Schwarmintelligenz – Enzyklopädie

Schwarmintelligenz ( SI ) ist das kollektive Verhalten von dezentralen, selbstorganisierten natürlichen oder künstlichen Systemen. Das Konzept wird in der Arbeit an künstlicher Intelligenz angewendet. Der Ausdruck wurde 1989 von Gerardo Beni und Jing Wang im Zusammenhang mit zellularen 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 zentrale 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 Individuum unbekannt ist Agenten. Beispiele für Schwarmintelligenz in natürlichen Systemen sind Ameisenkolonien, Vogelschwarm, Falkenjagd, Tierhaltung, Bakterienwachstum, Fischschwarmbildung und mikrobielle Intelligenz.

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

Table of Contents

Modelle des Schwarmverhaltens

Boids (Reynolds 1987)

Boids ist ein künstliches Lebensprogramm, das entwickelt wurde von Craig Reynolds im Jahr 1986, der das Flockverhalten von Vögeln simuliert. Sein Aufsatz zu diesem Thema wurde 1987 im Rahmen der Konferenz ACM SIGGRAPH veröffentlicht. [3]
Der Name "boid" entspricht einer Kurzfassung von "bird-oid object", die sich auf ein vogelähnliches Objekt bezieht. [4]

Wie bei den meisten künstlichen Lebenssimulationen 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 einen Satz einfacher Regeln halten. In der einfachsten Boids-Welt gelten folgende Regeln:

  • Trennung : Lenken, um zu vermeiden, dass sich lokale Herdenmitglieder überfüllen
  • Ausrichtung : Lenken in Richtung der durchschnittlichen Richtung lokaler Herdenmitglieder
  • Zusammenhalt : Lenken, um sich in Richtung der durchschnittlichen Position (Massenmittelpunkt) zu bewegen von lokalen Herdenkameraden

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

Selbstfahrende Partikel (Vicsek et al. . 1995) [

Selbstfahrende Partikel (SPP), auch als bezeichnet ] Vicsek-Modell wurde 1995 von Vicsek et al. [5] als Spezialfall des 1986 von Reynolds eingeführten Boids-Modells eingeführt. [3] Ein Schwarm wird in SPP durch eine Sammlung von Partikeln modelliert Diese bewegen sich mit konstanter Geschwindigkeit, reagieren jedoch auf eine zufällige Störung, indem sie zu jedem Zeitpunkt die durchschnittliche Bewegungsrichtung der anderen Partikel in ihrer lokalen Nachbarschaft inkrementieren. [6] SPP-Modelle sagen voraus, dass schwärmende Tiere bestimmte Eigenschaften auf Gruppenebene aufweisen, unabhängig davon von der Art der Tiere im Schwarm. [7] Schwarmsysteme führen zu aufkommenden Verhaltensweisen, die in vielen verschiedenen Maßstäben auftreten, von denen sich einige als sowohl universell als auch robust herausstellen. In der theoretischen Physik ist es zu einer Herausforderung geworden, statistische Minimalmodelle zu finden, die diese Verhaltensweisen erfassen. [8][9][10]

Metaheuristik

Evolutionäre Algorithmen (EA), Partikelschwarmoptimierung (PSO), Differential Evolution (DE), Ameisenvölkeroptimierung (ACO) und ihre Varianten dominieren das Gebiet der naturinspirierten Metaheuristik. [11] Diese Liste enthält Algorithmen, die bis etwa zum Jahr 2000 veröffentlicht wurden In der Forschungsgemeinschaft wurde zunehmend Kritik laut, weil sie ihre mangelnde Neuheit hinter einer aufwändigen Metapher versteckten. Informationen zu seitdem veröffentlichten Algorithmen finden Sie unter Liste der metaphorbasierten Metaheuristiken.

