ذكاء السرب

المبادئ الأساسية

تتميز أنظمة ذكاء السرب عادةً بعدة مبادئ رئيسية:

• التحكم اللامركزي: لا يوجد منسق مركزي يملي سلوك الوكلاء الفرديين. يتم توزيع التحكم عبر السرب.
• وكلاء بسيطون: يعمل كل وكيل في السرب بناءً على مجموعة بسيطة نسبيًا من القواعد.
• التفاعلات المحلية: تتفاعل الوكلاء في المقام الأول مع جيرانهم القريبين والبيئة المحلية. تنبثق الأنماط العالمية من هذه التفاعلات المحلية.
• التنظيم الذاتي: ينشأ السلوك المعقد والمنسق تلقائيًا من التفاعلات دون توجيه خارجي، مما يؤدي إلى ظهور قدرات ناشئة لحل المشاكل. وهذا جانب أساسي يُدرس في علم التعقيد.
• القدرة على التكيف والمتانة: يمكن أن تتكيف الأسراب في كثير من الأحيان مع البيئات المتغيرة وتستمر في العمل حتى في حال فشل بعض الوكلاء الفرديين، وذلك بسبب التكرار والطبيعة اللامركزية.

الخوارزميات والتقنيات الرئيسية

تم تطوير العديد من الخوارزميات بناءً على مبادئ ذكاء السرب. ومن أبرز هذه الخوارزميات اثنتان منها:

• تحسين مستعمرة النمل (ACO): مستوحى من سلوك البحث عن الطعام لدى النمل الذي يستخدم الفيرومونات للعثور على أقصر المسارات بين عشه ومصادر الغذاء. تُستخدم ACO على نطاق واسع لحل مشاكل التحسين التجميعي مثل مشكلة مندوب المبيعات المتنقل (TSP) وتوجيه الشبكة.
• تحسين سرب الجسيمات (PSO): تم تصميمه على غرار السلوك الاجتماعي لسرب الطيور أو سرب الأسماك. في PSO، "تطير" الحلول المحتملة (الجسيمات) عبر فضاء المشكلة، متأثرة بأفضل موقع لها وأفضل موقع للسرب بأكمله. وغالبًا ما يتم تطبيقه على مشاكل التحسين المستمر، بما في ذلك تدريب الشبكات العصبية أو ضبط المعلمات الفائقة.

تشمل الخوارزميات الأخرى المستوحاة من SI خوارزميات مستعمرة النحل الاصطناعي (ABC) وخوارزمية اليراع وخوارزمية الخفاش، وكل منها يحاكي ظواهر طبيعية مختلفة لمهام التحسين.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي والتعلم الآلي

يجد ذكاء السرب تطبيقات في مجالات مختلفة حيث يكون حل المشكلات اللامركزي والتحسين والتنسيق مفيدًا:

1. مشاكل التحسين: تُستخدم خوارزميات SI مثل PSO بشكل متكرر في مهام التحسين المعقدة في التعلم الآلي (ML). على سبيل المثال، يمكنها إجراء ضبط المعلمات الفائقة لنماذج مثل Ultralytics YOLOأو العثور على الإعدادات المثلى لمعدلات التعلم أو أحجام الدفعات أو بنى الشبكات لتحسين مقاييس أداء النموذج. كما يتم تطبيقها أيضًا في اختيار الميزات وتحسين الدوال المعقدة حيث قد تواجه الأساليب التقليدية القائمة على التدرج صعوبة في ذلك. يمكن تبسيط إدارة مثل هذه التجارب باستخدام منصات مثل Ultralytics HUB.
2. الروبوتات: إن الذكاء الاصطناعي ذو أهمية خاصة في الأنظمة متعددة الروبوتات. يمكن أن يتعاون سرب من الروبوتات البسيطة وغير المكلفة في مهام مثل رسم خرائط البيئات غير المعروفة(المتعلقة بتقنيات SLAM)، أو النقل الجماعي، أو المراقبة البيئية(الذكاء الاصطناعي في الحفاظ على الحياة البرية)، أو عمليات البحث والإنقاذ، أو تنسيق المركبات ذاتية القيادة(الذكاء الاصطناعي في السيارات ذاتية القيادة). إن الطبيعة اللامركزية تجعل النظام مرناً في مواجهة أعطال الروبوتات الفردية.

