Топ-100
Indietro

ⓘ Swarm intelligence



Swarm intelligence
                                     

ⓘ Swarm intelligence

La swarm intelligence è un termine coniato per la prima volta nel 1988 da Gerardo Beni, Susan Hackwood e Jing Wang in seguito a un progetto ispirato ai sistemi robotici. Esso prende in considerazione lo studio dei sistemi auto-organizzati, nei quali unazione complessa deriva da unintelligenza collettiva, come accade in natura nel caso di colonie di insetti o stormi di uccelli, oppure banchi di pesci, o mandrie di mammiferi. Secondo la definizione di Beni e Watt la swarm intelligence può essere definita come:" Proprietà di un sistema in cui il comportamento collettivo di agenti che interagiscono localmente con lambiente produce lemergere di pattern funzionali globali nel sistema”.

Caratteristiche

  • Ogni individuo del sistema non conosce lo stato globale del sistema;
  • Assenza di un ente coordinatore ad esempio in uno sciame di api, lape regina non coordina lattività delle altre api.
  • Ogni individuo del sistema dispone di" capacità limitate”;
                                     

1. Dalla biologia allinformatica

Uno dei temi analizzati dai ricercatori si basa sullanalisi del comportamento in natura degli insetti rispetto alla collettività. In particolare, si prendono in esame sciami di api, oppure colonie di formiche. Stupisce come una tale organizzazione collettiva di alto livello scaturisca dalla somma delle più semplici azioni, come, ad esempio, quelle svolte da una colonia di formiche per difendere il territorio, costruire un nido perfettamente organizzato, ricercare fonti alimentari, il tutto senza avere un ente simbolico che li comandi. A differenza di organismi più evoluti, come ad esempio i mammiferi, gli insetti hanno quantità molto limitata di intelligenza singola, che però, a livello di gruppo, presenta caratteristiche sorprendenti: è il caso della ricerca del cibo delle formiche. Ogni formica, mentre cammina, deposita sul terreno una sostanza chimica, il feromone. La scelta del percorso da seguire alla ricerca del cibo è guidata dallintensità del feromone: più esso è intenso, più è probabile che venga scelta una determinata direzione; ma il feromone evapora nel tempo, quindi rimarranno "marcati" solo i percorsi usati più di frequente. In ambito informatico, la ricerca è interessata alla simulazione di un comportamento intelligente analogo a quello esibito da sciami di insetti. Laspetto più interessante dei sistemi basati sulla swarm intelligence, rispetto ai sistemi tradizionali, è che linsieme degli individui che lo compongono lavora senza un controllo centralizzato. Il comportamento collettivo osservabile è, quindi, il frutto delle semplici iterazioni che ha un singolo componente verso gli altri oppure verso lambiente.

                                     

2. I-Swarm

Il progetto I-Swarm Intelligent Small World Autonomous Robots for Micromanipulation, di cui fanno parte 10 partner europei, rappresenta il primo tentativo di replicare un robot autonomo di dimensioni millimetriche con lo scopo di realizzare "Uno sciame di microrobot". Tale sciame prende riferimento da ciò che viene in natura dando luogo a fenomeni di auto organizzazione. La Swarm Robotic robotica di sciame mira, infatti, alla programmazione di un grande gruppo di robot con il fine di organizzare comportamenti collettivi utili per lo scopo desiderato, evidenziando ciò che viene definita "intelligenza di sciame". La strategia adottata si basa sullosservazione degli sciami in natura. I vantaggi principali sono i seguenti:

  • Adattabilità ambiente;
  • Flessibilità;
  • Robustezza del sistema.
  • Auto organizzazione;

In pratica prendono le migliori caratteristiche degli Swarm. Grazie a recenti sviluppi della miniaturizzazione e della microtecnologia, è stato possibile riuscire a produrre ed assemblare "masse di micro robot". Questa è una caratteristica fondamentale in quanto i micro robot hanno bisogno di operare in gruppo, al fine dello svolgimento di un compito. In futuro, grazie a tale tecnologia, si potrà utilizzare la Swarm Robotic in vari ambiti, come ad esempio:

  • Esplorazione spaziale;
  • Biomedicina.
  • Monitoraggio ambientale sia per quanto riguarda la sicurezza che per quanto riguarda lesplorazione di luoghi inaccessibili alluomo;
  • Assemblaggio di micro dispositivi;
                                     