Stochastische Diffusionssuche (Bischof 1989) [

Die 1989 erstmals veröffentlichte stochastische Diffusionssuche (SDS) [12][13] war die erste Schwarmintelligenz-Metaheuristik. SDS ist eine agentenbasierte probabilistische globale Such- und Optimierungstechnik, die sich am besten für Probleme eignet, bei denen die Zielfunktion in mehrere unabhängige Teilfunktionen zerlegt werden kann. Jeder Agent unterhält eine Hypothese, 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. Anders als bei der stigmergischen Kommunikation in ACO kommunizieren SDS-Agenten Hypothesen über eine Eins-zu-Eins-Kommunikationsstrategie, die dem in Leptothorax acervorum beobachteten Tandem-Laufverfahren entspricht. [14] Ein positiver Rückkopplungsmechanismus stellt sicher, dass im Laufe der Zeit eine Population von Agenten besteht stabilisieren rund um die global beste lösung. SDS ist ein effizienter und robuster globaler Such- und Optimierungsalgorithmus, der ausführlich mathematisch beschrieben wurde. [15][16][17] In jüngster Zeit wurden die globalen Sucheigenschaften von SDS mit anderen Algorithmen für die Schwarmintelligenz zusammengeführt. [18][19]

Optimierung von Ameisenkolonien (Dorigo 1992) [ edit ]

Die von Dorigo in seiner Dissertation eingeführte Ameisenkolonieoptimierung (ACO) ist eine Klasse von Optimierungsalgorithmen, die den Aktionen einer Ameisenkolonie nachempfunden sind. ACO ist eine probabilistische Technik, die sich bei Problemen eignet, 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 und lenken sich gegenseitig auf Ressourcen, 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. [20]

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 Fläche in einem n-dimensionalen Raum dargestellt werden kann. In diesem Raum werden Hypothesen geplottet und mit einer Anfangsgeschwindigkeit sowie einem Kommunikationskanal zwischen den Partikeln ausgesät. [21][22] Partikel bewegen sich dann durch den Lösungsraum und werden nach jedem Zeitschritt nach einem Fitnesskriterium bewertet. Mit der Zeit werden Partikel in Richtung der Partikel in ihrer Kommunikationsgruppe beschleunigt, die bessere Fitnesswerte aufweisen. Der Hauptvorteil eines solchen Ansatzes gegenüber anderen globalen Minimierungsstrategien wie simuliertem Tempern besteht darin, dass die große Anzahl von Elementen, aus denen der Partikelschwarm besteht, die Technik beeindruckend widerstandsfähig gegenüber dem Problem lokaler Minima macht.

Künstliche Schwarmintelligenz (2015) [

Künstliche Schwarmintelligenz (ASI) ist eine Methode zur Verstärkung der kollektiven Intelligenz vernetzter menschlicher Gruppen mithilfe von Kontrollalgorithmen, die natürlichen Schwärmen nachempfunden sind. Mitunter als Human Swarming oder Swarm AI bezeichnet, verbindet die Technologie Gruppen von menschlichen Teilnehmern zu Echtzeitsystemen, die über Lösungen als dynamische Schwärme nachdenken und diese konvergieren, wenn sie gleichzeitig mit einer Frage beantwortet werden. [23][24][25] ASI wurde für eine Vielzahl von Anwendungen eingesetzt Von der Möglichkeit für Business-Teams, hochpräzise Finanzprognosen zu erstellen [26] bis zur Möglichkeit für Sportfans, die Wettmärkte in Vegas zu übertreffen. [27] Mithilfe von ASI konnten auch Gruppen von Ärzten Diagnosen mit einer wesentlich höheren Genauigkeit als mit herkömmlichen Methoden erstellen. [28][29]

] Anwendungen Bearbeiten

Auf Schwarmintelligenz basierende Techniken können in einer Reihe von Anwendungen verwendet werden. Das US-Militär untersucht Schwarmtechniken zur Steuerung unbemannter Fahrzeuge. Die Europäische Weltraumagentur denkt über einen Orbitalschwarm zur Selbstorganisation und Interferometrie nach. Die NASA untersucht die Verwendung der Schwarmtechnologie für die Planetenkartierung. In einem Artikel von M. Anthony Lewis und George A. Bekey aus dem Jahr 1992 wird die Möglichkeit diskutiert, mit Hilfe von Schwarmintelligenz Nanobots im Körper abzutöten, um Krebstumoren abzutöten. [30] Umgekehrt haben al-Rifaie und Aber die stochastische Diffusionssuche zur Unterstützung herangezogen Tumore lokalisieren. [31][32] Schwarmintelligenz wurde auch für Data Mining angewendet. [33] Ameisenbasierte Modelle sind ein weiteres Thema der modernen Managementtheorie. [34]

Ameisenbasiertes Routing. 19659041] Die Verwendung von Schwarmintelligenz in Telekommunikationsnetzen wurde auch in Form von Ant-based Routing untersucht. Dies wurde von Dorigo et al. und Hewlett Packard Mitte der neunziger Jahre mit einer Reihe von Varianten. Grundsätzlich wird eine probabilistische Routingtabelle verwendet, die die Route belohnt / verstärkt, die von jeder "Ameise" (einem kleinen Kontrollpaket), die das Netzwerk überflutet, erfolgreich durchquert wird. Die Verstärkung der Route in Vorwärts- und 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 keine Wiederholbarkeit aufweist, gibt es große Hürden für den kommerziellen Einsatz. Mobile Medien und neue Technologien können die Schwelle für kollektives Handeln aufgrund von Schwarmintelligenz verändern (Rheingold: 2002, S. 175).

