Swarm Intelligence

군집 지능(SI)은 각자 지역 규칙을 따르고 리더가 없는 다수의 단순 에이전트가 함께 협력해 개별적으로는 해결할 수 없는 문제를 해결하는 분산형 자기 조직 시스템의 집단 행동입니다. 개미 군집은 먹이로 가는 짧은 경로를 찾고, 새 떼는 한 몸처럼 방향을 바꾸며, 흰개미는 환기되는 둔덕을 만듭니다. 이 과정에서 어느 개체도 전체 계획을 가지고 있지 않습니다. Gerardo Beni와 Jing Wang은 1989년에 셀룰러 로봇 시스템을 설명하기 위해 이 용어를 도입했습니다. 인공지능(AI)에서 군집 지능은 크게 두 분야로 나뉩니다. 집단의 행동을 소프트웨어로 모방하는 최적화 알고리즘과, 같은 방식으로 다수의 물리적 로봇을 조정하는 군집 로봇공학입니다.

핵심 원칙#

군집 시스템에는 다음과 같은 몇 가지 공통 특성이 있습니다.

• 지역 상호작용: 각 에이전트는 이웃과 주변 환경만 감지하고 이에 반응합니다.
• 자기 조직화: 무리의 형태나 군집의 이동 경로와 같은 전역 패턴은 중앙 계획이 아니라 반복적인 지역 상호작용에서 나타납니다.
• 견고성: 어떤 에이전트도 필수적이지 않으므로 개체에 문제가 생겨도 군집은 계속 작동합니다.
• 확장성: 에이전트를 추가하면 제어 로직을 재설계하지 않고도 처리 용량을 늘릴 수 있습니다.

조정 방식은 직접적이거나 간접적일 수 있습니다. Craig Reynolds가 1986년에 만든 boids 모델은 세 가지 직접 규칙, 즉 분리(이웃과의 과밀을 피함), 정렬(평균 진행 방향으로 움직임), 응집(평균 위치를 향해 움직임)만으로 사실적인 무리 움직임을 생성합니다. 개미는 스티그머지를 통해 간접적으로 협력합니다. 개미 한 마리가 페로몬을 남겨 환경을 바꾸면 다른 개미는 바뀐 환경에 반응합니다.

군집 최적화 알고리즘#

군집에서 영감을 얻은 최적화 알고리즘은 정보를 공유하는 후보 해 집단을 사용해 광범위한 해 공간을 탐색합니다. 후보 해의 점수를 매기는 방법만 있으면 되며 그래디언트는 필요하지 않으므로, 노이즈가 있거나 미분 불가능하거나 조합적인 문제에 적합합니다.

개미 군집 최적화(ACO)는 Marco Dorigo가 1992년 박사 학위 논문에서 소개했으며, 외판원 문제와 같은 경로 설정 및 일정 계획 문제를 해결합니다. 인공 개미는 페로몬이 많은 경로를 선호하며 간선 단위로 경로를 만듭니다. 짧은 경로에는 페로몬이 더 많이 쌓이고, 증강되지 않는 흔적은 증발로 점차 사라지므로 군집이 초기에 발견한 평범한 경로에 고착되지 않습니다:

James Kennedy와 Russell Eberhart가 1995년에 소개한 입자 군집 최적화(PSO)는 연속 공간에서 작동합니다. 각 입자는 위치와 속도를 가지고 있으며, 자신이 찾은 최적 위치와 군집이 찾은 최적 위치를 기억합니다. 각 단계에서 입자의 속도는 현재 모멘텀과 두 최적 위치를 향해 무작위로 당기는 힘을 결합해 결정됩니다. 이 NumPy 예제에서는 단순한 지역 탐색을 가두는 지역 최솟값 격자를 가진 Rastrigin 함수를 최소화하기 위해 입자 30개를 사용합니다.

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")

군집이 찾은 최적값은 무작위 시작 위치의 9.633에서 원점의 전역 최솟값인 0.000000으로 낮아집니다. 다른 무작위 시드에서는 군집이 이웃한 지역 최솟값 0.995에 정착할 때도 있습니다. 이러한 조기 수렴은 더 큰 군집, 재시작 또는 전역 최적값의 확산을 늦추는 이웃 토폴로지를 사용하는 PSO 변형으로 완화합니다. 머신러닝에서는 그래디언트를 사용할 수 없는 하이퍼파라미터 튜닝, 특징 선택 및 신경망 아키텍처 탐색에 PSO를 사용합니다.

군집 지능과 관련 개념 비교#

• 진화 알고리즘: 선택, 교차 및 돌연변이를 통해 집단을 개선하고 세대마다 개체를 교체합니다. PSO 입자는 계속 유지되며 좋은 위치에 대한 정보를 공유해 개선됩니다.
• 앙상블 학습: 학습된 여러 모델의 예측을 예측 시점에 하나의 출력으로 결합합니다. 군집 에이전트는 탐색 전반에 걸쳐 정보를 교환하고 이에 반응해 행동을 바꿉니다.
• 다중 에이전트 시스템: 상호작용하는 에이전트를 다루는 더 넓은 분야로, 에이전트는 정교하거나 중앙에서 조정되거나 경쟁적일 수 있습니다. 군집 지능은 지역 정보만 사용하는 다수의 단순하고 협력적인 에이전트에 해당합니다.

군집 로봇공학과 비전#

군집 로봇공학은 같은 원리를 각자 단순하고 저렴한 물리적 기계에 적용합니다. 수색, 지도 작성 및 농업에 사용되는 드론 군집은 분산형 조정을 통해 개별 드론에 문제가 생기거나 연결이 끊겨도 집단이 계속 작동하게 합니다. 각 에이전트는 Ultralytics YOLO26과 같은 경량 탐지기를 기내에서 실행하고, 기지국으로 동영상을 스트리밍하는 대신 객체의 클래스와 위치 같은 짧은 탐지 메시지만 이웃과 공유할 수 있습니다. 드론 라이트 쇼는 군집처럼 보이지만 중앙 플래너가 미리 계산한 궤적을 따라 비행하며, 드론은 이웃에 반응하지 않습니다. 자기 조직화는 대규모에서도 작동합니다. 2014년 하버드 연구진은 진동하는 다리로 이동하는 소형 로봇 Kilobot 1,024대를 프로그래밍해 이웃 간에 주고받는 적외선 메시지만으로 별, 렌치, 문자 K와 같은 모양을 만들었습니다.