هوش جمعی

هوش جمعی نوعی رفتار دسته‌جمعی در سیستم‌های غیرمتمرکز و خودسازمانده است به طوری که ساختار متمرکزی رفتار افراد را کنترل نمی‌کند ولی تعامل افراد با هم منجر به ظهور نوعی رفتار مبتنی بر هوش می‌شود. ایجاد دسته، رمه و مدرسه در پرندگان، چرندگان و ماهی‌ها منجر به هوش مصنوعی می‌شود. مدل‌های ریاضی و برنامه‌های مختلفی برای پیاده‌سازی و مدل‌سازی هوش جمعی در حیوانات مختلف توسعه یافته است. هوش جمعی پایه اصلی هوش مصنوعی و ربوت‌ها است. البته هوش مصنوعی علاوه بر رفتارهای دسته‌ای کارکردهای دیگری نیز دارد.

 هوش جمعی «هوش جمعی» (Swarm intelligence) یا هوش گروهی نوعی رفتار دسته‌جمعی در سیستم‌های غیرمتمرکز و خودسازمانده از نوع طبیعی یا مصنوعی است. این مفهوم در حوزه هوش مصنوعی بکار می‌رود و برای اولین بار توسط «جراردو بنی» و «جینگ وانگ» در سال 1989 و در رابطه با ربوت‌ها مطرح شد. سیستم هوش جمعی متشکل از جمعیتی از عاملین ساده است که در مقیاس محلی با هم و با محیط اطراف تعامل می‌کنند. مکانیسم ربوت‌ها اغلب از طبیعت، بخصوص سیستم‌های بیولوژیکی الهام می‌گیرند. عاملین این سیستم‌ها از قوانین ساده‌ای تبعیت می‌کنند و با وجودی که یک ساختار کنترلی متمرکزی وجود ندارد که رفتار آنها را کنترل کند، ولی تعامل افراد منجر به ظهور نوعی رفتار مبتنی بر هوش می‌شود که در مقیاس انفرادی برای هر یک از آنها ناشناخته است. نمونه آن هوش جمعی کلنی مورچه‌ها، ایجاد دسته در پرندگان، ایجاد رمه در حیوانات بزرگ، رشد باکتری‌ها، ‌ایجاد مدرسه در ماهی و هوش میکروبی می‌باشد.

کاربرد اصول ایجاد دسته در روبوت‌ها را «علم روبوتیک جمعی» می‌نامند در حالی که هوش جمعی به مجموعه گسترده‌تری از الگوریتم‌ها اشاره دارد. برای پیش‌بینی مشکلات می‌توان از پیش‌بینی جمعی استفاده کرد. در ادامه برخی مدل‌های ایجاد دسته و هوش جمعی ‌مطرح شده است.

بوید‌ها

«بوید‌ها» (Boids) یک برنامه زندگی مصنوعی است که توسط «کرگ رینولد» در سال 1986 توسعه یافت و در آن رفتار ایجاد گله در پرندگان مدل‌سازی شده است. مقاله او در این زمینه در سال 1987 منتشر شد. کلمه بوید مخفف شیء شبیه پرنده ( Bird-oid object) است. بویدها نیز همچون دیگر مدل‌های زندگی مصنوعی نمونه‌‌ای از رفتار اورژانسی هستند که در نتیجه تعامل بین افراد یا بویدها متکی بر یک سری قوائد ساده، پیچیدگی‌‌هایی ایجاد می‌شود. این قوائد در ساده‌ترین بوید‌ها شامل موارد زیر است:

• جدایی (Separation). هدایت به منظور اجتناب از ازدحام با دیگر هم‌گله‌ای‌ها

• ترتیب (Alignment). هدایت به سمت متوسط راهنماهای هم‌گله‌ای ها

• پیوند (Cohesion). هدایت به سمت موقعیت متوسط (مرکز دسته) در میان هم‌گله‌ای‌ها

به این مدل می‌توان قوائد دیگری نیز افزود و آن را پیچیده‌تر کرد. از جمله آنها قائده «اجتناب از مانع» و «جستجوی هدف» و نظایر آن می‌باشد.

