektives Handeln aufgrund von Schwarmintelligenz zu \u00e4ndern (Rheingold: 2002, S. 175).Der Standort der \u00dcbertragungsinfrastruktur f\u00fcr 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 Fl\u00e4chendeckung erhalten.  Ein von Ameisen inspirierter Schwarmintelligenzalgorithmus, die stochastische Diffusionssuche (SDS), wurde erfolgreich eingesetzt, um ein allgemeines Modell f\u00fcr dieses Problem in Bezug auf Kreispackung und Setbedeckung bereitzustellen.  Es hat sich gezeigt, dass das Sicherheitsdatenblatt angewendet werden kann, um geeignete L\u00f6sungen auch f\u00fcr gro\u00dfe Problemf\u00e4lle zu identifizieren.[42]Die Fluggesellschaften haben auch Ameisen-basiertes Routing verwendet, um Flugzeugank\u00fcnfte 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 verh\u00e4lt sich wie eine Ameise, die nach dem besten Flughafentor sucht.  “Der Pilot lernt aus seiner Erfahrung, was f\u00fcr ihn am besten ist, und es stellt sich heraus, dass dies die beste L\u00f6sung f\u00fcr die Fluggesellschaft ist”, erkl\u00e4rt Douglas A. Lawson.  Infolgedessen geht die “Kolonie” der Piloten immer zu Toren, an denen sie schnell ankommen und abfliegen k\u00f6nnen.  Das Programm kann sogar einen Piloten auf Flugzeugsicherungen aufmerksam machen, bevor diese stattfinden.  “Wir k\u00f6nnen damit rechnen, dass es passieren wird, also haben wir ein Tor zur Verf\u00fcgung”, sagt Lawson.[43]Crowd-Simulation[edit]K\u00fcnstler 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 V\u00f6geln mithilfe des Boids-Systems realistisch darstellte.  Tim Burtons Batman kehrt zur\u00fcck nutzte auch die Schwarmtechnologie, um die Bewegungen einer Gruppe von Flederm\u00e4usen zu zeigen. Der Herr der Ringe Die Filmtrilogie verwendete in Kampfszenen eine \u00e4hnliche 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 Schw\u00e4rmen[edit]  “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 k\u00f6nnen Netzwerke verteilter Benutzer durch die Implementierung von Echtzeit-Regelungssystemen zu “menschlichen Schw\u00e4rmen” organisiert werden.[45][46][47]  Wie von Rosenberg (2015) ver\u00f6ffentlicht, erm\u00f6glichen 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 “K\u00fcnstliche Schwarmintelligenz” (oder der Markenname “Schwarm-KI”) bezeichnet werden, die menschliche Intelligenz signifikant verst\u00e4rken.[49][50][31]  Dies f\u00fchrt zu einer Reihe hochkar\u00e4tiger Vorhersagen von extremer Genauigkeit.[51][52][53][54][46][34]  Akademische Tests zeigen, dass menschliche Schw\u00e4rme Individuen in einer Vielzahl realer Projektionen \u00fcbertreffen k\u00f6nnen.[55][56][47][57][58]  Bekanntlich wurde menschliches Schw\u00e4rmen 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 ver\u00f6ffentlichten die Stanford University School of Medicine und Unanimous AI Studien, die zeigen, dass Gruppen menschlicher \u00c4rzte, wenn sie durch Echtzeit-Schwarmalgorithmen miteinander verbunden sind, Erkrankungen mit wesentlich h\u00f6herer Genauigkeit diagnostizieren k\u00f6nnen als einzelne \u00c4rzte oder Gruppen von Menschen \u00c4rzte, die mit traditionellen Crowd-Sourcing-Methoden zusammenarbeiten.  