Der Standort der Übertragungsinfrastruktur für drahtlose Kommunikationsnetze ist ein wichtiges technisches Problem, das mit konkurrierenden Zielen einhergeht. Eine minimale Auswahl an Standorten (oder Standorten) ist erforderlich, sofern die Benutzer eine ausreichende Flächendeckung haben. Ein von Ameisen inspirierter Algorithmus für die Schwarmintelligenz, die stochastische Diffusionssuche (Stochastic Diffusion Search, SDS), wurde erfolgreich eingesetzt, um ein allgemeines Modell für dieses Problem im Zusammenhang mit der Kreispackung und der Mengenabdeckung zu erstellen. Es hat sich gezeigt, dass mit dem SDS auch für große Problemfälle geeignete Lösungen identifiziert werden können. [35]

Fluggesellschaften haben bei der Zuordnung von Flugzeugankünften zu Flughafentoren auch das Ameisen-Routing eingesetzt. Bei Southwest Airlines verwendet ein Softwareprogramm die Schwarmtheorie oder die Schwarmintelligenz – die Idee, dass eine Ameisenkolonie besser funktioniert als eine allein. Jeder Pilot verhält sich wie eine Ameise, die das beste Flughafentor sucht. "Der Pilot lernt aus seiner Erfahrung, was das Beste für ihn 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, die sie schnell erreichen und wieder verlassen können. Das Programm kann sogar einen Piloten auf Flugzeug-Backups aufmerksam machen, bevor diese stattfinden. "Wir können davon ausgehen, dass es passieren wird, also werden wir ein Tor zur Verfügung haben", sagt Lawson. [36]

Crowd Simulation edit

Künstler verwenden die Schwarmtechnologie als Mittel zur Schaffung komplexer interaktiver Systeme oder zur Simulation von Menschenmengen.

Stanley und Stella in: Breaking the Ice 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 Returns nutzten ebenfalls die Schwarmtechnologie, um die Bewegungen einer Gruppe von Fledermäusen darzustellen. Der Herr der Ringe In der Filmtrilogie wurde während der Kampfszenen eine ähnliche Technologie, die so genannte Massive, eingesetzt. 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 Southwest Airlines-Forscher Douglas A. Lawson verwendete eine Ameisen-basierte Computersimulation, bei der nur sechs Interaktionsregeln zur Bewertung der Boarding-Zeiten mithilfe verschiedener Boarding-Methoden verwendet wurden (Miller, 2010, xii-xviii). [37]

Menschenschwarm bearbeiten ]

 KI-System für Schwärme, Beantwortung einer Frage in Echtzeit

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

Durch Vermittlung von Software wie der SWARM-Plattform (formal unu) von Unanimous AI können Netzwerke verteilter Benutzer durch die Implementierung einer Echtzeit-Regelung zu "menschlichen Schwärmen" organisiert werden Systeme. [38][39][40][39] 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. [41] Eine solche Es wurde gezeigt, dass Systeme, die auch als "Artificial Swarm Intelligence" (oder als Markenname Swarm AI) bezeichnet werden, die menschliche Intelligenz signifikant verstärken, [42][43][24] was zu einer Reihe hochkarätiger Vorhersagen von extremer Genauigkeit führt. [44][45][46][47][39][27] Dass menschliche Schwärme Individuen über eine Vielzahl realer Projektionen hinweg vorhersagen können. [48][49][40][50][51] Bekanntermaßen wurde das Kentucky Derby Superfecta mit einer Wahrscheinlichkeit von 541 zu 1 als Reaktion auf eine Herausforderung von Reportern durch menschliches Schwärmen korrekt vorhergesagt. ] [52]