بهینه‌سازی جمعی ذره‌ای (Particle swarm optimization)

نوعی الگوریتم بهینه‌سازی گلوبال برای مواجه شدن با مشکلاتی است که در آن بهترین راه حل را بتوان بعنوان یک سطح یا صفحه در یک فضای چندبعدی ارائه داد. در این فضا فرض‌هایی پلات می‌شوند و همراه با سرعت اولیه آنها و نیز کانال‌های ارتباطی بین ذرات موجود، محل آنها معین می‌گردد. آنگاه ذرات در میان فضای راه حل حرکت می‌کنند و بر اساس برخی معیارهای شایستگی بعد از مراحل زمانی مختلف ارزیابی می‌شوند. در امتداد زمان ذرات مختلف به سمت ذراتی شتاب می‌گیرند در گروه‌بندی ارتباطی آنها دارای ارزش شایستگی بالاتری باشند. امتیاز اصلی این روش بر دیگر استراتژی‌های حداقل‌سازی گلوبال مثل «بازپخت مدل‌سازی‌شده» (Simulated annealing) این است که تعداد زیادی از اعضاء که تجمع ذرات را ساخته‌اند باعث می‌شود که این تکنیک در برابر مشکلات ناشی از حداقل‌های موضعی (Local minima) انعطاف‌پذیری بیشتری داشته باشند.

الگوریتم کلنی مورچه‌

الگوریتم کلنی مورچه‌های مصنوعی و بهینه‌سازی آن، برای اولین بار توسط «دوریگو» در پایان‌نامه دکترایش معرفی شد. الگوریتم‌های بهینه‌سازی بر اساس عمل کلنی مورچه‌ها مدل‌سازی می‌شوند. بهینه‌سازی کلنی مورچه‌ها تکنیک مفید مبتنی بر احتمال و در مورد مسایلی است که از طریق گراف‌ها به دنبال بهترین مسیر برای حرکت مورچه‌ها می‌گردد. مورچه‌های مصنوعی (عاملین مدل‌سازی) راه حل‌های بهینه را از طریق حرکت در میان «فضای پارامتری» (Parameter space) بدست می‌آورند که همه راه حل‌ها را در خود دارد. مورچه طبیعی به گذاشتن «رد فرمونی» بر زمین اقدام می‌کند که دیگر مورچه‌های در حال اکتشاف محیط را به سمت منبع غذا هدایت می‌کند. مورچه‌های مدل‌سازی‌شده بصورت مشابهی موقعیت خود را ثبت می‌کنند و کیفیت راه‌های چرا را ثبت می‌کنند و در نتیجه در مدل‌سازی بعدی مورچه‌های بیشتری راه حل‌ها بهتر را انتخاب می‌کنند و در مسیر آن قرار می‌گیرند.

الگوریتم کلنی زنبور عسل مصنوعی

این الگوریتم یک الگوریتم کل‌نگر معرفی شده توسط «کارابوگا» (2005) است و رفتار چرای زنبور عسل را مدل‌سازی می‌کند. این الگوریتم‌ها دارای سه فاز مختلف هستند: زنبورهای مشغول، زنبورهای ناظر و زنبورهای پیشاهنگ. در فاز زنبور مشغول و زنبور ناظر، زنبورها منابع غذا را از طریق جستجوهای محلی و در نزدیکی موقعیت راه حل مورد بهربرداری قرار میدهند که از طریق انتخاب تعینی در فاز زنبورهای مشغول و از طریق انتخاب بر اساس احتمال در فاز زنبورهای ناظر انجام می‌شود. در فاز زنبورهای پیشاهنگ که مشابه‌سازی از طریق رهاسازی منبع تخلیه‌شده غذا در فرایند چرای زنبورها می‌باشد، راه حل‌هایی که دیگر برای فرایند جستجوی غذا مفید نیستند به حال خود رها می‌شوند و راه حل‌های جدیدی بجای آ‌نها اتخاذ می‌شود تا منطق جدیدی در فضای جستجوی آنها مورد کاوش قرار گیرد. این الگوریتم دارای توانایی انکشافی و استخراجی بالا است.