In einer solchen Studie wurden Schw\u00e4rme menschlicher Radiologen, die \u00fcber die SWARM-Plattform miteinander verbunden waren, mit der Diagnose von R\u00f6ntgenaufnahmen des Brustkorbs beauftragt. Sie zeigten eine Verringerung der Diagnosefehler um 33% im Vergleich zu den herk\u00f6mmlichen Methoden des Menschen und eine Verbesserung um 22% gegen\u00fcber dem herk\u00f6mmlichen maschinellen Lernen .[35][60][61][62][36]Schwarmgrammatiken[edit]Schwarmgrammatiken sind Schw\u00e4rme stochastischer Grammatiken, die entwickelt werden k\u00f6nnen, um komplexe Eigenschaften zu beschreiben, wie sie in Kunst und Architektur zu finden sind.[63]  Diese Grammatiken interagieren als Agenten, die sich gem\u00e4\u00df den Regeln der Schwarmintelligenz verhalten.  Ein solches Verhalten kann auch auf Deep-Learning-Algorithmen hinweisen, insbesondere wenn die Abbildung solcher Schw\u00e4rme 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 Vogelschw\u00e4rmen 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 k\u00fcnstlerische Spannung zwischen dem lokalen Verhalten der “Vogelschw\u00e4rme” – die versuchen, der Eingabeskizze zu folgen – und dem globalen Verhalten der “Ameisen, die nach Nahrung suchen” ausgenutzt wird. w\u00e4hrend sie versuchen, die Herde zu ermutigen, neue Regionen der Leinwand zu erkunden.  Die “Kreativit\u00e4t” 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]  f\u00fchrt einen neuartigen Ansatz ein, bei dem der Mechanismus der \u201eAufmerksamkeit\u201c eingesetzt wird, indem das Sicherheitsdatenblatt so angepasst wird, dass es sich selektiv um detaillierte Bereiche einer digitalen Leinwand k\u00fcmmert.  Sobald die Aufmerksamkeit des Schwarms auf eine bestimmte Linie innerhalb der Leinwand gelenkt wird, wird die F\u00e4higkeit von PSO verwendet, um eine “Schwarmskizze” der besuchten Linie zu erstellen.  Die Schw\u00e4rme bewegen sich auf der digitalen Leinwand, um ihre dynamischen Rollen zu erf\u00fcllen – Aufmerksamkeit f\u00fcr Bereiche mit mehr Details -, die ihnen \u00fcber ihre Fitnessfunktion zugeordnet sind.  Nachdem der Rendering-Prozess mit den Konzepten der Aufmerksamkeit verkn\u00fcpft wurde, erstellt die Leistung der teilnehmenden Schw\u00e4rme jedes Mal eine eindeutige, nicht identische Skizze, wenn die ‘K\u00fcnstler’-Schw\u00e4rme mit der Interpretation der eingegebenen Strichzeichnungen beginnen.  In anderen Arbeiten kontrolliert SDS die Aufmerksamkeit des Schwarms, w\u00e4hrend PSO f\u00fcr den Skizzierprozess verantwortlich ist.In einer \u00e4hnlichen Arbeit, “Swarmic Paintings and Color Attention”,[68]  Nicht-fotorealistische Bilder werden mit dem SDS-Algorithmus erzeugt, der im Rahmen dieser Arbeit f\u00fcr die Farbaufmerksamkeit verantwortlich ist.Die “rechnerische Kreativit\u00e4t” der oben genannten Systeme wird in diskutiert[65][69][70]  durch die zwei Voraussetzungen der Kreativit\u00e4t (dh Freiheit und Zw\u00e4nge) innerhalb der zwei ber\u00fcchtigten Phasen der Erforschung und Ausbeutung der Schwarmintelligenz.Michael Theodore und Nikolaus Correll untersuchen mithilfe der intelligenten Kunstinstallation von Schw\u00e4rmen, was es braucht, um Systeme so zu gestalten, dass sie lebensecht erscheinen.