Рой интеллект - Swarm intelligence

Рой интеллект (SI) это коллективное поведение из децентрализованный, самоорганизованный системы, естественные или искусственные. Концепция используется в работе над искусственный интеллект. Выражение было введено Херардо Бени и Цзин Ван в 1989 году в контексте сотовых робототехнических систем.[1]

Системы SI обычно состоят из совокупности простых агенты или же Boids взаимодействуют локально друг с другом и со своим окружением. Часто источником вдохновения является природа, особенно биологические системы. Агенты следуют очень простым правилам, и хотя не существует централизованной структуры управления, определяющей, как должны вести себя отдельные агенты, локальные и в определенной степени случайные, взаимодействия между такими агентами приводят к появление «умного» глобального поведения, неизвестного отдельным агентам. Примеры интеллекта роя в естественных системах включают: колонии муравьев, птица стайка, ястребы охота, животное стадо, рост бактерий, рыбы учеба в школе и микробный интеллект.

Применение принципов роя к роботы называется рой робототехника пока рой интеллект относится к более общему набору алгоритмов. Предсказание роя использовался в контексте задач прогнозирования. Подходы, аналогичные подходам, предложенным для роевой робототехники, рассматриваются для генетически модифицированные организмы в синтетическом коллективном интеллекте.[2]

Модели поведения роя

Смотрите также: Роевое поведение

Боидс (Рейнольдс, 1987)

Основная статья: Boids

Boids - это искусственная жизнь программа, разработанная Крейг Рейнольдс в 1986 году, который моделирует стайка поведение птиц. Его статья на эту тему была опубликована в 1987 г. в трудах ACM СИГГРАФ конференция.[3]Название «боид» соответствует сокращенной версии «птицеподобный объект», который относится к птицеобразному объекту.[4]

Как и большинство искусственных симуляторов жизни, Boids является примером возникающий поведение; то есть сложность Boids возникает из-за взаимодействия отдельных агентов (в данном случае boids), придерживающихся набора простых правил. Правила, применяемые в простейшем мире Boids, следующие:

  • разделение: управлять чтобы избежать скопления местных товарищей по стае
  • выравнивание: держитесь к среднему заголовку местных собратьев
  • сплоченность: повернуть, чтобы приблизиться к среднему положению (центру масс) местных сородичей

Могут быть добавлены более сложные правила, такие как избегание препятствий и поиск цели.

Самоходные частицы (Vicsek и другие. 1995)

Основная статья: Самоходные частицы

Самоходные частицы (SPP), также называемые Модель Вичека, была представлена ​​в 1995 г. Vicsek и другие.[5] как частный случай Boids модель, представленная в 1986 г. Рейнольдс.[3] Рой моделируется в SPP набором частиц, которые движутся с постоянной скоростью, но реагируют на случайное возмущение, принимая при каждом приращении среднее направление движения других частиц в их локальной окрестности.[6] Модели SPP предсказывают, что роящиеся животные обладают определенными свойствами на уровне группы, независимо от типа животных в стае.[7] Системы роения порождают эмерджентное поведение которые происходят во многих различных масштабах, некоторые из которых оказываются универсальными и надежными. В теоретической физике стало проблемой найти минимальные статистические модели, отражающие такое поведение.[8][9][10]

Метаэвристика

Смотрите также: Список метаэвристики на основе метафор

Эволюционные алгоритмы (EA), оптимизация роя частиц (PSO), дифференциальная эволюция (DE), оптимизация колонии муравьев (ACO) и их варианты доминируют в области вдохновленных природой метаэвристика.[11] В этот список входят алгоритмы, опубликованные примерно до 2000 года. Большое количество более поздних метаэвристических методов, основанных на метафорах, начали привлекать критику в исследовательском сообществе за то, что они скрывают отсутствие новизны за сложной метафорой. Для алгоритмов, опубликованных с тех пор, см. Список метаэвристики на основе метафор.

Также следует отметить, что метаэвристика, сколь бы хороши они ни были, не верят в решение.[12] Когда соответствующие параметры определены и когда достигается достаточная стадия сходимости, они часто находят решение, которое является оптимальным или близким к оптимальному - тем не менее, если оптимальное решение неизвестно заранее, качество решения неизвестно.[12] Несмотря на этот очевидный недостаток, было показано, что эти типы алгоритмы хорошо работают на практике, были тщательно исследованы и разработаны.[13][14][15][16][17] С другой стороны, этого недостатка можно избежать, рассчитав качество решения для особого случая, когда такой расчет возможен, и после такого прогона известно, что каждое решение, которое, по крайней мере, так же хорошо, как решение, имевшееся в частном случае, имеет, по крайней мере, уверенность в решении, которую имел особый случай. Одним из таких примеров является Муравей вдохновленный Алгоритм Монте-Карло за Минимальная дуга обратной связи где это было достигнуто вероятностно путем гибридизации Алгоритм Монте-Карло с Оптимизация колонии муравьев техника.[18]

Стохастический диффузионный поиск (Бишоп, 1989)