Medizinische Verwendung des menschlichen Schwarms – 2018 veröffentlichten die Stanford University School of Medicine und die Einstimmige KI Studien, die zeigen, dass Gruppen von menschlichen Ärzten, wenn sie durch Echtzeit-Schwarmalgorithmen miteinander verbunden sind, medizinische Zustände diagnostizieren können mit wesentlich höherer Genauigkeit als einzelne Ärzte oder Gruppen von Ärzten, die nach traditionellen Crowd-Sourcing-Methoden zusammenarbeiten. In einer solchen Studie wurden Schwärme von menschlichen Radiologen, die über die SWARM-Plattform miteinander verbunden waren, mit der Diagnose von Röntgenaufnahmen des Brustkorbs beauftragt und zeigten eine 33% ige Verringerung der Diagnosefehler im Vergleich zu den herkömmlichen menschlichen Methoden und eine 22% ige Verbesserung gegenüber dem herkömmlichen maschinellen Lernen . [28][53][54][55][29]

Schwarmgrammatiken

Schwarmgrammatiken sind Schwärme stochastischer Grammatiken, die entwickelt werden können, um komplexe Eigenschaften zu beschreiben, wie sie in Kunst und Architektur zu finden sind. [56] Diese Grammatiken interagieren als Agenten, die sich nach Regeln der Schwarmintelligenz verhalten. Ein solches Verhalten kann auch Deep-Learning-Algorithmen nahe legen, insbesondere wenn die Abbildung solcher Schwärme auf neuronale Schaltkreise in Betracht gezogen wird. [57]

Schwarmkunst

Rifaie et al. [58] haben zwei Schwarmintelligenzalgorithmen erfolgreich eingesetzt – einen, der das Verhalten einer Ameisenspezies ( Leptothorax acervorum ) nachahmt, und einen anderen, der das Verhalten von nachahmt Vogelschwarm (Particle Swarm Optimization, PSO) – beschreibt eine neuartige Integrationsstrategie, bei der die lokalen Sucheigenschaften des PSO mit globalem SDS-Verhalten ausgenutzt werden. Der resultierende hybride Algorithmus wird verwendet, um neuartige Zeichnungen eines Eingabebildes zu skizzieren, wobei eine künstlerische Spannung zwischen dem lokalen Verhalten der "Vogelschwärme" – wie sie der Eingabeskizze folgen sollen – und dem globalen Verhalten der "Ameisenfuttersuche" ausgenutzt wird. wie sie versuchen, die Herde zu ermutigen, neue Regionen der Leinwand zu erkunden. Die "Kreativität" dieses hybriden Schwarmsystems wurde im Kontext von Deleuzes Metapher "Orchidee und Wespe" unter dem philosophischen Gesichtspunkt des "Rhizoms" analysiert. [59]

Eine neuere Arbeit von al-Rifaie et al., "Swarmic Sketches and Attention Mechanism", [60] führen einen neuartigen Ansatz ein, bei dem der Mechanismus der "Aufmerksamkeit" eingesetzt wird, indem SDS angepasst wird, um sich selektiv um detaillierte Bereiche einer digitalen Leinwand zu kümmern. Sobald die Aufmerksamkeit des Schwarms auf eine bestimmte Linie innerhalb der Leinwand gelenkt wurde, wird die Fähigkeit von PSO verwendet, um eine 'schwarmartige Skizze' der besuchten Linie zu erstellen. Die Schwärme bewegen sich auf der digitalen Leinwand, um ihre dynamischen Rollen zu erfüllen – die Aufmerksamkeit auf Bereiche mit mehr Details -, die ihnen über ihre Fitnessfunktion zugeordnet sind. Nachdem der Renderprozess mit den Konzepten der Aufmerksamkeit verknüpft wurde, erstellt die Leistung der teilnehmenden Schwärme jedes Mal, wenn die 'Künstler'-Schwärme mit der Interpretation der eingegebenen Strichzeichnungen beginnen, eine eindeutige, nicht identische Skizze. In anderen Arbeiten, in denen PSO für den Skizzierprozess verantwortlich ist, kontrolliert SDS die Aufmerksamkeit des Schwarms.

In einer ähnlichen Arbeit, "Swarmic Paintings and Color Attention", [61] werden nicht-fotorealistische Bilder mit dem SDS-Algorithmus erzeugt, der im Rahmen dieser Arbeit für die Farbaufmerksamkeit verantwortlich ist.