[71]Kritik[edit]Dieser Abschnitt ist leer. Sie k\u00f6nnen helfen, indem Sie es hinzuf\u00fcgen.  ((Juli 2020)Bemerkenswerte Forscher[edit]Siehe auch[edit]Verweise[edit]^ Beni, G., Wang, J. (1993).  “Schwarmintelligenz in zellul\u00e4ren Robotersystemen”. Vorgehen.  NATO Advanced Workshop \u00fcber Roboter und biologische Systeme, Toskana, Italien, 26.-30. Juni (1989).  Berlin, Heidelberg: Springer.  S. 703\u2013712.  doi:10.1007 \/ 978-3-642-58069-7_38.  ISBN 978-3-642-63461-1.CS1-Wartung: mehrere Namen: Autorenliste (Link)^ Sol\u00e9 R., Rodriguez-Amor D., Duran-Nebreda S., Conde-Pueyo N., Carbonell-Ballestero M., Monta\u00f1ez R. (Oktober 2016).  “Synthetische kollektive Intelligenz”. BioSystems. 148: 47\u201361.  doi:10.1016 \/ j.biosystems.2016.01.002.  PMID 26868302.^ ein b Reynolds, Craig (1987). Herden, Herden und Schulen: Ein verteiltes Verhaltensmodell. SIGGRAPH ’87: Vortr\u00e4ge der 14. Jahreskonferenz \u00fcber Computergrafik und interaktive Techniken.  Verband f\u00fcr Rechenmaschinen.  S. 25\u201334.  CiteSeerX 10.1.1.103.7187.  doi:10.1145 \/ 37401.37406.  ISBN 978-0-89791-227-3.  S2CID 546350.^ Banks, Alec;  Vincent, Jonathan;  Anyakoha, Chukwudi (Juli 2007).  “Ein \u00dcberblick \u00fcber die Optimierung von Partikelschw\u00e4rmen. Teil I: Hintergrund und Entwicklung”. Natural Computing. 6 (4): 467\u2013484.  CiteSeerX 10.1.1.605.5879.  doi:10.1007 \/ s11047-007-9049-5.  S2CID 2344624.^ Vicsek, T.;  Czirok, A.;  Ben-Jacob, E.;  Cohen, I.;  Shochet, O. (1995).  “Neuartiger Phasen\u00fcbergang in einem System selbstgesteuerter Partikel”. Briefe zur k\u00f6rperlichen \u00dcberpr\u00fcfung. 75 (6): 1226\u20131229.  arXiv:cond-mat \/ 0611743.  Bibcode:1995PhRvL..75.1226V.  doi:10.1103 \/ PhysRevLett.75.1226.  PMID 10060237.  S2CID 15918052.^ Czir\u00f3k, A.;  Vicsek, T. (2006).  “Kollektives Verhalten wechselwirkender selbstfahrender Partikel”. Physica A.. 281 (1): 17\u201329.  arXiv:cond-mat \/ 0611742.  Bibcode:2000PhyA..281 … 17C.  doi:10.1016 \/ S0378-4371 (00) 00013-3.  S2CID 14211016.^ 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\u20131406.  Bibcode:2006Sci … 312.1402B.  doi:10.1126 \/ science.1125142.  PMID 16741126.  S2CID 359329.^ Toner, J.;  Tu, Y.;  Ramaswamy, S. (2005). “Hydrodynamik und Phasen von Herden” (PDF). Annalen der Physik. 318 (1): 170\u2013244.  Bibcode:2005AnPhy.318..170T.  doi:10.1016 \/ j.aop.2005.04.011.^ Bertin, E.;  Droz, M.;  Gr\u00e9goire, G. (2009).  “Hydrodynamische Gleichungen f\u00fcr selbstfahrende Partikel: mikroskopische Ableitung und Stabilit\u00e4tsanalyse”. J. Phys.  EIN. 42 (44): 445001. arXiv:0907.4688.  Bibcode:2009JPhA … 42R5001B.  doi:10.1088 \/ 1751-8113 \/ 42\/44\/445001.  S2CID 17686543.^ Li, YX;  Lukeman, R.;  Edelstein-Keshet, L.;  et al.  (2007). “Minimale Mechanismen f\u00fcr die Schulbildung in selbstfahrenden Partikeln” (PDF). Physica D: Nichtlineare Ph\u00e4nomene. 237 (5): 699\u2013720.  Bibcode:2008PhyD..237..699L.  doi:10.1016 \/ j.physd.2007.10.009.[permanent dead link]^ Lones, Michael A. (2014).  “Metaheuristik in naturinspirierten Algorithmen”. Bericht des Konferenzbegleiters 2014 \u00fcber den Begleiter f\u00fcr genetische und evolution\u00e4re Berechnungen – GECCO Comp ’14 (PDF). GECCO ’14.  