Основная статья: Стохастический диффузионный поиск

Впервые опубликовано в 1989 г. Стохастический диффузионный поиск (SDS)[19][20] была первой метаэвристикой Swarm Intelligence. SDS - это агент на основе вероятностный Метод глобального поиска и оптимизации лучше всего подходит для задач, в которых целевая функция может быть разложена на несколько независимых частичных функций. Каждый агент поддерживает гипотезу, которая итеративно проверяется путем оценки случайно выбранной частичной целевой функции, параметризованной текущей гипотезой агента. В стандартной версии SDS такие частичные оценки функций являются двоичными, в результате чего каждый агент становится активным или неактивным. Информация о гипотезах распространяется среди населения посредством межагентской коммуникации. в отличие от стигмергический связь, используемая в ACO, в агентах SDS общается гипотезы через стратегию индивидуального общения, аналогичную тандемный бег процедура соблюдается в Leptothorax acervorum.[21] Механизм положительной обратной связи гарантирует, что со временем популяция агентов стабилизируется вокруг наилучшего в мире решения. SDS - это одновременно эффективный и надежный алгоритм глобального поиска и оптимизации, который подробно описан математически.[22][23][24] Недавняя работа включала объединение свойств глобального поиска SDS с другими алгоритмами разведки роя.[25][26]

Оптимизация колонии муравьев (Дориго, 1992)

Основная статья: Оптимизация колонии муравьев

Оптимизация колонии муравьев (ACO), представленная Дориго в его докторской диссертации, представляет собой класс оптимизация алгоритмы по образцу действий колония муравьев. ACO - это вероятностный метод полезен в задачах, связанных с поиском лучших путей через графы. Искусственные «муравьи» - агенты моделирования - находят оптимальные решения, перемещаясь по пространство параметров представляющие все возможные решения. Лежат природные муравьи феромоны направляя друг друга к ресурсам, исследуя окружающую их среду. Смоделированные «муравьи» аналогичным образом записывают свое положение и качество своих решений, чтобы на более поздних итерациях моделирования находили больше муравьев для лучших решений.[27]

Оптимизация роя частиц (Кеннеди, Эберхарт и Ши, 1995)

Основная статья: Оптимизация роя частиц

Оптимизация роя частиц (PSO) - это глобальная оптимизация алгоритм решения проблем, в котором лучшее решение может быть представлено в виде точки или поверхности в n-мерном пространстве. Гипотезы наносятся в этом пространстве и засеваются начальным скорость, а также канал связи между частицами.[28][29] Затем частицы перемещаются через пространство решения и оцениваются в соответствии с некоторыми фитнес критерий после каждого временного шага. Со временем частицы ускоряются по направлению к тем частицам в своей коммуникационной группе, которые имеют лучшие значения пригодности. Основное преимущество такого подхода перед другими стратегиями глобальной минимизации, такими как имитация отжига состоит в том, что большое количество членов, составляющих рой частиц, делает этот метод впечатляюще устойчивым к проблеме локальные минимумы.

Искусственный интеллект роя (2015)

Искусственный интеллект роя (ИСР) - это метод усиления коллективного разума сетевых групп людей с использованием алгоритмов управления, смоделированных по образцу естественных роев. Эта технология, которую иногда называют Human Swarming или Swarm AI, объединяет группы участников в системы реального времени, которые обдумывают и сходятся в решениях как динамические рои, когда им одновременно задают вопрос.[30][31][32] ASI используется в широком спектре приложений, от предоставления бизнес-командам возможности создавать высокоточные финансовые прогнозы.[33] чтобы дать возможность фанатам спорта превзойти рынки ставок в Вегасе.[34] ASI также использовался, чтобы группы врачей могли ставить диагнозы со значительно более высокой точностью, чем традиционные методы.[35][36]

Приложения

Методы, основанные на Swarm Intelligence, могут использоваться во многих приложениях. Американские военные изучают методы роя для управления беспилотными автомобилями. В Европейское космическое агентство думает об орбитальном рое для самосборки и интерферометрии. НАСА исследует использование технологии роя для картографирования планет. Статья 1992 г. М. Энтони Льюис и Джордж А. Бекей обсуждает возможность использования интеллекта роя для управления нанороботами внутри тела с целью уничтожения раковых опухолей.[37] Напротив, аль-Рифаи и Абер использовали стохастический диффузионный поиск чтобы помочь найти опухоли.[38][39] Роевой интеллект также применялся для сбор данных.[40] Модели, основанные на муравьях, являются еще одним предметом современной теории управления.[41]

Маршрутизация на основе Ant

Использование интеллекта роя в телекоммуникационные сети также были исследованы в виде маршрутизация на основе муравьев. Это было сделано отдельно Дориго и др. и Hewlett Packard в середине 1990-х годов, когда существовал ряд вариантов. По сути, здесь используется вероятностный таблица маршрутизации награждает / усиливает маршрут, успешно пройденный каждым «муравьем» (небольшой контрольный пакет), наводняющим сеть. Было исследовано усиление маршрута в прямом, обратном направлении и в обоих направлениях одновременно: обратное усиление требует симметричной сети и связывает два направления вместе; вперед подкрепление награждает маршрут до того, как станет известен результат (но тогда нужно будет заплатить за кино, прежде чем узнаешь, насколько хорош фильм). Поскольку система ведет себя стохастически и поэтому ей не хватает повторяемости, существуют большие препятствия для коммерческого развертывания. Мобильные медиа и новые технологии могут изменить порог для коллективных действий из-за интеллекта роя (Rheingold: 2002, P175).