Die "rechnerische Kreativität" der oben genannten Systeme wird in [58][62][63] anhand der beiden Voraussetzungen der Kreativität (d. H. Freiheit und Einschränkungen) in den beiden berüchtigten Phasen der Erforschung und Ausbeutung der Schwarmintelligenz erörtert.

Michael Theodore und Nikolaus Correll erforschen mithilfe der Installation von Swarm Intelligent Art, was erforderlich ist, um Systeme naturgetreu erscheinen zu lassen. [64]

Bemerkenswerte Forscher

Siehe auch ] [ bearbeiten ]

Referenzen [ bearbeiten ]

  1. ^ Beni, G., Wang, J. (1993). "Schwarmintelligenz in zellulären Robotersystemen". Weiter. NATO Advanced Workshop zu Robotern und biologischen Systemen, Toskana, Italien, 26.-30. Juni (1989) . S. 703–712. doi: 10.1007 / 978-3-642-58069-7_38. ISBN 978-3-642-63461-1 . CS1-Pflege: 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. ^ a b Reynolds, Craig (1987). Herden und Schulen: Ein verteiltes Verhaltensmodell . SIGGRAPH '87: Proceedings der 14. Jahreskonferenz für 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 .
  4. ^ Banks, Alec; Vincent, Jonathan; Anyakoha, Chukwudi (Juli 2007). "Eine Überprüfung der Partikelschwarmoptimierung. Teil I: Hintergrund und Entwicklung". Natürliches Rechnen . 6 (4): 467–484. CiteSeerX 10.1.1.605.5879 . doi: 10.1007 / s11047-007-9049-5. Vicsek, T .; Czirok, A .; Ben-Jacob, E .; Cohen, I .; Shochet, O. (1995). "Neuartiger Phasenübergang in einem System selbstgetriebener Teilchen". Physical Review Letters . 75 (6): 1226–1229. arXiv: cond-mat / 0611743 . Bibcode: 1995PhRvL..75.1226V. doi: 10.1103 / PhysRevLett.75.1226. PMID 10060237.
  5. ^ Czirók, A .; Vicsek, T. (2006). "Kollektives Verhalten wechselwirkender selbstfahrender Teilchen". Physica A . 281 (1): 17–29. arXiv: cond-mat / 0611742 . Bibcode: 2000PhyA..281 … 17C. doi: 10.1016 / S0378-4371 (00) 00013-3. Buhl, J .; Sumpter, D. J. T .; Couzin, D .; Hale, J. J .; Despland, E .; Miller, E. R .; Simpson, S. J .; 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.
  6. ^ Toner, J .; Tu, Y .; Ramaswamy, S. (2005). "Hydrodynamik und Phasen von Herden" (PDF) . Annals of Physics . 318 (1): 170–244. Bibcode: 2005AnPhy.318..170T. doi: 10.1016 / j.aop.2005.04.011.
  7. ^ Bertin, E .; Droz, M .; Grégoire, G. (2009). "Hydrodynamische Gleichungen für selbstfahrende Partikel: mikroskopische Ableitung und Stabilitätsanalyse". J. Phys. A . 42 (44): 445001. arXiv: 0907.4688 . Bibcode: 2009JPhA … 42R5001B. doi: 10.1088 / 1751-8113 / 42/44/445001.
  8. ^ Li, Y.X .; Lukeman, R .; Edelstein-Keshet, L .; et al. (2007). "Minimale Mechanismen für die Schulbildung in Teilchen mit Eigenantrieb" (PDF) . Physica D: Nichtlineare Phänomene . 237 (5): 699–720. Bibcode: 2008PhyD..237..699L. doi: 10.1016 / j.physd.2007.10.009. [ Permanent Dead Link
  9. ^ Lones, Michael A. (2014). Metaheuristik in naturinspirierten Algorithmen (PDF) . GECCO '14 . S. 1419–1422. CiteSeerX 10.1.1.699.1825 . doi: 10.1145 / 2598394.2609841. ISBN 9781450328814 .
  10. ^ Bishop, J. M., Stochastic Searching Networks, Proc. 1st IEE Int. Conf. on Artificial Neural Networks, S. 329-331, London, UK (1989).
  11. ^ Nasuto, S.J. & Bishop, JM, (2008), Stabilisierung der Suche nach Schwarmintelligenz durch Zuweisung positiver Rückkopplungsressourcen, In: Krasnogor, N., Nikosia, G., Pavone, M., & Pelta, D. (Hrsg.), Nature Inspired Cooperative Strategies for Optimization , Studies in Computational Intelligence, Bd. 129, Springer, Berlin, Heidelberg, New York, S. 115-123.
