Swarm Intelligence

Schwarmintelligenz (SI) bezeichnet das kollektive Verhalten dezentraler, selbstorganisierter Systeme, in denen viele einfache Agenten ohne Anführer gemeinsam Probleme lösen, die keiner allein bewältigen könnte. Ameisenkolonien finden kurze Wege zu Nahrung, Vogelschwärme wenden sich gemeinsam, und Termiten bauen belüftete Hügel – ohne dass ein einzelnes Tier einen Plan hat. Gerardo Beni und Jing Wang führten den Begriff 1989 zur Beschreibung zellulärer Robotersysteme ein. In der künstlichen Intelligenz (AI) gibt es zwei Hauptbereiche der Schwarmintelligenz: Optimierungsalgorithmen, die diese Kollektive in Software nachahmen, und Schwarmrobotik, die viele physische Roboter auf dieselbe Weise koordiniert.

Grundprinzipien#

Schwarmsysteme weisen einige gemeinsame Eigenschaften auf:

• Lokale Interaktion: Jeder Agent nimmt nur seine Nachbarn und die unmittelbare Umgebung wahr und reagiert darauf.
• Selbstorganisation: Globale Muster wie die Form eines Schwarms oder das Wegenetz einer Kolonie entstehen aus wiederholten lokalen Interaktionen statt aus einem zentralen Plan.
• Robustheit: Da kein Agent unverzichtbar ist, arbeitet der Schwarm auch dann weiter, wenn einzelne Agenten ausfallen.
• Skalierbarkeit: Zusätzliche Agenten erhöhen die Kapazität, ohne dass die Steuerungslogik neu entworfen werden muss.

Die Koordination kann direkt oder indirekt erfolgen. Craig Reynolds' Boids-Modell aus dem Jahr 1986 erzeugt durch drei direkte Regeln realistische Schwarmbewegungen: Trennung (Gedränge unter Nachbarn vermeiden), Ausrichtung (in Richtung ihres durchschnittlichen Kurses steuern) und Zusammenhalt (in Richtung ihrer durchschnittlichen Position steuern). Ameisen koordinieren sich indirekt durch Stigmergie: Jede Ameise verändert durch das Ablegen von Pheromonen ihre Umgebung, und die anderen reagieren auf die veränderte Umgebung.

Schwarmoptimierungsalgorithmen#

Von Schwärmen inspirierte Optimierungsalgorithmen durchsuchen große Lösungsräume mit einer Population möglicher Lösungen, die Informationen austauschen. Sie benötigen lediglich eine Möglichkeit, eine Lösung zu bewerten, nicht ihren Gradienten. Daher eignen sie sich für verrauschte, nicht differenzierbare oder kombinatorische Probleme.

Ameisenkolonie-Optimierung (ACO), die Marco Dorigo 1992 in seiner Doktorarbeit einführte, löst Routing- und Planungsprobleme wie das Problem des Handlungsreisenden. Künstliche Ameisen bauen Routen Schritt für Schritt auf und bevorzugen Kanten mit mehr Pheromonen. Kürzere Routen erhalten mehr Pheromone, und Verdunstung löscht allmählich Spuren, die nicht weiter verstärkt werden. So verfällt die Kolonie nicht auf eine früh gefundene, mittelmäßige Route:

Die 1995 von James Kennedy und Russell Eberhart vorgestellte Partikelschwarmoptimierung (PSO) arbeitet in kontinuierlichen Räumen. Jedes Partikel hat eine Position und eine Geschwindigkeit, merkt sich seine bisher beste Position und kennt die beste Position des Schwarms. Bei jedem Schritt setzt sich seine Geschwindigkeit aus dem aktuellen Impuls und einer zufälligen Anziehung zu jeder dieser beiden besten Positionen zusammen. Dieses NumPy-Beispiel verwendet 30 Partikel, um die Rastrigin-Funktion zu minimieren, deren Raster aus lokalen Minima eine einfache lokale Suche in einer Sackgasse enden lässt:

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")

Der beste Wert des Schwarms sinkt von 9,633 unter den zufälligen Startpositionen auf 0,000000 – das globale Minimum im Ursprung. Bei anderen Zufallsstartwerten lässt sich der Schwarm manchmal in einem benachbarten lokalen Minimum bei 0,995 nieder. Varianten von PSO wirken dieser vorzeitigen Konvergenz mit größeren Schwärmen, Neustarts oder Nachbarschaftstopologien entgegen, die die Ausbreitung des globalen Bestwerts verlangsamen. Im maschinellen Lernen wird PSO für die Hyperparameteroptimierung, die Merkmalsauswahl und die Suche nach neuronalen Architekturen eingesetzt, wenn keine Gradienten verfügbar sind.

Schwarmintelligenz im Vergleich zu verwandten Konzepten#

• Evolutionäre Algorithmen: Verbessern eine Population durch Selektion, Kreuzung und Mutation und ersetzen die Individuen in jeder Generation. PSO-Partikel bleiben bestehen und verbessern sich, indem sie Informationen über gute Positionen austauschen.
• Ensemble-Lernen: Kombiniert bei der Vorhersage die Vorhersagen mehrerer trainierter Modelle zu einer Ausgabe. Schwarmagenten tauschen während der gesamten Suche Informationen aus und passen ihr Verhalten daran an.
• Multiagentensysteme: Das übergeordnete Gebiet interagierender Agenten, die ausgefeilt, zentral koordiniert oder konkurrierend sein können. Schwarmintelligenz ist der Sonderfall vieler einfacher, kooperierender Agenten, die nur über lokale Informationen verfügen.

Schwarmrobotik und Bildverarbeitung#

Schwarmrobotik überträgt dieselben Prinzipien auf physische Maschinen, die jeweils einfach und kostengünstig sind. Drohnenverbände für Suchaktionen, Kartierung und Landwirtschaft nutzen dezentrale Koordination. So arbeitet die Gruppe weiter, wenn einzelne Drohnen ausfallen oder den Kontakt verlieren. Jeder Agent kann einen kompakten Detektor wie Ultralytics YOLO26 direkt an Bord ausführen und nur kurze Erkennungsmeldungen, etwa die Klasse und Position eines Objekts, mit seinen Nachbarn teilen, statt Videos an eine Bodenstation zu übertragen. Drohnen-Lichtshows sehen wie Schwärme aus, fliegen aber von einem zentralen Planer vorberechnete Flugbahnen; keine Drohne reagiert auf ihre Nachbarn. Selbstorganisation lässt sich skalieren: 2014 programmierten Forschende in Harvard 1.024 Kilobots – kleine Roboter, die sich auf vibrierenden Beinen fortbewegen – dazu, mithilfe ausschließlich zwischen Nachbarn ausgetauschter Infrarotnachrichten Formen wie einen Stern, einen Schraubenschlüssel und den Buchstaben K zu bilden.