تشمل التطبيقات الأخرى تحسين الخدمات اللوجستية وسلاسل التوريد(إدارة المخزون بالذكاء الاصطناعي)، وإدارة حركة مرور الشبكة(الذكاء الاصطناعي في إدارة حركة المرور)، وتجميع البيانات(التنقيب عن البيانات)، وحتى تصميم شبكات الاتصالات.

المقارنة مع المفاهيم ذات الصلة

• الخوارزميات التطورية (EA): كل من SI و EA عبارة عن خوارزميات فوقية مستوحاة من الطبيعة مستوحاة من السكان وتستخدم للتحسين. ومع ذلك، تركز الخوارزميات التطورية (مثل الخوارزميات الجينية) على محاكاة التطور من خلال الانتقاء والتناقل والطفرة عبر الأجيال. تركز SI على التفاعل الاجتماعي والذكاء الجماعي داخل جيل أو مجموعة سكانية. تستفيد نماذج Ultralytics YOLO في بعض الأحيان من الخوارزميات التطورية لضبط المعلمة الفائقة.
• خوارزميات التحسين التقليدية: تعتبر طرق مثل Gradient Descent Descent أو Adam أساسية لتدريب العديد من نماذج التعلم العميق، حيث تعتمد على معلومات التدرج. وغالبًا ما تكون خوارزميات SI خالية من التدرج، مما يجعلها مناسبة لنماذج التحسين غير القابلة للتمييز أو غير المتقطعة أو المعقدة للغاية حيث تكون التدرجات غير متاحة أو غير موثوقة.
• التعلّم المعزز (RL): في التعلم المعزز متعدد الوكلاء (MARL)، يتعلم الوكلاء السياسات المثلى من خلال التجربة والخطأ على أساس المكافآت. بينما يمكن أن ينطوي التعلّم المعزز متعدد الوكلاء (MARL) على التعاون، إلا أن التعلّم المعزز متعدد الوكلاء عادةً ما يتضمن وكلاء أبسط يتبعون قواعد محددة مسبقًا تؤدي إلى سلوك جماعي ناشئ، بدلاً من أن يتعلم الوكلاء الأفراد سياسات معقدة بشكل صريح. يمكن أن يكون هناك تداخل، خاصة في التعلم المعزز العميق للأسراب الروبوتية.

المزايا والقيود

المزايا:

• المتانة: الطبيعة اللامركزية تجعل النظام مرنًا في مواجهة إخفاقات الوكلاء الفرديين.
• قابلية التوسع: يمكن توسيع نطاق الأداء غالباً عن طريق إضافة المزيد من الوكلاء.
• القدرة على التكيف: القدرة على التكيف مع البيئات الديناميكية من خلال التفاعلات المحلية.
• البساطة: غالبًا ما تكون قواعد الوكيل الفردي سهلة التنفيذ.
• الاستكشاف: فعّال في استكشاف مساحات البحث الكبيرة للحصول على أفضل النتائج العالمية.

القيود:

• التقارب السابق لأوانه: يمكن أن تتقارب الخوارزميات مثل PSO في بعض الأحيان إلى الأمثل المحلي بسرعة كبيرة.
• ضبط المعلمات: تحتوي خوارزميات SI نفسها على معلمات (مثل حجم السرب وعوامل التأثير) تحتاج إلى ضبط دقيق.
• التحليل النظري: قد يكون التحليل الرياضي الدقيق للتقارب والسلوك صعبًا مقارنةً بطرق التحسين التقليدية.
• نفقات الاتصالات الزائدة: في بعض التطبيقات المادية (مثل الروبوتات)، يمكن أن يصبح التواصل بين الوكلاء عنق الزجاجة.

يوفر فهم ذكاء السرب رؤى قيّمة في حل المشكلات اللامركزي ويوفر أدوات قوية لمهام التحسين والتنسيق في مختلف المجالات، بما في ذلك الرؤية الحاسوبية وتطوير أنظمة الذكاء الاصطناعي(خطوات مشروع السيرة الذاتية).