  12. ^ Moglich, M .; Maschwitz, U .; Holldobler, B., Tandem Calling: Eine neue Art von Signal in der Ameisenkommunikation, Science, Band 186, Ausgabe 4168, S. 1046-1047
  13. ^ Nasuto, SJ, Bishop, JM & Lauria, S., Zeitkomplexitätsanalyse der Stochastic Diffusion Search, Proc. Neural Computation '98, S. 260-266, Wien, Österreich, (1998).
  14. ^ Nasuto, SJ, & Bishop, JM, (1999), Convergence of the Stochastic Diffusion Search, Parallel Algorithms, 14 : 2, S. 89-107.
  15. ^ Myatt, DM, Bishop, JM, Nasuto, SJ, (2004), Minimale stabile Konvergenzkriterien für die stochastische Diffusionssuche, Electronics Letters, S. 22:40. 112-113.
  16. ^ al-Rifaie, MM, Bishop, JM & Blackwell, T., Eine Untersuchung der Fusion von stochastischer Diffusionssuche und Partikelschwarmoptimierung, Proc. 13. Conf. Genetic and Evolutionary Computation (GECCO), S. 37-44 (2012).
  17. ^ al-Rifaie, Mohammad Majid, John Mark Bishop und Tim Blackwell. "Auswirkungen der stochastischen Diffusionssuche auf den Algorithmus der differentiellen Evolution auf den Informationsaustausch." Memetic Computing 4.4 (2012): 327-338.
  18. ^ Ant Colony Optimization von Marco Dorigo und Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3
  19. ^ [19659097] Parsopoulos, KE; Vrahatis, M. N. (2002). "Aktuelle Ansätze für globale Optimierungsprobleme durch Partikelschwarmoptimierung". Natürliches Rechnen . 1 (2-3): 235-306. doi: 10.1023 / A: 1016568309421.
  20. ^ Partikelschwarmoptimierung von Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.
  21. ^ Rosenberg, Louis (2015 -07-20). "Human Swarms, eine Echtzeitmethode für kollektive Intelligenz". 20.07.2015 – 24.07.2015 . The MIT Press: 658–659. doi: 10.7551 / 978-0-262-33027-5-ch117. ISBN 9780262330275 .
  22. ^ a 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 .
  23. ^ Metcalf, Lynn; Askay, David A .; Rosenberg, Louis B. (2019). "Den Menschen auf dem Laufenden halten: Wissen durch künstliche Schwarmintelligenz bündeln, um die Geschäftsentscheidung zu verbessern". California Management Review . 61 (4): 84–109. doi: 10.1177 / 0008125619862256. ISSN 0008-1256.
  24. ^ Schumann, Hans., Rosenberg, Louis., Willcox, Gregg & amp; Pescetelli, Niccolo. (2019). "Human Swarming" erhöht Genauigkeit und ROI bei der Prognose von Finanzmärkten. 10.1109 / HCC.2019.00019.
  25. ^ a b "Wie KI-Systeme Vegas-Quotenmacher bei der Genauigkeit von Sportvorhersagen schlagen". TechRepublic . Abgerufen 2018-09-10 .
  26. ^ a b Scudellari, Megan (2018-09-13). "AI-Human" Hive Mind "diagnostiziert Lungenentzündung". IEEE-Spektrum: Technologie-, Ingenieur- und Wissenschaftsnachrichten . Abgerufen 2019-07-20 .
  27. ^ a b Rosenberg, Louis; Lungren, Matthew; Halabi, Safwan; Willcox, Gregg; Baltaxe, David; Lyons, 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 .
  28. ^ Lewis, M. Anthony; Bekey, George A. "Die verhaltensbezogene Selbstorganisation von Nanorobotern nach lokalen Regeln". Verfahren der Internationalen IEEE / RSJ-Konferenz über intelligente Roboter und Systeme von 1992 .
  29. ^ al-Rifaie, M.M .; Aber, A. "Identifizierung von Metastasen in Knochenscans mit Stochastic Diffusion Search". Proc. IEEE Informationstechnologie in Medizin und Bildung, ITME . 2012 : 519–523.
