Swarm Intelligence

Коллективный интеллект (SI) — это коллективное поведение децентрализованных самоорганизующихся систем, в которых множество простых агентов, каждый из которых следует локальным правилам и не подчиняется лидеру, вместе решают задачи, недоступные каждому из них по отдельности. Муравьиные колонии находят кратчайшие пути к пище, стаи птиц поворачивают как единое целое, а термиты строят вентилируемые термитники — и ни у кого из отдельных участников нет общего плана. Джерардо Бени и Цзин Ван ввели этот термин в 1989 году для описания систем клеточной робототехники. В искусственном интеллекте (AI) у коллективного интеллекта есть две основные ветви: алгоритмы оптимизации, которые воспроизводят поведение таких коллективов в ПО, и коллективная робототехника, которая таким же образом координирует множество физических роботов.

Основные принципы#

Для коллективных систем характерны несколько свойств:

• Локальное взаимодействие: каждый агент воспринимает сигналы только от соседей и из ближайшего окружения и реагирует на них.
• Самоорганизация: глобальные паттерны, например форма стаи или сеть троп колонии, возникают в результате повторяющихся локальных взаимодействий, а не централизованного планирования.
• Устойчивость: поскольку ни один агент не является незаменимым, коллектив продолжает работать даже при отказе отдельных участников.
• Масштабируемость: добавление агентов увеличивает возможности системы без переработки логики управления.

Координация бывает прямой и косвенной. Модель boids Крейга Рейнольдса, созданная в 1986 году, реалистично воспроизводит поведение стаи с помощью трёх прямых правил: разделение (не приближаться слишком близко к соседям), выравнивание (двигаться в среднем направлении соседей) и сцепление (двигаться к среднему положению соседей). Муравьи координируются косвенно посредством стигмергии: каждый из них изменяет среду, оставляя феромонный след, а остальные реагируют на изменившуюся среду.

Алгоритмы роевой оптимизации#

Алгоритмы оптимизации, вдохновлённые поведением коллективов, ищут решения в больших пространствах с помощью популяции возможных вариантов, обменивающихся информацией. Им нужно лишь уметь оценивать кандидата, а не знать его градиент, поэтому они подходят для шумных, недифференцируемых и комбинаторных задач.

Оптимизация колонией муравьёв (ACO), представленная Марко Дориго в его докторской диссертации 1992 года, решает задачи маршрутизации и составления расписаний, например задачу коммивояжёра. Искусственные муравьи строят маршруты по одному ребру, отдавая предпочтение ребрам с большим количеством феромона. Короткие маршруты получают больше феромона, а испарение постепенно стирает следы, которые перестали подкрепляться. Благодаря этому колония не зацикливается на изначально посредственном маршруте:

Оптимизация роя частиц (PSO), представленная Джеймсом Кеннеди и Расселом Эберхартом в 1995 году, работает в непрерывных пространствах. У каждой частицы есть позиция и скорость; она запоминает лучшее найденное ею положение и знает лучшее положение, найденное роем. На каждом шаге её скорость складывается из текущего импульса и случайного притяжения к каждому из этих двух лучших положений. В этом примере на NumPy 30 частиц минимизируют функцию Растригина, локальные минимумы которой на сетке приводят к тому, что простой локальный поиск застревает:

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")

Лучшее значение роя снижается с 9,633 среди случайных начальных положений до 0,000000 — глобального минимума в начале координат. При других начальных значениях генератора случайных чисел рой иногда останавливается в соседнем локальном минимуме на уровне 0,995. Разновидности PSO противодействуют такой преждевременной сходимости с помощью более крупных роёв, перезапусков или топологий соседства, замедляющих распространение информации о глобальном оптимуме. В машинном обучении PSO используют для подбора гиперпараметров, отбора признаков и поиска архитектуры нейронной сети, когда градиенты недоступны.

Коллективный интеллект и смежные понятия#

• Эволюционные алгоритмы: улучшают популяцию с помощью отбора, скрещивания и мутации, заменяя особей в каждом поколении. Частицы PSO сохраняются и улучшаются, обмениваясь информацией о хороших позициях.
• Ансамблевое обучение: объединяет предсказания нескольких обученных моделей в один результат на этапе предсказания. Агенты роя обмениваются информацией на протяжении всего поиска и меняют своё поведение в ответ на неё.
• Мультиагентные системы: более широкая область, изучающая взаимодействующих агентов, которые могут быть сложными, централизованно координируемыми или конкурирующими. Коллективный интеллект — это частный случай с множеством простых кооперативных агентов, располагающих только локальной информацией.

Роевая робототехника и компьютерное зрение#

Роевая робототехника применяет те же принципы к физическим устройствам, каждое из которых просто устроено и недорого стоит. Рои дронов, применяемые для поиска, картографирования и сельского хозяйства, используют децентрализованную координацию, благодаря которой группа продолжает работать, даже если отдельные дроны выходят из строя или теряют связь. Каждый агент может запускать на борту компактный детектор, например Ultralytics YOLO26, на борту и передавать соседям только короткие сообщения о результатах обнаружения — например, класс и положение объекта — вместо потокового видео на базовую станцию. Световые шоу дронов выглядят как работа роя, но дроны следуют траекториям, заранее рассчитанным централизованным планировщиком, и не реагируют на соседей. Самоорганизация масштабируется: в 2014 году исследователи из Гарварда запрограммировали 1 024 робота Kilobot — небольших роботов, которые передвигаются на вибрирующих ножках, — собираться в заданные фигуры, например звезду, гаечный ключ и букву K, используя только инфракрасные сообщения между соседями.