تکامل تفاضلی (Differential evolution)

این روش شبیه الگوریتم ژنتیکی و جستجوی الگو است و از روش چندعاملی استفاده می‌کند و یا به جستجوی بردارهایی می‌پردازد تا جستجو را عملی سازد. این روش از موتاسیون تا کراس‌اوور را در بردارد ولی در معادلات جستجوی خود بهترین راه حل گلوبال را ندارد. و از این نظر در برابر روش بهینه‌سازی جمعی ذره‌ای قرار دارد.

الگوریتم زنبور عسل

فرمولاسیون اساسی الگوریتم زنبور عسل توسط فام و همکاران (2005) معرفی شد و بعد از آن در معرض تصحیحات بیشتری قرار گرفت. در این مدل با استفاده از رفتار غذایابی زنبور عسل، جستجوی انکشافی گلوبال را با جستجوهای بهره‌برداران محلی در هم می‌آمیزند. تعداد اندکی از زنبورهای مصنوعی (پیشاهنگ‌ها) بصورت تصادفی فضای مسئله را (محیط را برای بدست آوردن بالاترین شایستگی یا مفیدترین منابع غذا) کاوش می‌کنند در حالی که قسمت عمده جمعیت در حل جستجو یا برداشت در مجاورت شایسته‌ترین راه‌حل‌ها در جستجوی بهینه شایستگی می‌باشند. یک رویه دترمینیستیک که موجب تحریک رقص دم‌جنبانی در زنبورهای بیولوژیکی می‌شود برای ایجاد رابطه بین زنبورهای پیشاهنگ و زنبورهای چراگر بکار می‌رود و لذا بر اساس شایستگی محل‌های همجوار زنبورهای چراگر توزیع می‌شوند. وقتی جستجو در همسایگی یک محل متوقف شد، بهینه شایستگی محلی پیدا می‌شود و محل ترک می‌شود. بطور خلاصه الگوریتم زنبور عسل بصورت همزمان مناطق مختلفی را برای فضای راه حل کاوش می‌کند در حالی که بصورت دائم و به منظور یافتن مناطق مناسب‌تر در درون آن نمونه‌گیری انجام می‌شود.

سیستم‌های ایمنی مصنوعی (Artificial immune systems)

سیستم‌های ایمنی مصنوعی با استفاده از ساختارهای مجرد و کارکرد سیستم ایمنی در سیستم‌های محاسباتی و تحقیق در مورد کاربرد این سیستم‌ها در جهت حل مشکلات محاسباتی از طریق ریاضیات، ‌مهندسی و فناوری اطلاعات بکار میرود. این روش یک حوزه فرعی در زمینه محاسبات ملهم از بیولوژی و محاسبات طبیعی است و «یادگیری ماشینی» حوزه مورد علاقه آن است و متعلق به حوزه وسیع‌تر هوش مصنوعی است.

الگوریتم خفاش

این الگوریتم که مبتنی بر الگوریتم هوش دسته‌جمعی است ملهم از رفتار پژواک صدای خفاش‌ است. در این روش بصورت اتوماتیک کشف محیط و بهره‌برداری از آن از طریق کنترل صدا و ایجاد ضربان خفاش‌های مدل در فضای جستجوی چندبعدی متوازن می‌شوند. کشف محیط بمعنی پرش‌های بلند در فضای جستجوی گلوبال برای اجتناب از برخورد با ماکزیماهای محلی است و بهره‌برداری بمعنی جستجوی جزئی‌تر در محیط اطراف است که بعنوان راه‌حل‌های خوب برای یافتن ماگزیماهای محیطی شناخته می‌شوند.