  30. ^ al-Rifaie, Mohammad Majid, Ahmed Aber und Ahmed Majid Oudah. "Verwendung der stochastischen Diffusionssuche zur Identifizierung von Metastasen in Knochenscans und Mikroverkalkungen auf Mammographien." In Workshops zu Bioinformatik und Biomedizin (BIBMW), 2012 IEEE International Conference on, S. 280-287. IEEE, 2012.
  31. ^ Martens, D .; Baesens, B .; Fawcett, T. (2011). "Redaktionelle Umfrage: Swarm Intelligence for Data Mining". Maschinelles Lernen . 82 (1): 1–42. doi: 10.1007 / s10994-010-5216-5.
  32. ^ Fladerer, Johannes-Paul; Kurzmann, Ernst (November 2019). DIE WEISHEIT DER VIELEN: Wie schafft man Selbstorganisation und wie nutzt man kollektive … Intelligenz in Unternehmen und in der Gesellschaft aus Mana . BÜCHER AUF NACHFRAGE. ISBN 9783750422421 .
  33. ^ Whitaker, R. M., Hurley, S. Ein agentenbasierter Ansatz zur Standortauswahl für drahtlose Netzwerke. Proc ACM Symposium on Applied Computing, S. 574–577 (2002).
  34. ^ "Flugzeuge, Züge und Ameisenhaufen: Informatiker simulieren die Aktivität von Ameisen, um Verspätungen von Fluggesellschaften zu verringern". Science Daily . 1. April 2008. Archiviert nach dem Original vom 24. November 2010 . Abgerufen am 1. Dezember 2010 .
  35. ^ Miller, Peter (2010). The Smart Swarm: Wie das Verstehen von Herden, Schulen und Kolonien uns dabei unterstützen kann, besser zu kommunizieren, Entscheidungen zu treffen und Dinge zu erledigen . New York: Avery. ISBN 978-1-58333-390-7 .
  36. ^ Oxenham, Simon. "Warum Bienen das Geheimnis der übermenschlichen Intelligenz sein könnten" . Abgerufen 2017-01-20 .
  37. ^ a b c "Dieses Startup hat die Oscars, die World Series und den Super Bowl korrekt vorhergesagt. Hier ist, was es als nächstes tut." Inc.com . 2018-06-14 . Abgerufen 10.09.2018 .
  38. ^ a b Rosenberg, L .; Pescetelli, N .; Willcox, G. (Oktober 2017). Künstliche Schwarmintelligenz erhöht die Genauigkeit bei der Vorhersage von Finanzmärkten . IEEE 8. jährliche Konferenz zu Ubiquitous Computing, Elektronik und Mobilkommunikation 2017 (UEMCON) . S. 58–62. doi: 10.1109 / UEMCON.2017.8248984. ISBN 978-1-5386-1104-3 .
  39. ^ http://sites.lsa.umich.edu/collectiveintelligence/wp-content/uploads/sites/176/2015/ 05 / Rosenberg-CI-2015-Abstract.pdf
  40. ^ Metcalf, Lynn; Askay, David A .; Rosenberg, Louis B. (17.07.2019). "Den Menschen auf dem Laufenden halten: Wissen durch künstliche Schwarmintelligenz bündeln, um die Geschäftsentscheidung zu verbessern". California Management Review . 61 (4): 84–109. doi: 10.1177 / 0008125619862256. ISSN 0008-1256. 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 in subjektiven Beurteilungsaufgaben". Fortschritte in Information und Kommunikation . Skript in Netzwerken und Systemen. Springer International Publishing. 70 : 373–383. doi: 10.1007 / 978-3-030-12385-7_29. ISBN 9783030123857 .
  41. ^ "Künstliche Intelligenz macht $ 20 in $ 11.000 in Kentucky Derby Bet". Newsweek . 2016-05-10 . Abgerufen 20.01.2017 .
  42. ^ Burns, Janet. "AI, die den Trifecta gewann, brachte den Super Bowl nach Green Bay – im August". Forbes . Abgerufen 2017-01-20 .
  43. ^ "Human Swarms, eine Echtzeitmethode für kollektive Intelligenz". Archiviert nach dem Original vom 27.10.2015 . Retrieved 2015-10-12 .
  44. ^ "Swarms of Humans Power A.I. Platform". DNews . 2017-05-10.
  45. ^ Rosenberg, L .; Baltaxe, D .; Pescetelli, N. (01.10.2016). Massen 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 .
  46. ^ 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.