2.1. I-Swarm Prototipi dellI-Swarm

Attualmente nel progetto I-Swarm sono stati sviluppati alcuni prototipi di dimensioni 3 mm 3 in fase di collaudo. Essi sono costituiti da alcuni moduli funzionali miniaturizzati e assemblati uno sopra laltro collegati attraverso un circuito flessibile. Ricava unenergia attraverso la luce per mezzo di piccole celle solari miniaturizzate. Il movimento è affidato a delle microscopiche zampe composte da materiale piezo-elettrico che vengono azionate e comandate da un microprocessore integrato che ne determina anche la direzione di moto. Per comunicare, questi micro robot dispongono di un sistema di infrarossi che permette la trasmissione di informazioni sullo spostamento tra le singole entità dello sciame, è presente anche unantenna che funge come sensore di contatto. Sebbene questi prototipi non sono ancora operativi, è importante sottolineare il fatto che sono molto importanti per quanto riguarda lo sviluppo di metodi di produzione dassemblaggio di chip robot.



                                     

3. Stigmergia

"La stigmergia è una forma di comunicazione che avviene alterando lo stato dellambiente in un modo che influenzerà il comportamento degli altri individui per i quali lambiente stesso è uno stimolo.".

Il termine stigmergia fu introdotto dallo zoologo Pierre-Paul Grassè, al fine di spiegare il comportamento delle termiti durante la costruzione dei nidi; esso deriva dalle parole greche" stigma” ed" ergon”, cioè" segno” e" lavoro”, il che significa "lavoro guidato da stimoli". La stigmergia fornisce una visione ad alto livello in cui N agenti cooperano per raggiungere un qualche obiettivo, si ottiene quindi un meccanismo generale che relaziona il comportamento individuale con quello della colonia. La Stigmergia può essere attiva o passiva e in genere presenta le seguenti caratteristiche:

  • Velocità;
  • Scalabilità;
  • Modularità;
  • Tolleranza ai guasti;
  • Adattabilità;
  • Autonomia;
  • Parallelismo.

La struttura fortemente parallela degli sciami, permette di sfruttare il numero degli individui, effettivamente disponibili ad ogni istante di tempo, capaci di percepire lambiente ed interagire con esso. La comunicazione mediata dallambiente è un esempio di stigmergia: dal momento che il peso della comunicazione non aumenta al variare delle dimensioni del gruppo, la stigmergia consente grande scalabilità, infatti la dimensione di uno sciame può variare senza che questo alteri significativamente la vita della colonia, per esempio nel caso di guasti o malfunzionamenti. In robotica, il coordinamento dei componenti stigmergici allinterno del sistema è gestito da un agente hardware intelligente smart agent.

                                     

3.1. Stigmergia Stigmergia e tolleranza ai guasti

In ogni applicazione swarm, il" comportamento della colonia” dipende dalle interazioni fra i singoli individui che la compongono. Lo smart agent è in grado di percepire lambiente circostante e di prendere decisioni in merito al quantitativo di informazioni da trasferire. Esso è in grado di trasferire dati solo dalla propria memoria. Si ha una ’stigmergia attiva’, quando avviene unesplicita movimentazione dei dati. Il carico di lavoro è distribuito in modo che il maggior numero possibile di enti disponibili possa essere coinvolto nel processo, di conseguenza si sfrutta al massimo la piattaforma computazionale ad ogni istante, riducendo i ritardi di elaborazione anche in presenza di elementi guasti. I comportamenti collettivi permettono di ottenere tolleranza ai guasti. Si utilizza lalgoritmo di cell exclusion. Sono stati sviluppati due meccanismi di cell exclusion. Uno di essi è il" bypass”: il componente guasto diventa" trasparente”, cosicché i dati provenienti dagli altri enti non possono essere caricati nella memoria del componente difettoso, rimanendo comunque disponibili per tutta la colonia. Il secondo meccanismo consiste nellisolare completamente lelemento guasto, bloccando le sue porte di I/O. In questo caso, il comportamento stigmergico è molto utile per sfruttare tutti i componenti sani del sistema, superando così le difficoltà legate al numero ridotto di componenti disponibili.