S. 1419\u20131422.  CiteSeerX 10.1.1.699.1825.  doi:10.1145 \/ 2598394.2609841.  ISBN 9781450328814.  S2CID 14997975.^ 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\u2013604, doi:10.1007 \/ 978-3-319-91086-4_18, ISBN 978-3-319-91086-4^ 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\u2013172, doi:10.1007 \/ 978-1-4757-4137-7_7, ISBN 978-1-4757-4137-7^ Fu, Michael C. (01.08.2002).  “Feature Article: Optimierung f\u00fcr die Simulation: Theorie vs. Praxis”. INFORMS Journal on Computing. 14 (3): 192\u2013215.  doi:10.1287 \/ ijoc.14.3.192.113.  ISSN 1091-9856.^ Dorigo, Marco;  Birattari, Mauro;  Stutzle, Thomas (November 2006).  “Ameisenkolonieoptimierung”. IEEE Computational Intelligence Magazine. 1 (4): 28\u201339.  doi:10.1109 \/ MCI.2006.329691.  ISSN 1556-603X.^ Hayes-RothFrederick (1975-08-01).  “Review of” Anpassung in nat\u00fcrlichen und k\u00fcnstlichen Systemen von John H. Holland “, The U. of Michigan Press, 1975”. ACM SIGART Bulletin (53): 15. doi:10.1145 \/ 1216504.1216510.  S2CID 14985677.^ 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 f\u00fcr Operations Research & Management Science, Boston, MA: Springer US, S. 283\u2013319, doi:10.1007 \/ 978-1-4419-1665-5_10, ISBN 978-1-4419-1665-5^ Kudeli\u0107, Robert;  Ivkovi\u0107, Nikola (15.05.2019). “Ameisen-inspirierter Monte-Carlo-Algorithmus f\u00fcr minimalen R\u00fcckkopplungsbogen”. Expertensysteme mit Anwendungen. 122: 108\u2013117.  doi:10.1016 \/ j.eswa.2018.12.021.  ISSN 0957-4174.^ Bischof, JM, Stochastische SuchnetzwerkeProc.  1. IEE Int.  Conf.  on Artificial Neural Networks, S. 329-331, London, UK (1989).^ 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.^ Moglich, M.;  Maschwitz, U.;  Holldobler, B., Tandem-Aufruf: Eine neue Art von Signal in der Ameisenkommunikation, Science, Band 186, Ausgabe 4168, S. 1046\u20131047^ Nasuto, SJ, Bischof, JM & Lauria, S., Zeitkomplexit\u00e4tsanalyse der stochastischen DiffusionssucheProc.  Neural Computation ’98, S. 260-266, Wien, \u00d6sterreich (1998).^ Nasuto, SJ & Bishop, JM, (1999), Konvergenz der stochastischen Diffusionssuche, Parallele Algorithmen, 14: 2, S. 89-107.^ Myatt, DM, Bishop, JM, Nasuto, SJ (2004), Minimale stabile Konvergenzkriterien f\u00fcr die stochastische Diffusionssuche, Electronics Letters, 22:40, S. 112-113.^ 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).^ 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.^ Ameisenkolonieoptimierung von Marco Dorigo und Thomas St\u00fctzle, MIT Press, 2004. ISBN 0-262-04219-3^ Parsopoulos, KE;  Vrahatis, MN (2002).  “Neueste Ans\u00e4tze f\u00fcr globale Optimierungsprobleme durch Partikelschwarmoptimierung”. Natural Computing. 1 (2\u20133): 235\u2013306.  doi:10.1023 \/ A: 1016568309421.  S2CID 4021089.^ Partikelschwarmoptimierung von Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.^ Rosenberg, Louis (20.07.2015). “Human Swarms, eine Echtzeitmethode f\u00fcr kollektive Intelligenz”. 07\/20 \/ 2015-07 \/ 24\/2015. 27.  S. 658\u2013659.  doi:10.7551 \/ 978-0-262-33027-5-ch117.  ISBN 9780262330275.