  47. ^ Rosenberg, L.; Willcox, G. (June 2018). Artificial Swarms find Social Optima : (Late Breaking Report). 2018 IEEE Conference on Cognitive and Computational Aspects of Situation Management (CogSIMA). pp. 174–178. doi:10.1109/COGSIMA.2018.8423987. ISBN 978-1-5386-5288-6.
  48. ^ Rosenberg, L.; Pescetelli, N. (September 2017). Amplifying prediction accuracy using Swarm A.I. 2017 Intelligent Systems Conference (IntelliSys). pp. 61–65. doi:10.1109/IntelliSys.2017.8324329. ISBN 978-1-5090-6435-9.
  49. ^ "Artificial intelligence turns $20 into $11,000 in Kentucky Derby bet". Newsweek. 2016-05-10. Retrieved 2018-09-10.
  50. ^ "Unanimous AI achieves 22% more accurate pneumonia diagnoses". VentureBeat. 2018-09-10. Retrieved 2019-07-20.
  51. ^ Liu, Fan (2018-09-27). "Artificial swarm intelligence diagnoses pneumonia better than individual computer or doctor". The Stanford Daily. Retrieved 2019-07-20.
  52. ^ "A Swarm of Insight – Radiology Today Magazine". www.radiologytoday.net. Retrieved 2019-07-20.
  53. ^ vonMammen, Sebastian; Jacob, Christian (2009). "The evolution of swarm grammars — growing trees, crafting art and bottom-up design". Computational Intelligence. 4 (3): 10–19. CiteSeerX 10.1.1.384.9486. doi:10.1109/MCI.2009.933096.
  54. ^ du Castel, Bertrand (15 July 2015). "Pattern Activation/Recognition Theory of Mind". Frontiers in Computational Neuroscience. 9 (90): 90. doi:10.3389/fncom.2015.00090. PMC 4502584. PMID 26236228.
  55. ^ a b al-Rifaie, MM; Bishop, J.M.; Caines, S. (2012). "Creativity and Autonomy in Swarm Intelligence Systems" (PDF). Cognitive Computation. 4 (3): 320–331. doi:10.1007/s12559-012-9130-y.
  56. ^ Deleuze G, Guattari F, Massumi B. A thousand plateaus. Minneapolis: University of Minnesota Press; 2004.
  57. ^ Al-Rifaie, Mohammad Majid; Bishop, John Mark (2013). "Swarmic Sketches and Attention Mechanism" (PDF). Evolutionary and Biologically Inspired Music, Sound, Art and Design. Lecture Notes in Computer Science. 7834. pp. 85–96. doi:10.1007/978-3-642-36955-1_8. ISBN 978-3-642-36954-4.
  58. ^ al-Rifaie, Mohammad Majid, and John Mark Bishop. "Swarmic paintings and colour attention". Evolutionary and Biologically Inspired Music, Sound, Art and Design. Springer Berlin Heidelberg, 2013. 97-108.
  59. ^ al-Rifaie, Mohammad Majid, Mark JM Bishop, and Ahmed Aber. "Creative or Not? Birds and Ants Draw with Muscle." Proceedings of AISB'11 Computing and Philosophy (2011): 23-30.
  60. ^ al-Rifaie MM, Bishop M (2013) Swarm intelligence and weak artificial creativity. In: The Association for the Advancement of Artificial Intelligence (AAAI) 2013: Spring Symposium, Stanford University, Palo Alto, California, U.S.A., pp 14–19
  61. ^ N. Correll, N. Farrow, K. Sugawara, M. Theodore (2013): The Swarm Wall: Toward Life’s Uncanny Valley. In: K. Goldberg, H. Knight, P. Salvini (Ed.): IEEE International Conference on Robotics and Automation, Workshop on Art and Robotics: Freud's Unheimlich and the Uncanny Valley.

Further reading[edit]

  • Bonabeau, Eric; Dorigo, Marco; Theraulaz, Guy (1999). Swarm Intelligence: From Natural to Artificial Systems. ISBN 978-0-19-513159-8.
  • Kennedy, James; Eberhart, Russell C. (2001-04-09). Swarm Intelligence. ISBN 978-1-55860-595-4.
  • Engelbrecht, Andries (2005-12-16). Fundamentals of Computational Swarm Intelligence. Wiley & Sons. ISBN 978-0-470-09191-3.

External links[edit]