Swarm Intelligence

ذكاء السرب (SI) هو السلوك الجماعي للأنظمة اللامركزية ذاتية التنظيم، حيث يحل عدد كبير من العوامل البسيطة، التي يتبع كل منها قواعد محلية من دون قائد، مشكلات لا يستطيع أي منها حلها بمفرده. تجد مستعمرات النمل طرقًا قصيرة إلى الطعام، وتنعطف أسراب الطيور كوحدة واحدة، وتبني النمل الأبيض أكوامًا جيدة التهوية، من دون أن يمتلك أي فرد خطة. وقد صاغ جيراردو بيني وجينغ وانغ المصطلح عام 1989 لوصف الأنظمة الروبوتية الخلوية. وفي الذكاء الاصطناعي (AI)، لذكاء السرب فرعان رئيسيان: خوارزميات تحسين تحاكي هذه التجمعات برمجيًا، وروبوتات أسراب تنسق العديد من الروبوتات المادية بالطريقة نفسها.

المبادئ الأساسية#

تتشارك أنظمة الأسراب بعض الخصائص:

• التفاعل المحلي: يستشعر كل عامل جيرانه ومحيطه المباشر فحسب، ويتفاعل معهما.
• التنظيم الذاتي: تنشأ الأنماط العامة، مثل شكل السرب أو شبكة المسارات في المستعمرة، من تكرار التفاعلات المحلية بدلًا من خطة مركزية.
• المتانة: يواصل السرب عمله عند تعطل الأفراد، لأن أي عامل ليس أساسيًا بمفرده.
• قابلية التوسع: تؤدي إضافة عوامل إلى زيادة القدرة من دون الحاجة إلى إعادة تصميم منطق التحكم.

يمكن أن يكون التنسيق مباشرًا أو غير مباشر. ينتج نموذج boids الذي وضعه كريغ رينولدز عام 1986 سلوكًا واقعيًا لسرب الطيور من ثلاث قواعد مباشرة: التباعد (تجنب ازدحام الجيران)، والمحاذاة (التوجيه نحو متوسط اتجاههم)، والتماسك (التوجيه نحو متوسط مواقعهم). وينسق النمل سلوكه بصورة غير مباشرة عبر التنسيق بالأثر: إذ يغيّر كل نمل البيئة بإيداع الفيرومون، ويستجيب الآخرون للبيئة بعد تعديلها.

خوارزميات تحسين الأسراب#

تبحث خوارزميات التحسين المستوحاة من الأسراب في فضاءات حلول كبيرة باستخدام مجموعة من الحلول المرشحة التي تتبادل المعلومات. وهي لا تحتاج إلا إلى وسيلة لتقييم الحل المرشح، لا إلى تدرّجه، لذا تناسب المسائل المشوشة أو غير القابلة للاشتقاق أو التوافقية.

تحل خوارزمية مستعمرة النمل (ACO)، التي قدمها Marco Dorigo في أطروحته للدكتوراه عام 1992، مسائل التوجيه والجدولة مثل مسألة البائع المتجول. يبني النمل الاصطناعي المسارات حافةً تلو الأخرى، مفضّلًا الحواف ذات الفيرومون الأكثر؛ وتتلقى المسارات الأقصر كمية أكبر من الفيرومون، بينما يزيل التبخر تدريجيًا الآثار التي لا تتعزز، ما يمنع المستعمرة من الانحياز إلى مسار متوسط مبكرًا:

تعمل خوارزمية تحسين سرب الجسيمات (PSO)، التي قدمها جيمس كينيدي وراسل إبرهارت عام 1995، في فضاءات مستمرة. لكل جسيم موقع وسرعة، ويتذكر أفضل موقع وجده، ويعرف أفضل موقع وجده السرب؛ وفي كل خطوة تمزج سرعته زخمه الحالي بقوة جذب عشوائية نحو كل من هذين الموقعين الأفضل. يستخدم مثال NumPy هذا 30 جسيمًا لتقليل دالة راستريغن، التي تحتجز خوارزميات البحث المحلي البسيطة بشبكة من النقاط الدنيا المحلية:

import numpy as np

rng = np.random.default_rng(0)