^ ein b Rosenberg, Louis;  Willcox, Gregg (2020).  Bi, Yaxin;  Bhatia, Rahul;  Kapoor, Supriya (Hrsg.).  “K\u00fcnstliche Schwarmintelligenz”. Intelligente Systeme und Anwendungen.  Fortschritte in intelligenten Systemen und Computing.  Springer International Publishing. 1037: 1054\u20131070.  doi:10.1007 \/ 978-3-030-29516-5_79.  ISBN 9783030295165.^ Metcalf, Lynn;  Askay, David A.;  Rosenberg, Louis B. (2019).  “Menschen auf dem Laufenden halten: Wissen durch k\u00fcnstliche Schwarmintelligenz b\u00fcndeln, um die Entscheidungsfindung in Unternehmen zu verbessern”. California Management Review. 61 (4): 84\u2013109.  doi:10.1177 \/ 0008125619862256.  ISSN 0008-1256.  S2CID 202323483.^ Schumann, Hans;  Willcox, Gregg;  Rosenberg, Louis;  Pescetelli, Niccolo (2019).  “”“”Human Swarming “Steigert die Genauigkeit und den ROI bei der Prognose von Finanzm\u00e4rkten”. 2019 IEEE Internationale Konferenz f\u00fcr Humanized Computing und Kommunikation (HCC).  S. 77\u201382.  doi:10.1109 \/ HCC46620.2019.00019.  ISBN 978-1-7281-4125-1.  S2CID 209496644.^ ein b “Wie KI-Systeme Vegas-Quotenmacher bei der Genauigkeit von Sportvorhersagen schlagen”. TechRepublic.  Abgerufen 2018-09-10.^ ein b Scudellari, Megan (2018-09-13). “AI-Human” Hive Mind “diagnostiziert Lungenentz\u00fcndung”. IEEE-Spektrum: Technologie-, Ingenieur- und Wissenschaftsnachrichten.  Abgerufen 2019-07-20.^ ein b Rosenberg, Louis;  Lungren, Matthew;  Halabi, Safwan;  Willcox, Gregg;  Baltaxe, David;  Lyon, Mimi (November 2018).  “K\u00fcnstliche Schwarmintelligenz zur Verbesserung der diagnostischen Genauigkeit in der Radiologie”. 2018 IEEE 9. Jahreskonferenz f\u00fcr Informationstechnologie, Elektronik und Mobilkommunikation (IEMCON).  Vancouver, BC: IEEE: 1186\u20131191.  doi:10.1109 \/ IEMCON.2018.8614883.  ISBN 9781538672662.  S2CID 58675679.^ Lewis, M. Anthony;  Bekey, George A. “Die verhaltensbezogene Selbstorganisation von Nanorobotern nach lokalen Regeln”. Berichte der Internationalen IEEE \/ RSJ-Konferenz 1992 \u00fcber intelligente Roboter und Systeme.^ al-Rifaie, MM;  Aber, A. “Identifizierung von Metastasen in Knochenscans mit Stochastic Diffusion Search”. Proc.  IEEE Informationstechnologie in Medizin und Bildung, ITME. 2012: 519\u2013523.^ 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.^ Martens, D.;  Baesens, B.;  Fawcett, T. (2011). “Editorial Survey: Swarm Intelligence f\u00fcr Data Mining”. Maschinelles Lernen. 82 (1): 1\u201342.  doi:10.1007 \/ s10994-010-5216-5.^ 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.  B\u00dcCHER AUF NACHFRAGE.  ISBN 9783750422421.^ Whitaker, RM, Hurley, S .. Ein agentenbasierter Ansatz zur Standortauswahl f\u00fcr drahtlose Netzwerke.  Proc ACM Symposium on Applied Computing, S. 574\u2013577 (2002).^ “Flugzeuge, Z\u00fcge und Ameisenh\u00fcgel: Informatiker simulieren die Aktivit\u00e4t von Ameisen, um Versp\u00e4tungen bei Fluggesellschaften zu verringern.”. Science Daily.  1. April 2008. Archiviert von das Original am 24. November 2010.  Abgerufen 1. Dezember, 2010.^ Miller, Peter (2010). Der intelligente Schwarm: Wie das Verst\u00e4ndnis 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.