Расположение инфраструктуры передачи для сетей беспроводной связи - важная инженерная проблема, требующая решения конкурирующих задач. Требуется минимальный выбор мест (или участков) при условии обеспечения адекватного покрытия для пользователей. Алгоритм интеллекта роя, вдохновленный совсем другими муравьями, стохастический диффузионный поиск (SDS), был успешно использован для создания общей модели для этой проблемы, связанной с упаковкой кругов и покрытием множества. Было показано, что SDS может применяться для определения подходящих решений даже для крупных проблемных случаев.[42]

Авиакомпании также использовали маршрутизацию на основе муравьев при назначении прибывающих самолетов к выходам из аэропорта. В Юго-западные авиалинии программа использует теорию роя или интеллект роя - идею о том, что колония муравьев работает лучше, чем одна. Каждый пилот действует как муравей, ищущий лучшие ворота аэропорта. «Пилот на собственном опыте учится тому, что для него лучше, и оказывается, что это лучшее решение для авиакомпании», Дуглас А. Лоусон объясняет. В результате «колония» пилотов всегда направляется к воротам, к которым они могут быстро приехать и уйти. Программа может даже предупредить пилота о дублировании самолетов до того, как они произойдут. «Мы можем ожидать, что это произойдет, поэтому у нас будут ворота», - говорит Лоусон.[43]

Симуляция толпы

Художники используют технологию роя как средство создания сложных интерактивных систем или моделирование толпы.

Стэнли и Стелла в: Ломая лед был первым фильмом, в котором для рендеринга использовалась технология роя, реалистично изображающая движения групп рыб и птиц с использованием системы Boids. Тим Бертон Бэтмен возвращается также использовали технологию роя для демонстрации движений группы летучих мышей. Властелин колец кинотрилогия использовал аналогичную технологию, известную как Массивный, во время батальных сцен. Технология Swarm особенно привлекательна, потому что она дешевая, надежная и простая.

Авиакомпании использовали теорию роя для моделирования посадки пассажиров в самолет. Исследователь Southwest Airlines Дуглас А. Лоусон использовал компьютерную симуляцию на основе муравьев с использованием всего шести правил взаимодействия для оценки времени посадки с использованием различных методов посадки (Miller, 2010, xii-xviii).[44]

Рой людей

Система Swarm AI, отвечающая на вопрос в режиме реального времени
«Человеческий рой» - этот анимированный GIF-файл показывает группу подключенных к сети людей, мыслящих вместе как систему в реальном времени (то есть коллективный разум), управляемую алгоритмами роения.

Обеспечивается посредническим программным обеспечением, таким как платформа SWARM (формально unu) от Единогласный А. сети распределенных пользователей могут быть организованы в «человеческие рои» посредством реализации систем управления с обратной связью в реальном времени.[45][46][47] Как опубликовано Розенберг (2015), такие системы реального времени позволяют группам участников-людей вести себя как единое целое. коллективный разум который работает как единое целое, чтобы делать прогнозы, отвечать на вопросы и вызывать мнения.[48] Такие системы, также называемые «искусственным интеллектом роя» (или фирменным названием Swarm AI), значительно усиливают человеческий интеллект,[49][50][31] в результате получился ряд высокоточных предсказаний высокого уровня.[51][52][53][54][46][34] Академическое тестирование показывает, что человеческие рои могут превзойти людей в различных прогнозах реального мира.[55][56][47][57][58] Известно, что роение людей использовалось для правильного предсказания суперфекта Кентукки Дерби с вероятностью 541 к 1 в ответ на вызов репортеров.[59]

Медицинское использование роения людей - в 2018 г., Медицинский факультет Стэнфордского университета и Единодушный AI опубликованные исследования, показывающие, что группы врачей-людей, соединенные вместе алгоритмами роения в реальном времени, могут диагностировать заболевания с гораздо большей точностью, чем отдельные врачи или группы врачей, работающие вместе с использованием традиционных методов краудсорсинга. В одном из таких исследований группам радиологов-людей, объединенных вместе с помощью платформы SWARM, была поставлена ​​задача диагностировать рентгеновские снимки грудной клетки, и они продемонстрировали снижение диагностических ошибок на 33% по сравнению с традиционными человеческими методами и на 22% улучшение по сравнению с традиционным машинным обучением. .[35][60][61][62][36]

Грамматики роя

Грамматики роя - это рои стохастические грамматики которые могут быть развиты для описания сложных свойств, например, в искусстве и архитектуре.[63] Эти грамматики взаимодействуют как агенты, действующие в соответствии с правилами интеллекта роя. Такое поведение также может указывать на глубокое обучение рассмотрены алгоритмы, в частности, при отображении таких роев на нейронные цепи.[64]

