群知能（Swarm Intelligence：SI）は、アリのコロニー、鳥の群れ、魚の群れ、ハチの群れなど、自然のシステムで観察される集団行動にヒントを得た人工知能（Artificial Intelligence：AI）の一分野である。複数の単純なエージェントから構成され、互いや環境と局所的に相互作用する計算システムの設計に焦点を当てている。個々のエージェントは基本的なルールに従い、限られた能力しか持たないが、その集団行動がグローバルレベルでのインテリジェントな創発的行動を引き起こし、単独のエージェントの能力を超えた複雑な問題を解決することを可能にする。このアプローチは中央集権的な制御システムとは対照的で、分散化、堅牢性、拡張性を活用している。
コア・プリンシプル
群知能システムは通常、いくつかの重要な原則によって特徴づけられる：
- 分散制御：個々のエージェントの行動を指示する中央のコーディネーターは存在しない。制御は群全体に分散される。
- シンプルなエージェント：スウォーム内の各エージェントは、比較的単純なルールセットに基づいて動作する。
- ローカルな相互作用：エージェントは主に近隣の人々やローカル環境と相互作用する。これらのローカルな相互作用からグローバルなパターンが生まれる。
- 自己組織化：複雑で協調的な行動は、外部からのガイダンスなしに相互作用から自発的に生じ、創発的な問題解決能力をもたらす。これは複雑性科学で研究されている基本的な側面である。
- 適応性と頑健性：スウォームは、冗長性と分散化された性質により、変化する環境に適応し、個々のエージェントが故障しても機能し続けることができる。
主要なアルゴリズムとテクニック
群知能の原理に基づいて、いくつかのアルゴリズムが開発されている。代表的なものは以下の2つである：
その他のSIにインスパイアされたアルゴリズムには、人工蜂コロニー（ABC）、ホタルアルゴリズム、コウモリアルゴリズムなどがあり、それぞれ最適化タスクに対して異なる自然現象を模倣している。
関連概念との比較
- 進化的アルゴリズム（EA）：SIもEAも、最適化に使用される自然から着想を得た集団ベースのメタヒューリスティクスである。しかし、EAは（遺伝的アルゴリズムのように）世代を超えた選択、交叉、突然変異による進化のシミュレーションに重点を置いている。SIは、世代または集団内の社会的相互作用と集合的知性に焦点を当てています。Ultralytics YOLO モデルは、ハイパーパラメータのチューニングに進化的アルゴリズムを活用することもある。
- 従来の最適化アルゴリズム： 勾配降下や Adamのような手法は、勾配情報に依存する多くのディープラーニングモデルをトレーニングするための基本的な手法である。SIアルゴリズムは多くの場合勾配がないため、勾配が利用できない、または信頼できない、非微分、不連続、または非常に複雑な最適化ランドスケープに適しています。
- 強化学習（RL）：マルチエージェントRL（MARL）では、エージェントは報酬に基づく試行錯誤を通じて最適なポリシーを学習する。MARLは協調を含むことができるが、SIは一般的に、個々のエージェントが明示的に複雑なポリシーを学習するのではなく、より単純なエージェントが、創発的な集団行動につながる事前に定義されたルールに従うことを含む。特にロボットの群れのための深い強化学習では、重複する可能性がある。
利点と限界
利点がある：
- 堅牢性：分散型であるため、個々のエージェントの障害に強い。
- スケーラビリティ：多くの場合、エージェントを追加することでパフォーマンスを拡張することができる。
- 適応性：局所的な相互作用を通じてダイナミックな環境に適応できる。
- 単純さ：個々のエージェントのルールは、多くの場合、実装が簡単である。
- 探索：大きな探索空間を探索し、大域的最適値を求めるのに有効。
制限：
- 早期収束：PSOのようなアルゴリズムは、局所最適への収束が早すぎることがある。
- パラメータのチューニング：SIアルゴリズム自体には、慎重なチューニングが必要なパラメータ（例：群サイズ、影響因子）がある。
- 理論的分析：収束と挙動に関する厳密な数学的解析は、従来の最適化手法に比べて困難な場合があります。
- 通信のオーバーヘッド： ロボット工学のような）物理的な実装では、エージェント間の通信がボトルネックになることがある。
群知能を理解することで、分散型の問題解決に関する貴重な洞察が得られ、コンピュータ・ビジョンやAIシステム開発（CVプロジェクトのステップ）を含む様々な分野にわたる最適化や調整タスクのための強力なツールが提供される。
JA
EN
ZH
KO
RU
DE
FR
ES
PT
IT
AR
TR
VI