def rastrigin(x):
    """Bumpy test function with many local minima and a global minimum of 0 at the origin."""
    return 10 * x.shape[-1] + (x**2 - 10 * np.cos(2 * np.pi * x)).sum(axis=-1)


pos = rng.uniform(-5, 5, (30, 2))  # 30 particles in a 2-D search space
vel = np.zeros_like(pos)
best_pos, best_val = pos.copy(), rastrigin(pos)  # each particle's personal best
start = best_val.min()
for _ in range(100):
    swarm_best = best_pos[best_val.argmin()]  # best position any particle has found
    r1, r2 = rng.random((2, 30, 1))
    # Inertia + pull toward the particle's own best + pull toward the swarm's best
    vel = 0.7 * vel + 1.5 * r1 * (best_pos - pos) + 1.5 * r2 * (swarm_best - pos)
    pos = pos + vel
    val = rastrigin(pos)
    improved = val < best_val
    best_pos[improved], best_val[improved] = pos[improved], val[improved]

print(f"Best value: {start:.3f} at the start, {best_val.min():.6f} after 100 iterations")

تنخفض أفضل قيمة للسرب من 9.633 بين مواقع البداية العشوائية إلى 0.000000، وهي القيمة الدنيا العالمية عند نقطة الأصل. ومع بذور عشوائية أخرى، يستقر السرب أحيانًا عند نقطة دنيا محلية مجاورة قيمتها 0.995؛ وهذا هو التقارب المبكر الذي تحد منه إصدارات PSO باستخدام أسراب أكبر أو إعادة البدء أو طوبولوجيات الجوار التي تبطئ انتشار أفضل موقع عالمي. في التعلّم الآلي، تُستخدم PSO في ضبط المعلمات الفائقة واختيار السمات والبحث عن البنى العصبية، حيث لا تتوفر التدرّجات.

ذكاء السرب ومفاهيم ذات صلة#

• الخوارزميات التطورية: تحسّن هذه الخوارزميات مجموعةً من الأفراد عبر الانتقاء والعبور والطفرات، وتستبدل الأفراد في كل جيل. أما جسيمات PSO فتبقى وتتحسن بتبادل المعلومات عن المواقع الجيدة.
• التعلّم التجميعي: يجمع تنبؤات عدة نماذج مدرّبة في مخرج واحد عند وقت التنبؤ. أما عوامل السرب فتتبادل المعلومات طوال عملية البحث، وتغير سلوكها استجابةً لذلك.
• الأنظمة متعددة العوامل: المجال الأوسع للعوامل المتفاعلة، التي قد تكون متطورة أو منسقة مركزيًا أو متنافسة. وذكاء السرب هو الحالة التي تضم عددًا كبيرًا من العوامل البسيطة المتعاونة ذات المعلومات المحلية فقط.

روبوتات الأسراب والرؤية#

يطبق علم روبوتات الأسراب المبادئ نفسها على آلات مادية، تكون كل منها بسيطة ومنخفضة التكلفة. وتستخدم أسراب الطائرات المسيّرة المخصصة للبحث ورسم الخرائط والزراعة تنسيقًا لامركزيًا، كي تواصل المجموعة عملها عند تعطل طائرات مسيّرة فردية أو فقدان الاتصال بها. ويمكن لكل عامل تشغيل كاشف مدمج مثل Ultralytics YOLO26 على متن الجهاز، ومشاركة رسائل كشف موجزة فحسب، مثل فئة الجسم وموقعه، مع جيرانه بدلًا من بث الفيديو إلى محطة أرضية. تبدو عروض الأضواء بالطائرات المسيّرة كالأسراب، لكنها تطير في مسارات يحسبها مسبقًا مخطّط مركزي، من دون أن تستجيب أي طائرة لجيرانها. ويعمل التنظيم الذاتي على نطاق واسع: ففي عام 2014، برمج باحثون في جامعة هارفارد 1,024 روبوتًا من نوع Kilobot، وهي روبوتات صغيرة تتحرك بأرجل مهتزة، لتتجمع في أشكال مثل نجمة ومفتاح ربط وحرف K باستخدام رسائل الأشعة تحت الحمراء المتبادلة بين الجيران فقط.