Роевое искусство

В серии работ al-Rifaie et al.[65] успешно использовали два алгоритма разведки роя - один, имитирующий поведение одного вида муравьев (Leptothorax acervorum) кормление (стохастический диффузионный поиск, SDS) и другой алгоритм, имитирующий поведение стаи птиц (оптимизация роя частиц, PSO) - для описания новой стратегии интеграции, использующей свойства локального поиска PSO с глобальным поведением SDS. Результирующий гибридный алгоритм используется для набросков новых рисунков входного изображения, используя художественное напряжение между локальным поведением «стаи птиц» - когда они стремятся следовать исходному эскизу - и глобальным поведением «муравьев, собирающих пищу» - когда они стремятся поощряйте стадо исследовать новые области холста. «Креативность» этой гибридной системы роя была проанализирована в философском свете «ризомы» в контексте Делез метафора "Орхидея и Оса".[66]

Более поздняя работа al-Rifaie et al., «Swarmic Sketches and Attention Mechanism»,[67] представляет новый подход, использующий механизм «внимания» путем адаптации SDS для выборочного внимания к детализированным областям цифрового холста. Как только внимание роя привлекается к определенной линии на холсте, возможности PSO используются для создания «роевого наброска» наблюдаемой линии. Стаи перемещаются по цифровому холсту в попытке удовлетворить свои динамические роли - внимание к областям с более подробной информацией, - связанные с ними через их фитнес-функцию. Связав процесс рендеринга с концепцией внимания, выполнение участвующих роев создает уникальный, неидентичный эскиз каждый раз, когда рои «художников» приступают к интерпретации входных линейных рисунков. В других работах, в то время как PSO отвечает за процесс создания набросков, SDS контролирует внимание роя.

В аналогичной работе «Роевые картины и внимание к цвету»,[68] нефотореалистичные изображения создаются с использованием алгоритма SDS, который в контексте данной работы отвечает за внимание к цвету.

«Вычислительная креативность» вышеупомянутых систем обсуждается в[65][69][70] благодаря двум предпосылкам творчества (то есть свободе и ограничениям) внутри двух печально известных фаз разведки и эксплуатации роя.

Майкл Теодор и Николаус Коррелл Используйте интеллектуальную художественную инсталляцию роя, чтобы изучить, что нужно, чтобы инженерные системы выглядели реалистично.[71]