^ Oxenham, Simon. “Warum Bienen das Geheimnis \u00fcbermenschlicher Intelligenz sein k\u00f6nnten”.  Abgerufen 2017-01-20.^ ein b “Dieses Startup hat die Oscars, die World Series und den Super Bowl richtig vorhergesagt. Hier ist, was es als n\u00e4chstes tut.”. Inc.com.  2018-06-14.  Abgerufen 2018-09-10.^ ein b Rosenberg, L.;  Pescetelli, N.;  Willcox, G. (Oktober 2017). K\u00fcnstliche Schwarmintelligenz erh\u00f6ht die Genauigkeit bei der Vorhersage von Finanzm\u00e4rkten. 2017 IEEE 8. Jahreskonferenz f\u00fcr Ubiquitous Computing, Elektronik und Mobilkommunikation (UEMCON).  S. 58\u201362.  doi:10.1109 \/ UEMCON.2017.8248984.  ISBN 978-1-5386-1104-3.  S2CID 21312426.^ http:\/\/sites.lsa.umich.edu\/collectiveintelligence\/wp-content\/uploads\/sites\/176\/2015\/05\/Rosenberg-CI-2015-Abstract.pdf^ Metcalf, Lynn;  Askay, David A.;  Rosenberg, Louis B. (17.07.2019).  “Menschen auf dem Laufenden halten: Wissen durch k\u00fcnstliche Schwarmintelligenz b\u00fcndeln, um die Entscheidungsfindung in Unternehmen zu verbessern”. California Management Review. 61 (4): 84\u2013109.  doi:10.1177 \/ 0008125619862256.  ISSN 0008-1256.  S2CID 202323483.^ Willcox, Gregg;  Rosenberg, Louis;  Askay, David;  Metcalf, Lynn;  Harris, Erick;  Domnauer, Colin (2020).  Arai, Kohei;  Bhatia, Rahul (Hrsg.).  “K\u00fcnstliches Schw\u00e4rmen zur Verbesserung der Genauigkeit von Gruppenentscheidungen bei subjektiven Beurteilungsaufgaben”. Fortschritte in Information und Kommunikation.  Vorlesungsunterlagen in Netzwerken und Systemen.  Springer International Publishing. 70: 373\u2013383.  doi:10.1007 \/ 978-3-030-12385-7_29.  ISBN 9783030123857.^ “K\u00fcnstliche Intelligenz macht aus 20 $ 11.000 $ bei einer Kentucky Derby-Wette”. Newsweek.  2016-05-10.  Abgerufen 2017-01-20.^ Brennt, Janet. “KI, die die Trifecta gewonnen hat, hat den Super Bowl nach Green Bay gebracht – im August”. Forbes.  Abgerufen 2017-01-20.^ “Human Swarms, eine Echtzeitmethode f\u00fcr kollektive Intelligenz”.  Archiviert von das Original am 27.10.2015.  Abgerufen 2015-10-12.^ “Swarms of Humans Power AI-Plattform”. DNews.  2017-05-10.^ Rosenberg, L.;  Baltaxe, D.;  Pescetelli, N. (01.10.2016). Menschenmassen gegen Schw\u00e4rme, ein Vergleich der Intelligenz. 2016 Swarm \/ Human Blended Intelligence Workshop (SHBI).  S. 1\u20134.  doi:10.1109 \/ SHBI.2016.7780278.  ISBN 978-1-5090-3502-1.  S2CID 12725324.^ Rosenberg, Louis B. (2015).  “Human Swarming, eine Echtzeitmethode f\u00fcr parallel verteilte Intelligenz”. 2015 Swarm \/ Human Blended Intelligence Workshop (SHBI).  S. 1\u20137.  doi:10.1109 \/ SHBI.2015.7321685.  ISBN 978-1-4673-6522-2.  S2CID 15166767.^ Rosenberg, L.;  Willcox, G. (Juni 2018). K\u00fcnstliche Schw\u00e4rme finden soziale Optima: (Late Breaking Report). 2018 IEEE-Konferenz zu kognitiven und rechnergest\u00fctzten Aspekten des Situationsmanagements (CogSIMA).  S. 174\u2013178.  doi:10.1109 \/ COGSIMA.2018.8423987.  ISBN 978-1-5386-5288-6.  S2CID 51909462.^ Rosenberg, L.;  Pescetelli, N. (September 2017). Verst\u00e4rkung der Vorhersagegenauigkeit mithilfe von Swarm AI. 2017 Intelligent Systems Conference (IntelliSys).  S. 61\u201365.  doi:10.1109 \/ IntelliSys.2017.8324329.  