                                     

4.1. Algoritmi di Swarm ACO

Lo studio sulla swarm intelligence ha portato alla formazione dellalgoritmo ACO Ant Colony Optimization, introdotto per la prima volta nel 1992 da Marco Dorigo del Politecnico di Milano. Esso viene utilizzato per la risoluzione di problemi di complessa computazione. Lidea di base di questo algoritmo prende spunto dallorganizzazione di una colonia di formiche, si usa infatti un meccanismo di feedback positivo come una sorta di "feromone virtuale", per rafforzare quelle parti di soluzione che contribuiscono alla risoluzione del problema. Per evitare invece la convergenza verso opzioni non idonee, viene utilizzato un meccanismo di feedback negativo ad esempio levaporizzazione del feromone virtuale che introduce una componente temporale nellalgoritmo. Il punto di forza dellACO consiste quindi nella creazione di un" sistema intelligente distribuito”. Ciò significa che le scelte adottate non sono prese da ununica entità che lavora al problema, bensì da una colonia, che agisce autonomamente e per mezzo dei feromoni riesce a condividere le soluzioni appena vengono trovate, adattandosi dinamicamente allambiente. Un esempio di applicazione in cui poter sfruttare questo algoritmo è il routing di telecomunicazioni, infatti tramite lACO si potrebbe ottimizzare la scelta del miglior percorso di trasmissione dati.



                                     

4.2. Algoritmi di Swarm PSO

Lalgoritmo PSO Particle Swarm Optimization è stato implementato nel 1995 dallo psicosociologo James Kennedy e dallingegnere Russell C. Eberhart. Esso prende come punti di riferimento il comportamento di stormi di uccelli e banchi di pesci. Prendiamo in considerazione la ricerca di cibo da parte di uno stormo di uccelli. Se un singolo individuo avvista del cibo, ha due alternative: una individuale che consiste nellallontanarsi dal gruppo per avvicinarsi alla fonte di cibo e laltra è quella di rimanere nello stormo. Se però accade che più di un uccello si accorge della fonte di cibo, è possibile che tutto lo stormo cambi direzione in quanto è avvenuta una "propagazione di informazione" nella collettività. Vi è quindi una sorta di compromesso tra individualismo e collettività che genera dei benefici, in quanto i singoli individui sono influenzati dalle azioni reciproche. In questo contesto ricopre un ruolo molto importante anche la "vicinanza", in quanto permette un flusso di informazione globale.

                                     

4.3. Algoritmi di Swarm FSO

Tale algoritmo prende le origini da un lavoro di, nel quale viene proposta una "social behavior", che sembra essere alla base del volo degli uccelli. Tale regola semplicemente suggerisce il fatto che gli uccelli in volo mediano la propria velocità rispetto ad altri 7 individui scelti a caso nello stormo.Flock of Starlings Optimization

                                     

5. Applicazioni dellintelligenza di sciame

Principali applicazioni di Swarm Intelligence:

Implementazioni ACO

  • Robotica
  • Problemi di combinatoria
  • Telecomunicazioni

Implementazioni PSO e FSO

  • Reti neurali artificiali
  • Distribuzione dellenergia elettrica
  • Modelli di evoluzione grammaticale

Altre applicazioni:

  • Implementazioni a scopo medico.
  • Controllo di veicoli militari senza pilota
  • Nanobot
  • La programmazione di fabbrica;
  • Controllo decentralizzato dei veicoli senza piloti;

Vi è inoltre unapplicazione di swarm intelligence nella vita artificiale, studiata da Mark Millonas 1994, il quale segue cinque principi base articolati da questultimo:

  • Il principio della risposta differenziata: la popolazione non dovrebbe svolgere la sua attività attraverso canali eccessivamente stretti.
  • Il principio di adattabilità: la popolazione deve essere in grado di cambiare comportamento quando ne va del costo computazionale.
  • Il principio di qualità: la popolazione dovrebbe essere in grado di rispondere a fattori di qualità nellambiente.
  • Il principio di prossimità: la popolazione dovrebbe essere in grado di portare avanti semplici computazioni spaziali e temporali.
  • Il principio di stabilità: la popolazione non dovrebbe cambiare il suo modo di comportarsi ogni volta che cambia lambiente.
Free and no ads
no need to download or install

Pino - logical board game which is based on tactics and strategy. In general this is a remix of chess, checkers and corners. The game develops imagination, concentration, teaches how to solve tasks, plan their own actions and of course to think logically. It does not matter how much pieces you have, the main thing is how they are placement!

online intellectual game →