Критика

Известные исследователи

Смотрите также

Рекомендации

  1. ^ Бени, Г., Ван, Дж. (1993). "Swarm Intelligence в сотовых робототехнических системах". Продолжить. Продвинутый семинар НАТО по роботам и биологическим системам, Тоскана, Италия, 26–30 июня (1989 г.). Берлин, Гейдельберг: Springer. С. 703–712. Дои:10.1007/978-3-642-58069-7_38. ISBN  978-3-642-63461-1.CS1 maint: несколько имен: список авторов (связь)
  2. ^ Соле Р., Родригес-Амор Д., Дюран-Небреда С., Конде-Пуэйо Н., Карбонелл-Баллестеро М., Монтаньес Р. (октябрь 2016 г.). «Синтетический коллективный разум». Биосистемы. 148: 47–61. Дои:10.1016 / j.biosystems.2016.01.002. PMID  26868302.
  3. ^ а б Рейнольдс, Крейг (1987). Стаи, стада и школы: распределенная модель поведения. SIGGRAPH '87: Материалы 14-й ежегодной конференции по компьютерной графике и интерактивным методам. Ассоциация вычислительной техники. С. 25–34. CiteSeerX  10.1.1.103.7187. Дои:10.1145/37401.37406. ISBN  978-0-89791-227-3. S2CID  546350.
  4. ^ Бэнкс, Алек; Винсент, Джонатан; Аньякоха, Чуквуди (июль 2007 г.). «Обзор оптимизации роя частиц. Часть I: история вопроса и разработка». Естественные вычисления. 6 (4): 467–484. CiteSeerX  10.1.1.605.5879. Дои:10.1007 / s11047-007-9049-5. S2CID  2344624.
  5. ^ Вичек, Т.; Цирок, А .; Ben-Jacob, E .; Коэн, I .; Шочет, О. (1995). «Новый тип фазового перехода в системе самодвижущихся частиц». Письма с физическими проверками. 75 (6): 1226–1229. arXiv:cond-mat / 0611743. Bibcode:1995ПхРвЛ..75.1226В. Дои:10.1103 / PhysRevLett.75.1226. PMID  10060237. S2CID  15918052.
  6. ^ Czirók, A .; Вичек, Т. (2006). «Коллективное поведение взаимодействующих самодвижущихся частиц». Physica A. 281 (1): 17–29. arXiv:cond-mat / 0611742. Bibcode:2000PhyA..281 ... 17C. Дои:10.1016 / S0378-4371 (00) 00013-3. S2CID  14211016.
  7. ^ Buhl, J .; Самптер, Д.Дж.Т .; Кузин, Д .; Hale, J.J .; Despland, E .; Miller, E.R .; Simpson, S.J .; и другие. (2006). «От беспорядка к порядку в походной саранче» (PDF). Наука. 312 (5778): 1402–1406. Bibcode:2006Научный ... 312.1402B. Дои:10.1126 / science.1125142. PMID  16741126. S2CID  359329.
  8. ^ Тонер, Дж .; Tu, Y .; Рамасвами, С. (2005). «Гидродинамика и фазы флок» (PDF). Анналы физики. 318 (1): 170–244. Bibcode:2005AnPhy.318..170T. Дои:10.1016 / j.aop.2005.04.011.
  9. ^ Bertin, E .; Дроз, М .; Грегуар, Г. (2009). «Уравнения гидродинамики самодвижущихся частиц: микроскопический вывод и анализ устойчивости». J. Phys. А. 42 (44): 445001. arXiv:0907.4688. Bibcode:2009JPhA ... 42R5001B. Дои:10.1088/1751-8113/42/44/445001. S2CID  17686543.
  10. ^ Li, Y.X .; Lukeman, R .; Эдельштейн-Кешет, Л .; и другие. (2007). «Минимальные механизмы образования школы в самоходных частицах» (PDF). Physica D: нелинейные явления. 237 (5): 699–720. Bibcode:2008PhyD..237..699L. Дои:10.1016 / j.physd.2007.10.009.[постоянная мертвая ссылка ]
  11. ^ Одинокий, Майкл А. (2014). «Метаэвристика в алгоритмах, вдохновленных природой». Материалы конференции 2014 г., компаньон по генетическим и эволюционным вычислениям - GECCO Comp '14 (PDF). GECCO '14. С. 1419–1422. CiteSeerX  10.1.1.699.1825. Дои:10.1145/2598394.2609841. ISBN  9781450328814. S2CID  14997975.
  12. ^ а б Зильберхольц, Джон; Голден, Брюс; Гупта, Свати; Ван, Синъинь (2019), Жендро, Мишель; Потвин, Жан-Ив (ред.), "Вычислительное сравнение метаэвристики", Справочник по метаэвристике, Международная серия исследований операций и науки управления, Cham: Springer International Publishing, стр. 581–604, Дои:10.1007/978-3-319-91086-4_18, ISBN  978-3-319-91086-4
  13. ^ Берк, Эдмунд; Де Каусмэккер, Патрик; Петрович, Саня; Berghe, Greet Vanden (2004), Resende, Mauricio G.C .; де Соуза, Хорхе Пиньо (ред.), "Поиск по изменяющемуся району для проблем со списком медсестер", Метаэвристика: компьютерное принятие решений, Прикладная оптимизация, Бостон, Массачусетс: Springer US, стр. 153–172, Дои:10.1007/978-1-4757-4137-7_7, ISBN  978-1-4757-4137-7
  14. ^ Фу, Майкл С. (01.08.2002). «Особая статья: Оптимизация для моделирования: теория против практики». ИНФОРМС Журнал по вычислительной технике. 14 (3): 192–215. Дои:10.1287 / ijoc.14.3.192.113. ISSN  1091-9856.
  15. ^ Дориго, Марко; Бираттари, Мауро; Штутцле, Томас (ноябрь 2006 г.). «Оптимизация муравьиной колонии». Журнал IEEE Computational Intelligence Magazine. 1 (4): 28–39. Дои:10.1109 / MCI.2006.329691. ISSN  1556-603X.
