Inteligencia de enjambre es una rama de la inteligencia artificial que estudia el comportamiento colectivo de los sistemas descentralizados, autoorganizados, naturales o artificiales. El concepto se emplea en los trabajos sobre inteligencia artificial. La expresión fue introducida por Gerardo Beni y Wang Jing en 1989, en el contexto de los sistemas robóticos móviles.Beni, G., Wang, J. Swarm Intelligence in Cellular Robotic Systems, Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989)
Inspirados por la naturaleza, especialmente por ciertos sistemas biológicos, los sistemas de inteligencia de enjambre están típicamente formados por una población de agentes simples que interactúan localmente entre ellos y con su medio ambiente. Los agentes siguen reglas simples y, aunque no existe una estructura de control centralizado que dictamine el comportamiento de cada uno de ellos, las interacciones locales entre los agentes conduce a la emergencia de un comportamiento global complejo. Como ejemplos naturales se incluyen las colonias de hormigas, el alineamiento de las aves en vuelo, el comportamiento de rebaños durante el pastoreo y el crecimiento bacteriano.
La aplicación de los principios enjambre a robots se llama robótica de enjambres, mientras que el término "inteligencia de enjambre" se refiere al conjunto más general de los algoritmos. 'Predicción de Enjambres' se ha utilizado en el contexto de los problemas de previsión.
Ejemplos de algoritmos
Optimización de colonia de hormigas
La optimización basada en colonias de hormigas (OCH) es una clase de algoritmos de optimización inspirada en las acciones de una colonia de hormigas. Los métodos OCH son útiles en problemas que necesitan encontrar caminos hacia metas. El objetivo de la 'simulación de hormigas artificiales' a través de agentes es la de localizar soluciones óptimas moviéndose a través de un espacio de parámetros que representa todas las posibles soluciones. Las hormigas naturales utilizan las feromonas que dirigen una a la otra, a los recursos y a explorar su entorno. La simulación de 'hormigas' igualmente permite grabar sus posiciones y la calidad de sus soluciones, para que en posteriores iteraciones de simulación más hormigas puedan encontrar mejores soluciones.Ant Colony Optimization by Marco Dorigo and Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3
Optimización enjambre de partículas
La optimización de enjambre de partículas (PSO) es un algoritmo de optimización global para hacer frente a los problemas en los que puede ser una mejor solución representa como un punto o una superficie en un espacio n-dimensional. Hipótesis se representan en este espacio y se sembró con una velocidad inicial, así como un canal de comunicación entre las partículas.Particle Swarm Optimization by Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006. Las partículas se mueven a través del espacio de soluciones, y se evalúan de acuerdo con algún criterio de aptitud después de cada paso de tiempo. Con el tiempo, las partículas son aceleradas hacia esas partículas dentro de su grupo de comunicación que tienen mejores valores de aptitud. La principal ventaja de este enfoque sobre otras estrategias de minimización globales tales como el recocido simulado es que el gran número de los miembros que componen el enjambre de partículas hacen la técnica impresionantemente resistente al problema de los mínimos locales.
Optimización de múltiples enjambres La optimización multi-enjambre es una variante de la optimización de enjambres de partículas (PSO), basado en el uso de múltiples sub-enjambres en lugar de un enjambre (estándar).Antonio Bolufé Röhler and Stephen Chen, “An Analysis of Sub-swarms in Multi-swarm Systems”, in Lecture Notes in Artificial Intelligence, Vol. 7106: Proceedings of Joint Australasian Conference in Artificial Intelligence, D. Wang and M. Reynolds Eds. Springer-Verlag 2011, pp. 271–280. El enfoque general en la optimización de multi-enjambre es que cada sub-enjambre se centra en una región dada, mientras que un método específico de diversificación decide dónde y cuándo lanzar los enjambres secundarios. El marco enjambre multi-está especialmente equipado para la optimización de problemas multi-modales, donde existen múltiples óptimos (locales).Antonio Bolufé Röhler and S. Chen, “Multi-swarm hybrid for multi-modal optimization”, in Proceedings of the IEEE Congress on Evolutionary Computation, 2012, pp. 1–8.
Algoritmo de colonia de abejas El algoritmo de colonia de abejas (ABC) es un algoritmo de metaheurística introducida por Karaboga en 2005, y simula el comportamiento de alimentación de las abejas melíferas. El algoritmo ACB tiene tres fases: la abeja empleada, la abeja espectador y la exploradora. En la abeja empleada y las fases de abejas espectador,las abejas explotan las fuentes de búsquedas locales en la vecindad de las soluciones seleccionadas sobre la base de la selección determinista en la fase de abeja ocupada y la selección probabilística en la fase de abeja espectador. En la fase de abeja exploradora que es una analogía de abandono de las fuentes de alimentos agotados en el proceso de búsqueda de alimento, las soluciones que no son beneficiosos para el progreso de la búsqueda ya están abandonados, y nuevas soluciones se insertan en lugar de ellos para explorar nuevas regiones del espacio de búsqueda. El algoritmo tiene una capacidad equilibrada de exploración-explotación.
