Swarm Intelligence

L’intelligence en essaim (SI) désigne le comportement collectif de systèmes décentralisés et auto-organisés dans lesquels de nombreux agents simples, qui suivent chacun des règles locales sans chef, résolvent ensemble des problèmes qu’aucun ne pourrait résoudre seul. Les colonies de fourmis trouvent des itinéraires courts vers la nourriture, les volées d’oiseaux changent de direction à l’unisson et les termites bâtissent des monticules ventilés, sans qu’aucun individu ne détienne de plan. Gerardo Beni et Jing Wang ont introduit ce terme en 1989 pour décrire les systèmes robotiques cellulaires. En intelligence artificielle (AI), l’intelligence en essaim comprend deux grands domaines : les algorithmes d’optimisation qui imitent ces collectifs dans des logiciels, et la robotique en essaim, qui coordonne de nombreux robots physiques de la même manière.

Principes fondamentaux#

Les systèmes en essaim partagent quelques propriétés :

• Interaction locale : Chaque agent perçoit et réagit uniquement à ses voisins et à son environnement immédiat.
• Auto-organisation : Des motifs globaux, comme la forme d’une volée ou le réseau de sentiers d’une colonie, émergent d’interactions locales répétées plutôt que d’un plan central.
• Robustesse : Aucun agent n’étant essentiel, l’essaim continue de fonctionner lorsque certains agents tombent en panne.
• Évolutivité : L’ajout d’agents augmente la capacité sans qu’il faille revoir la logique de contrôle.

La coordination peut être directe ou indirecte. Le modèle boids de Craig Reynolds, datant de 1986, produit des mouvements de volée réalistes grâce à trois règles directes : la séparation (éviter de se rapprocher des voisins), l’alignement (s’orienter vers leur cap moyen) et la cohésion (se diriger vers leur position moyenne). Les fourmis se coordonnent indirectement par stigmergie : chacune modifie son environnement en déposant des phéromones, et les autres réagissent à cet environnement modifié.

Algorithmes d’optimisation en essaim#

Les algorithmes d’optimisation inspirés des essaims explorent de vastes espaces de solutions à l’aide d’une population de solutions candidates qui partagent des informations. Ils ont seulement besoin d’un moyen d’évaluer une candidate, et non de son gradient, ce qui les rend adaptés aux problèmes bruités, non différentiables ou combinatoires.

L’optimisation par colonie de fourmis (ACO), introduite par Marco Dorigo dans sa thèse de doctorat de 1992, résout des problèmes d’acheminement et de planification comme celui du voyageur de commerce. Des fourmis artificielles construisent des parcours arête par arête, en privilégiant celles qui contiennent davantage de phéromones ; les parcours courts reçoivent plus de phéromones, tandis que l’évaporation efface progressivement les traces qui ne sont plus renforcées, ce qui empêche la colonie de s’enfermer dans un parcours médiocre choisi trop tôt :

L’optimisation par essaim particulaire (PSO), présentée par James Kennedy et Russell Eberhart en 1995, opère dans des espaces continus. Chaque particule a une position et une vitesse, mémorise la meilleure position qu’elle a trouvée et connaît la meilleure position trouvée par l’essaim. À chaque étape, sa vitesse combine son momentum actuel et une attraction aléatoire vers chacune de ces deux meilleures positions. Cet exemple NumPy utilise 30 particules pour minimiser la fonction de Rastrigin, dont la grille de minima locaux piège les méthodes de recherche locale simples :

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")

La meilleure valeur de l’essaim passe de 9,633 parmi les positions de départ aléatoires à 0,000000, le minimum global à l’origine. Avec d’autres graines aléatoires, l’essaim se stabilise parfois dans un minimum local voisin à 0,995 ; les variantes de PSO luttent contre cette convergence prématurée grâce à des essaims plus grands, des redémarrages ou des topologies de voisinage qui ralentissent la propagation du meilleur résultat global. En apprentissage automatique, le PSO sert au réglage des hyperparamètres, à la sélection de caractéristiques et à la recherche d’architecture neuronale, lorsque les gradients ne sont pas disponibles.

Intelligence en essaim et concepts apparentés#

• Algorithmes évolutionnaires : Ils améliorent une population par sélection, croisement et mutation, en remplaçant les individus à chaque génération. Les particules du PSO persistent et s’améliorent en partageant les informations sur les bonnes positions.
• Apprentissage ensembliste : Combine les prédictions de plusieurs modèles entraînés en une seule sortie au moment de la prédiction. Les agents d’un essaim échangent des informations tout au long de la recherche et adaptent leur comportement en conséquence.
• Systèmes multi-agents : Domaine plus vaste des agents en interaction, qui peuvent être sophistiqués, coordonnés de manière centralisée ou en compétition. L’intelligence en essaim correspond au cas de nombreux agents simples et coopératifs qui ne disposent que d’informations locales.

Robotique en essaim et vision#

La robotique en essaim applique les mêmes principes à des machines physiques, chacune étant simple et peu coûteuse. Les essaims de drones utilisés pour la recherche, la cartographie et l’agriculture s’appuient sur une coordination décentralisée, qui permet au groupe de continuer à fonctionner si certains drones tombent en panne ou perdent le contact. Chaque agent peut exécuter un détecteur compact comme Ultralytics YOLO26 à bord et ne partager avec ses voisins que de courts messages de détection, par exemple la classe et la position d’un objet, au lieu de diffuser des vidéos vers une station de base. Les spectacles de drones lumineux ressemblent à des essaims, mais les drones suivent des trajectoires calculées à l’avance par un planificateur central, sans réagir à leurs voisins. L’auto-organisation passe à l’échelle : en 2014, des chercheurs de Harvard ont programmé 1 024 Kilobots, de petits robots qui se déplacent sur des pattes vibrantes, pour former des motifs comme une étoile, une clé et la lettre K en utilisant uniquement des messages infrarouges échangés entre voisins.