  16. ^ Хейс-РотФредерик (1975-08-01). "Обзор" Адаптации в естественных и искусственных системах Джона Холланда ", Мичиганский Пресс, 1975". Бюллетень ACM SIGART (53): 15. Дои:10.1145/1216504.1216510. S2CID  14985677.
  17. ^ Resende, Mauricio G.C .; Рибейро, Селсо К. (2010), Жендро, Мишель; Потвин, Жан-Ив (ред.), "Жадные рандомизированные процедуры адаптивного поиска: достижения, гибридизация и приложения", Справочник по метаэвристике, International Series in Operations Research & Management Science, Boston, MA: Springer US, pp. 283–319, Дои:10.1007/978-1-4419-1665-5_10, ISBN  978-1-4419-1665-5
  18. ^ Куделич, Роберт; Ивкович, Никола (15.05.2019). «Вдохновленный муравьями алгоритм Монте-Карло для минимального набора дуг обратной связи». Экспертные системы с приложениями. 122: 108–117. Дои:10.1016 / j.eswa.2018.12.021. ISSN  0957-4174.
  19. ^ Бишоп, Дж. М., Стохастические поисковые сети, Proc. 1st IEE Int. Конф. по искусственным нейронным сетям, стр. 329-331, Лондон, Великобритания, (1989).
  20. ^ Насуто, С.Дж. И Бишоп, Дж. М., (2008), Стабилизация интеллектуального поиска роя за счет распределения ресурсов с положительной обратной связью, В: Красногор, Н., Никосия, Г., Павоне, М., и Пельта, Д. (ред.), Вдохновленные природой совместные стратегии для оптимизации, Исследования в области вычислительного интеллекта, том 129, Springer, Берлин, Гейдельберг, Нью-Йорк, С. 115-123.
  21. ^ Моглич, М .; Maschwitz, U .; Холлдоблер, Б., Тандемный вызов: новый вид сигнала в общении с муравьями, Science, Volume 186, Issue 4168, pp. 1046-1047.
  22. ^ Насуто, С.Дж., Бишоп, Д.М. и Лаурия, С., Анализ временной сложности стохастического диффузионного поиска, Proc. Neural Computation '98, стр. 260-266, Вена, Австрия (1998).
  23. ^ Насуто С.Дж., Бишоп Дж.М. (1999), Сходимость стохастического диффузионного поиска, параллельные алгоритмы, 14: 2, стр: 89-107.
  24. ^ Мятт, Д.М., Бишоп, Д.М., Насуто, С.Дж. (2004 г.), Критерии минимальной устойчивой сходимости для стохастического диффузионного поиска, Electronics Letters, 22:40, стр. 112–113.
  25. ^ аль-Рифаи, М.М., Бишоп, Дж. М. и Блэквелл, Т., Исследование слияния стохастического диффузионного поиска и оптимизации роя частиц, Proc. 13-я конф. Генетические и эволюционные вычисления, (GECCO), стр. 37-44, (2012).
  26. ^ аль-Рифаи, Мохаммад Маджид, Джон Марк Бишоп и Тим Блэквелл. "Влияние обмена информацией стохастического диффузионного поиска на алгоритм дифференциальной эволюции. »Memetic Computing 4.4 (2012): 327-338.
  27. ^ Оптимизация колонии муравьев Марко Дориго и Томас Штютцле, MIT Press, 2004. ISBN  0-262-04219-3
  28. ^ Parsopoulos, K. E .; Врахатис, М. Н. (2002). «Последние подходы к проблемам глобальной оптимизации с помощью оптимизации роя частиц». Естественные вычисления. 1 (2–3): 235–306. Дои:10.1023 / А: 1016568309421. S2CID  4021089.
  29. ^ Оптимизация роя частиц Морис Клерк, ISTE, ISBN  1-905209-04-5, 2006.
  30. ^ Розенберг, Луи (2015-07-20). «Человеческие рои, метод коллективного разума в реальном времени». 07/20/2015-07/24/2015. 27. С. 658–659. Дои:10.7551 / 978-0-262-33027-5-ch117. ISBN  9780262330275.
  31. ^ а б Розенберг, Луи; Уиллкокс, Грегг (2020). Би, Яксин; Бхатия, Рахул; Капур, Суприя (ред.). «Искусственный интеллект роя». Интеллектуальные системы и приложения. Достижения в интеллектуальных системах и вычислениях. Издательство Springer International. 1037: 1054–1070. Дои:10.1007/978-3-030-29516-5_79. ISBN  9783030295165.
  32. ^ Меткалф, Линн; Аскай, Дэвид А .; Розенберг, Луи Б. (2019). «Держать людей в курсе событий: объединение знаний с помощью искусственного интеллекта роя для улучшения принятия бизнес-решений». Обзор управления Калифорнии. 61 (4): 84–109. Дои:10.1177/0008125619862256. ISSN  0008-1256. S2CID  202323483.
  33. ^ Шуман, Ганс; Уиллкокс, Грегг; Розенберг, Луи; Пескетели, Никколо (2019). ""Рой людей «повышает точность и рентабельность инвестиций при прогнозировании финансовых рынков». Международная конференция IEEE по гуманным вычислениям и коммуникациям (HCC) 2019 г.. С. 77–82. Дои:10.1109 / HCC46620.2019.00019. ISBN  978-1-7281-4125-1. S2CID  209496644.
  34. ^ а б «Как системы искусственного интеллекта превзошли всех подрядчиков Вегаса в точности прогнозирования спортивных событий». TechRepublic. Получено 2018-09-10.