ISBN 978-1-5090-6435-9.  S2CID 4366745.^ “K\u00fcnstliche Intelligenz macht aus 20 Dollar 11.000 Dollar bei einer Kentucky Derby-Wette”. Newsweek.  2016-05-10.  Abgerufen 2018-09-10.^ “Einstimmige KI erreicht 22% genauere Lungenentz\u00fcndungsdiagnosen”. VentureBeat.  2018-09-10.  Abgerufen 2019-07-20.^ Liu, Fan (2018-09-27). “K\u00fcnstliche Schwarmintelligenz diagnostiziert Lungenentz\u00fcndung besser als einzelne Computer oder \u00c4rzte”. Die Stanford Daily.  Abgerufen 2019-07-20.^ “Ein Schwarm der Einsicht – Radiology Today Magazine”. www.radiologytoday.net.  Abgerufen 2019-07-20.^ vonMammen, Sebastian;  Jacob, Christian (2009). “Die Entwicklung der Schwarmgrammatiken – B\u00e4ume wachsen lassen, Kunst basteln und Bottom-up-Design”. Computational Intelligence. 4 (3): 10\u201319.  CiteSeerX 10.1.1.384.9486.  doi:10.1109 \/ MCI.2009.933096.  S2CID 17882213.^ 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.^ ein b al-Rifaie, MM;  Bischof, JM;  Caines, S. (2012). “Kreativit\u00e4t und Autonomie in Schwarmintelligenzsystemen” (PDF). Kognitive Berechnung. 4 (3): 320\u2013331.  doi:10.1007 \/ s12559-012-9130-y.  S2CID 942335.^ Deleuze G, Guattari F, Massumi B. Tausend Hochebenen.  Minneapolis: University of Minnesota Press;  2004.^ Al-Rifaie, Mohammad Majid;  Bischof John Mark (2013). “Schwarmische Skizzen und Aufmerksamkeitsmechanismus” (PDF). Evolution\u00e4re und biologisch inspirierte Musik, Klang, Kunst und Design (PDF).  Vorlesungsunterlagen in Informatik. 7834.  S. 85\u201396.  doi:10.1007 \/ 978-3-642-36955-1_8.  ISBN 978-3-642-36954-4.^ Al-Rifaie, Mohammad Majid;  Bischof John Mark (2013). “Schwarmbilder und Farbaufmerksamkeit” (PDF). Evolution\u00e4re und biologisch inspirierte Musik, Klang, Kunst und Design (PDF).  Vorlesungsunterlagen in Informatik. 7834.  S. 97\u2013108.  doi:10.1007 \/ 978-3-642-36955-1_9.  ISBN 978-3-642-36954-4.^ al-Rifaie, Mohammad Majid, Mark JM Bishop und Ahmed Aber.  “”Kreativ oder nicht?  V\u00f6gel und Ameisen zeichnen mit Muskeln“Proceedings of AISB’11 Computing and Philosophy (2011): 23-30.^ al-Rifaie MM, Bischof M (2013) Schwarmintelligenz und schwache k\u00fcnstliche Kreativit\u00e4t.  In: Die Vereinigung zur F\u00f6rderung der k\u00fcnstlichen Intelligenz (AAAI) 2013: Fr\u00fchlingssymposium, Stanford University, Palo Alto, Kalifornien, USA, S. 14\u201319^ 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 f\u00fcr Robotik und Automatisierung, Workshop zu Kunst und Robotik: Freuds Unheimlich und das unheimliche Tal.Weiterf\u00fchrende Literatur[edit]Bonabeau, Eric;  Dorigo, Marco;  Theraulaz, Guy (1999). Schwarmintelligenz: Von nat\u00fcrlichen zu k\u00fcnstlichen 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]     (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4"},{"@context":"http:\/\/schema.org\/","@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","position":1,"item":{"@id":"https:\/\/wiki.edu.vn\/wiki10\/#breadcrumbitem","name":"Enzyklop\u00e4die"}},{"@type":"ListItem","position":2,"item":{"@id":"https:\/\/wiki.edu.vn\/wiki10\/2020\/12\/24\/schwarmintelligenz-wikipedia\/#breadcrumbitem","name":"Schwarmintelligenz – Wikipedia"}}]}]