Swarm Intelligence

يحدد ذكاء السرب (SI) السلوك الجماعي للأنظمة اللامركزية ذاتية التنظيم، سواء كانت طبيعية أو اصطناعية. يستمد هذا المفهوم إلهامًا كبيرًا من الأنظمة البيولوجية الموجودة في الطبيعة، مثل مستعمرات النمل، وأسراب الطيور، وأسراب الأسماك، ونمو البكتيريا. في سياق الذكاء الاصطناعي (AI)، تتكون أنظمة ذكاء السرب من مجموعة من الوكلاء البسيطة التي تتفاعل محلياً مع بعضها البعض ومع بيئتها. وعلى الرغم من عدم وجود هيكل تحكم مركزي يملي على الوكلاء الأفراد كيفية التصرف، فإن التفاعلات المحلية بين هؤلاء الوكلاء تؤدي إلى ظهور سلوك عالمي "ذكي"، قادر على حل مهام معقدة تتجاوز قدرات الفرد الواحد.

Link to this sectionالآليات والخوارزميات الأساسية#

تكمن قوة ذكاء السرب في قدرته على حل المشكلات غير الخطية من خلال التعاون. يتبع الوكلاء في هذه الأنظمة قواعد بسيطة - غالباً ما توصف بأنها "الفصل"، و"المحاذاة"، و"التماسك" - مما يسمح للمجموعة بالتنقل في بيئات ديناميكية. هذا النهج فعال بشكل خاص في خوارزميات التحسين حيث تكون مساحة البحث واسعة ومعقدة.

تشمل اثنتان من أبرز التطبيقات الخوارزمية ما يلي:

• تحسين سرب الجسيمات (PSO): مستوحى من السلوك الاجتماعي لأسراب الطيور، يعمل PSO على تحسين مشكلة ما من خلال محاولة تحسين الحل المرشح بشكل متكرر فيما يتعلق بمقياس جودة معين. يُستخدم على نطاق واسع في تدريب الشبكات العصبية وإيجاد المعلمات الفائقة المثلى. يمكنك قراءة المزيد حول آليات تحسين سرب الجسيمات لفهم أسسها الرياضية.
• تحسين مستعمرة النمل (ACO): يعتمد على سلوك البحث عن الطعام للنمل، وتحديداً كيفية عثورها على أقصر مسار بين مستعمرتها ومصدر الغذاء باستخدام مسارات الفيرومونات. يُطبق ACO بشكل متكرر على مشاكل التوجيه في الاتصالات وعمليات الخدمات اللوجستية.

Link to this sectionذكاء السرب في الرؤية الحاسوبية#

في مجال الرؤية الحاسوبية (CV)، يُحدث ذكاء السرب ثورة في كيفية إدراك الآلات للعالم وتفسيره. بدلاً من الاعتماد على نموذج واحد متجانس، تستخدم الأساليب القائمة على السرب وكلاء متعددين وخفيفي الوزن - غالباً ما يتم نشرهم على أجهزة الحوسبة الطرفية - لجمع البيانات وإجراء الاستدلال بشكل تعاوني.

Link to this sectionتطبيقات العالم الحقيقي#

1. البحث والإنقاذ بالطائرات بدون طيار المستقلة: في سيناريوهات الكوارث، تكون طائرة بدون طيار واحدة ذات عمر بطارية ومجال رؤية محدود. ومع ذلك، يمكن لـ سرب من الطائرات بدون طيار المستقلة تغطية مساحات واسعة بكفاءة. ومجهزة بنماذج اكتشاف الأشياء مثل YOLO26، تتواصل هذه الطائرات بدون طيار لإرسال إحداثيات الاكتشاف لبعضها البعض. إذا اكتشفت طائرة واحدة علامة على الحياة، فيمكنها إرسال إشارة للآخرين للتقارب والتحقق، مما يحسن مسار البحث في الوقت الفعلي دون الحاجة إلى توجيه مستمر من طيار بشري.

2. إدارة حركة المرور في المدن الذكية: يستخدم التخطيط الحضري الحديث الذكاء الاصطناعي في المدن الذكية للتخفيف من الازدحام. يمكن لكاميرات المرور التي تعمل كسرب مراقبة التقاطعات في جميع أنحاء المدينة. بدلاً من معالجة البيانات مركزياً، مما يسبب تأخيراً، يستخدم هؤلاء الوكلاء الموزعون الذكاء الاصطناعي الطرفي لتعديل توقيتات إشارات المرور ديناميكياً بناءً على التدفق المحلي وبيانات الجوار. يسمح هذا النهج اللامركزي لشبكة المرور بأكملها بتحسين نفسها ذاتياً، مما يقلل من أوقات الانتظار والانبعاثات.

Link to this sectionتنفيذ وكلاء الرؤية#

لنشر سرب، يحتاج كل وكيل عادةً إلى نموذج سريع وفعال قادر على العمل على أجهزة منخفضة الطاقة. يوضح المثال التالي كيفية تهيئة نموذج YOLO26n خفيف الوزن باستخدام حزمة ultralytics، والذي يمثل قدرة الرؤية لوكيل واحد في سرب.

from ultralytics import YOLO

# Load a lightweight YOLO26 nano model optimized for edge agents
# This simulates one agent in a swarm initializing its vision system
model = YOLO("yolo26n.pt")

# Perform inference on a local image (what the agent 'sees')
# The agent would then transmit these results to neighbors
results = model.predict("path/to/image.jpg")

# Print the number of objects detected by this agent
print(f"Agent detected {len(results[0].boxes)} objects.")

Link to this sectionتمييز ذكاء السرب#

من المهم التمييز بين ذكاء السرب ومفاهيم الذكاء الاصطناعي ذات الصلة:

• مقابل تعلم المجموعة (Ensemble Learning): بينما يتضمن كلاهما مكونات متعددة، يجمع تعلم المجموعة عادةً توقعات نماذج ثابتة مختلفة (مثل الغابات العشوائية) لتحسين الدقة. في المقابل، يتضمن ذكاء السرب وكلاء نشطين يتحركون عبر مساحة الحل أو البيئة المادية، ويتفاعلون ويغيرون سلوكهم بمرور الوقت.
• مقابل الخوارزميات التطورية: تستخدم الخوارزميات التطورية آليات مثل الطفرة والتقاطع لتطوير مجموعة سكانية عبر الأجيال. بينما يستخدم ذكاء السرب أيضاً مجموعة سكانية، فإن الأفراد في السرب عادة لا يموتون أو يتكاثرون؛ بل يتعلمون ويكيفون مواقعهم بناءً على معلومات الأقران، وهي عملية تُعرف بـ الوصم.

Link to this sectionمستقبل الذكاء الاصطناعي التعاوني#

مع تصغير حجم الأجهزة واستمرار توسع إنترنت الأشياء (IoT)، سيلعب ذكاء السرب دوراً محورياً في الأتمتة اللامركزية. تسهل أدوات مثل منصة Ultralytics هذا المستقبل من خلال السماح للفرق بإدارة مجموعات البيانات وتدريب النماذج التي يمكن نشرها بسهولة على أساطيل الأجهزة، مما يتيح "العقل الجماعي" المتزامن المطلوب لروبوتات السرب المتقدمة والمركبات ذاتية القيادة.