  35. ^ а б Скуделлари, Меган (13.09.2018). "AI-Human" Hive Mind "диагностирует пневмонию". IEEE Spectrum: Новости технологий, инженерии и науки. Получено 2019-07-20.
  36. ^ а б Розенберг, Луи; Лунгрен, Мэтью; Халаби, Сафван; Уиллкокс, Грегг; Балтакс, Дэвид; Лион, Мими (ноябрь 2018 г.). «Искусственный интеллект роя, используемый для повышения точности диагностики в радиологии». 9-я Ежегодная конференция по информационным технологиям, электронике и мобильной связи IEEE 2018 г. (IEMCON). Ванкувер, Британская Колумбия: IEEE: 1186–1191. Дои:10.1109 / IEMCON.2018.8614883. ISBN  9781538672662. S2CID  58675679.
  37. ^ Льюис, М. Энтони; Бекей, Джордж А. «Поведенческая самоорганизация нанороботов с использованием местных правил». Материалы Международной конференции IEEE / RSJ 1992 года по интеллектуальным роботам и системам.
  38. ^ al-Rifaie, M.M .; Абер, А. «Выявление метастазов при сканировании костей с помощью стохастического диффузионного поиска». Proc. IEEE Информационные технологии в медицине и образовании, ITME. 2012: 519–523.
  39. ^ аль-Рифаи, Мохаммад Маджид, Ахмед Абер и Ахмед Маджид Удах. "Использование стохастического диффузионного поиска для выявления метастазов при сканировании костей и микрокальцификации на маммографах. »В семинарах по биоинформатике и биомедицине (BIBMW), 2012 IEEE International Conference on, pp. 280-287. IEEE, 2012.
  40. ^ Martens, D .; Baesens, B .; Фосетт, Т. (2011). "Редакционный обзор: Swarm Intelligence для интеллектуального анализа данных". Машинное обучение. 82 (1): 1–42. Дои:10.1007 / s10994-010-5216-5.
  41. ^ Фладерер, Иоганнес-Поль; Курцманн, Эрнст (ноябрь 2019 г.). МУДРОСТЬ МНОГИХ: как создать самоорганизацию и как использовать коллективный ... интеллект в компаниях и в обществе из маны. КНИГИ ПО ЗАПРОСУ. ISBN  9783750422421.
  42. ^ Уитакер, Р.М., Херли, С. Агентный подход к выбору площадки для беспроводных сетей. Proc ACM Symposium on Applied Computing, стр. 574–577, (2002).
  43. ^ «Самолеты, поезда и муравьиные холмы: компьютерные специалисты имитируют деятельность муравьев, чтобы сократить задержки авиакомпаний». Science Daily. 1 апреля 2008 г. Архивировано с оригинал 24 ноября 2010 г.. Получено 1 декабря, 2010.
  44. ^ Миллер, Питер (2010). Умный рой: как понимание стай, школ и колоний может улучшить наше общение, принятие решений и выполнение задач. Нью-Йорк: Эйвери. ISBN  978-1-58333-390-7.
  45. ^ Оксенхэм, Саймон. «Почему пчелы могут быть секретом сверхчеловеческого интеллекта». Получено 2017-01-20.
  46. ^ а б «Этот стартап правильно предсказал Оскар, Мировую серию и Суперкубок. Вот что он делает дальше». Inc.com. 2018-06-14. Получено 2018-09-10.
  47. ^ а б Розенберг, Л .; Pescetelli, N .; Уиллкокс, Г. (октябрь 2017 г.). Искусственный интеллект роя повышает точность прогнозирования финансовых рынков. Восьмая ежегодная конференция по повсеместным вычислениям, электронике и мобильной связи IEEE 2017 г. (UEMCON). С. 58–62. Дои:10.1109 / UEMCON.2017.8248984. ISBN  978-1-5386-1104-3. S2CID  21312426.
  48. ^ http://sites.lsa.umich.edu/collectiveintelligence/wp-content/uploads/sites/176/2015/05/Rosenberg-CI-2015-Abstract.pdf
  49. ^ Меткалф, Линн; Аскай, Дэвид А .; Розенберг, Луи Б. (17.07.2019). «Держать людей в курсе событий: объединение знаний с помощью искусственного интеллекта роя для улучшения принятия бизнес-решений». Обзор управления Калифорнии. 61 (4): 84–109. Дои:10.1177/0008125619862256. ISSN  0008-1256. S2CID  202323483.
  50. ^ Уиллкокс, Грегг; Розенберг, Луи; Аскай, Дэвид; Меткалф, Линн; Харрис, Эрик; Домнауэр, Колин (2020). Араи, Кохей; Бхатия, Рахул (ред.). «Искусственное роение показано для повышения точности групповых решений в задачах субъективного суждения». Достижения в области информации и коммуникации. Конспект лекций по сетям и системам. Издательство Springer International. 70: 373–383. Дои:10.1007/978-3-030-12385-7_29. ISBN  9783030123857.
  51. ^ «Искусственный интеллект превращает 20 долларов в 11 000 долларов в ставке на Кентукки Дерби». Newsweek. 2016-05-10. Получено 2017-01-20.
  52. ^ Бернс, Джанет. «ИИ, победивший Trifecta, подарил Грин-Бей Суперкубок - в августе». Forbes. Получено 2017-01-20.