Algoritmo de altruismo Los investigadores en Suiza han desarrollado un algoritmo basado en la regla de Hamilton de selección de parentesco. El algoritmo muestra cómo el altruismo en un enjambre de animales puede, con el tiempo, evolucionar y dar lugar a un comportamiento más eficaz del enjambre.Altruism helps swarming robots fly better genevalunch.com, 4 May 2011.
Sistemas inmunológicos artificiales Sistemas inmunológicos artificiales (SIA) se refiere a la utilización de estructuras abstractas, la función del sistema inmune a los sistemas de cómputo, y la investigación de la aplicación de estos sistemas a la solución de problemas de cálculo a partir de la tecnología de la ingeniería, y la información. SIA es un subcampo de la computación inspirada biológicamente y computacionalmente natural, con intereses en Aprendizaje Automático y que pertenecen a la esfera más amplia de la inteligencia artificial.
Algoritmo de murciélago El algoritmo de murciélago (AM) está inspirado en el comportamiento de la ecolocalización de los micromurciélagos. Este hace uso de un balance de la frecuencia y sintonización automática de exploración y explotación mediante el control de las tasas de sonoridad y el pulso de emisión.X. S. Yang, A New Metaheuristic Bat-Inspired Algorithm, in: Nature Inspired Cooperative Strategies for Optimization (NISCO 2010) (Eds. J. R. Gonzalez et al.), Studies in Computational Intelligence, Springer Berlin, 284, Springer, 65-74 (2010).
Búsqueda de sistema cargado Búsqueda de sistema cargado (BSC) es un nuevo algoritmo de optimización basado en algunos principios de la física y la mecánica. BSC utiliza las leyes de gobierno de Coulomb y de Gauss de la electrostática y las leyes de la mecánica newtoniana. BSC es un enfoque multiagente en el que cada agente es una partícula cargada (PC). PCs pueden afectar a los demás sobre la base de sus valores de fitness y sus distancias de separación. La cantidad de la fuerza resultante se determina mediante el uso de las leyes de la electrostática y la calidad del movimiento se determina usando las leyes de la mecánica newtoniana. BSC es aplicable a todos los campos de optimización, en especial es adecuado para dominios no lisos o no convexos. Este algoritmo proporciona un buen equilibrio entre la exploración y explotación de los paradigmas del algoritmo que se puede mejorar considerablemente la eficiencia del algoritmo y por lo tanto el BSC también puede ser considerado como un buen optimizador global y local al mismo tiempo.
Búsqueda Cuckoo Búsqueda Cuckoo (CS) imita el comportamiento inquietante de algunas especies de aves que utilizan de acogida para poner sus huevos y criar a sus polluelos. Este algoritmoYang X.-S. and Deb S. (December 2009). "Cuckoo search via Lévy flights". World Congress on Nature & Biologically Inspired Computing (NaBIC 2009). IEEE Publications. pp. 210–214. arXiv:1003.1594v1. de búsqueda se ha mejorado con los vuelos de Lévy con pasos de salto extraídas de distribución de Lévy.http://www.sciencedaily.com/releases/2010/05/100527213816.htm Los estudios recientes sugieren que el BC puede superar a otros algoritmos como la optimización de enjambre de partículas. Por ejemplo, una comparación de la búsqueda de Cuckoo con PSO, DE y ABC sugieren que el CS y los algoritmos DE proporcionar resultados más sólidos que PSO y ABC.Civicioglu, P., and Besdok, E., (2011), A conception comparison of the cuckoo search, particle swarm optimization, differential evolution and artificial bee colony algorithms, Artificial Intelligence Review, DOI 10.1007/s10462-011-92760, 6 July (2011).
Algoritmo de búsqueda diferencial Algoritmo de búsqueda diferencial (DSA) inspirado por la migración de superorganismos. El éxito de la solución de problemas de las dietas se compara con el éxito de los algoritmos ABC, JDE, JADE, SADE, EPSDE, GSA, PSO2011 y CMA-ES para la solución de problemas de optimización numéricos en 2012. El enlace del código de Matlab se ha proporcionado en Çivicioglu, P., (2012).
Algoritmo firefly El algoritmo firefly (FA) está inspirado en el comportamiento intermitente de las luciérnagas. La intensidad de luz está asociada con el atractivo de una luciérnaga, la capacidad para subdividir en pequeños grupos y cada subgrupo enjambre alrededor de los modos locales. Por lo tanto, el algoritmo de luciérnaga está especialmente indicado para problemas de optimización multimodal.Yang X. S., (2008). Nature-Inspired Metaheuristic Algorithms. Frome: Luniver Press. ISBN 1-905986-10-6. De hecho, FA se ha aplicado en la optimización continua, problema del viajante, clustering, procesamiento de imágenes y selección de características.
Optimización enjambre de luciérnagas