  53. ^ «Человеческие рои, метод коллективного разума в реальном времени». Архивировано из оригинал 2015-10-27. Получено 2015-10-12.
  54. ^ "Swarms of Humans Power AI Platform". DNews. 2017-05-10.
  55. ^ Розенберг, Л .; Baltaxe, D .; Пескетели, Н. (2016-10-01). Толпы против стаи, сравнение интеллекта. 2016 г. Семинар по смешанному интеллекту (Swarm / Human Blended Intelligence) (SHBI). С. 1–4. Дои:10.1109 / SHBI.2016.7780278. ISBN  978-1-5090-3502-1. S2CID  12725324.
  56. ^ Розенберг, Луи Б. (2015). «Рой людей - метод параллельного распределенного интеллекта в реальном времени». 2015 Практический семинар по разведке роя и людей (SHBI). С. 1–7. Дои:10.1109 / SHBI.2015.7321685. ISBN  978-1-4673-6522-2. S2CID  15166767.
  57. ^ Розенберг, Л .; Уиллкокс, Г. (июнь 2018 г.). Искусственные стаи находят социальную оптимизацию: (последний отчет). Конференция IEEE 2018 по когнитивным и вычислительным аспектам управления ситуацией (CogSIMA). С. 174–178. Дои:10.1109 / COGSIMA.2018.8423987. ISBN  978-1-5386-5288-6. S2CID  51909462.
  58. ^ Розенберг, Л .; Пескетели, Н. (сентябрь 2017 г.). Повышение точности прогнозирования с помощью Swarm A.I. Конференция по интеллектуальным системам 2017 г. (IntelliSys). С. 61–65. Дои:10.1109 / IntelliSys.2017.8324329. ISBN  978-1-5090-6435-9. S2CID  4366745.
  59. ^ «Искусственный интеллект превращает 20 долларов в 11 000 долларов в ставке на Кентукки Дерби». Newsweek. 2016-05-10. Получено 2018-09-10.
  60. ^ «Единогласный ИИ позволяет на 22% точнее диагностировать пневмонию». VentureBeat. 2018-09-10. Получено 2019-07-20.
  61. ^ Лю, Фань (2018-09-27). «Искусственный интеллект роя диагностирует пневмонию лучше, чем компьютер или врач». Stanford Daily. Получено 2019-07-20.
  62. ^ "Рой озарений - журнал Radiology Today". www.radiologytoday.net. Получено 2019-07-20.
  63. ^ фон Маммен, Себастьян; Джейкоб, Кристиан (2009). «Эволюция грамматик роя - выращивание деревьев, ремесленное искусство и восходящий дизайн». Вычислительный интеллект. 4 (3): 10–19. CiteSeerX  10.1.1.384.9486. Дои:10.1109 / MCI.2009.933096. S2CID  17882213.
  64. ^ дю Кастель, Бертран (15 июля 2015 г.). "Теория активации / распознавания паттернов разума". Границы вычислительной нейробиологии. 9 (90): 90. Дои:10.3389 / fncom.2015.00090. ЧВК  4502584. PMID  26236228.
  65. ^ а б аль-Рифаи, ММ; Бишоп, J.M .; Кейнс, С. (2012). «Креативность и автономия в интеллектуальных системах Swarm» (PDF). Когнитивные вычисления. 4 (3): 320–331. Дои:10.1007 / s12559-012-9130-у. S2CID  942335.
  66. ^ Делёз Дж., Гваттари Ф., Массуми Б. Тысяча плато. Миннеаполис: Университет Миннесоты Пресс; 2004 г.
  67. ^ Ар-Рифаи, Мохаммад Маджид; Епископ, Джон Марк (2013). «Роевые зарисовки и механизм внимания» (PDF). Эволюционная и биологически вдохновленная музыка, звук, искусство и дизайн (PDF). Конспект лекций по информатике. 7834. С. 85–96. Дои:10.1007/978-3-642-36955-1_8. ISBN  978-3-642-36954-4.
  68. ^ Ар-Рифаи, Мохаммад Маджид; Епископ, Джон Марк (2013). «Роевые картины и внимание к цвету» (PDF). Эволюционная и биологически вдохновленная музыка, звук, искусство и дизайн (PDF). Конспект лекций по информатике. 7834. С. 97–108. Дои:10.1007/978-3-642-36955-1_9. ISBN  978-3-642-36954-4.
  69. ^ аль-Рифаи, Мохаммад Маджид, Марк Дж. М. Бишоп и Ахмед Абер. "Креативный или нет? Птицы и муравьи рисуют мышцами. "Труды AISB'11 Computing and Philosophy (2011): 23-30.
  70. ^ аль-Рифаи М.М., Епископ М. (2013) Рой интеллект и слабое искусственное творчество. В: Ассоциация по развитию искусственного интеллекта (AAAI) 2013: Весенний симпозиум, Стэнфордский университет, Пало-Альто, Калифорния, США, стр. 14–19.
  71. ^ Н. Коррелл, Н. Фэрроу, К. Сугавара, М. Теодор (2013): Стена роя: к сверхъестественной долине жизни. В: К. Голдберг, Х. Найт, П. Сальвини (Ред.): Международная конференция IEEE по робототехнике и автоматизации, Практикум по искусству и робототехнике: Unheimlich Фрейда и сверхъестественная долина.

дальнейшее чтение

  • Бонабо, Эрик; Дориго, Марко; Тераулаз, Гай (1999). Ройный интеллект: от естественных к искусственным системам. ISBN  978-0-19-513159-8.
  • Кеннеди, Джеймс; Эберхарт, Рассел К. (2001-04-09). Рой Интеллект. ISBN  978-1-55860-595-4.
  • Энгельбрехт, Андрис (16 декабря 2005 г.). Основы вычислительного роевого интеллекта. Wiley & Sons. ISBN  978-0-470-09191-3.

внешняя ссылка