بهینه‌سازی تجمعی کرم شب‌تاب (Glowworm swarm optimization)

این روش توسط «کریشناناند» و «گوس» (2005) برای محاسبات همزمان بهینه چندگانه در توابع چندمدلی معرفی شده است. در این الگوریتم برخی جنبه‌ها با الگوریتم‌های شناخته شده (مثل بهینه‌سازی کلنی مورچه یا بهینه‌سازی تجمع ذرات) مشابهت دارد ولی در همین حالت تفاوت‌های معنی‌داری نیز دارند. عاملین در این روش بعنوان کرم‌ شب‌تاب در نظر گرفته می‌شوند که منبع نوری را با خود حمل می‌کنند. کرم‌ها شایستگی خود در محل فعلی خود را کد می‌کنند و آنها را با استفاده از توابع هدف ارزیابی می‌کنند و آن را مبدل به یک «رقم لوسفرین» می‌کنند که با دیگر همسایه‌ها آن را اعلام می‌دارند. کرم شب‌تاب همسایه‌هایی را تشخیص می‌دهد و حرکت آنها را از طریق بکارگیری نوعی همسایگی سازگارانه محاسبه می‌کند که در محدوده طیف حسی او قرار دارند. هر کرم شب‌تاب از یک مکانیسم احتمالی بهره می‌برد، ‌همسایه‌ای که دارای ارزش لوسیفرین بالاتر از خود او است و به سمت او می‌آید. این جنبش‌ها صرفاً بر اساس اطلاعات محلی و تعامل‌های انتخابی افراد همجوار است و باعث می‌شود که توده کرم‌های شب تاب بصورت گروه‌های فرعی مجزا تقسیم شوند که یک تابع چند مدلی مشخص در مورد آنها چندین نقطه بهینه ایجاد می‌کند.

الگوریتم کاوش جاذبه‌ای (Gravitational search algorithm)

این الگوریتم بر اساس قانون جاذبه و تعامل‌های وزنی بنا شده و از تئوری‌های فیزیکی نیوتونی تبعیت کرده و عاملین جستجوی آن، ‌کلکسیون جرم‌ها می‌باشد و سیستم جداگانه‌ای از اجرام در آن وجود دارد. با استفاده از نیروی جاذبه، ه‌ر جرمی در این سیستم می‌تواند وضعیت جرم‌های دیگر را ببیند. نیروی جاذبه بنابرین روشی برای انتقال اطلاعات بین جرم‌های مختلف است. در این الگوریتم، عاملین به عنوان اشیاء‌ در نظر گرفته می‌شوند و عملکرد آنها توسط جرم آنها اندازه‌گیری می‌شود. تمام این اشیاء‌ همدیگر را از طریق نیروی جاذبه جذب می‌کنند و این نیرو باعث حرکت همه اشیاء به سمت اجرام سنگین‌تر می‌شود. اجرام سنگین‌تر بمعنی راه‌حل‌های مناسب مسئله می‌باشند و موقعیت عامل تابع راه حل مسئله است و جرم آن از طریق بکارگیری یک تابع شایستگی تعیین می‌شود. با گذشت زمان، ‌جرم‌ها به سنگین‌ترین جرم جذب می‌شوند که در فضای جستجو یک راه حل بهینه می‌باشد. الگوریتم جستجوی جاذبه‌ای را می‌توان بعنوان سیستم مجزایی از اجرام در نظر گرفت و در واقع شبیه یک دنیای مصنوعی کوچک از احرام هستند که از قانون نیوتنی جاذبه و حرکت تبعیت می‌کنند.

ذرات خودران (Self-propelled particles)

این مدل در سال 1995 توسط «ویسک» مطرح شد و مورد خاصی از مدل بویدز است که در سال 1986 توسط رینولدها مطرح شده بود. گروه در این مدل از طریق کلکسیون ذرات مدل‌سازی می‌شوند که با سرعت ثابتی حرکت می‌کنند ولی از طریق تقبل زمانی مدرج جهت متوسط حرکت دیگر ذرات در همسایگی به یک اختلال تصادفی پاسخ می‌دهند. سیستم‌های ایجاد گروه منجر به رفتارهای اورژانسی می‌شود که در مقیاس‌های متفاوت رخ می‌دهند و برخی از آنها هم عام و هم محکم و پایدار هستند. در تئوری فیزیکی یافت مدل‌های آماری مینیمال که بتواند این رفتار را بخود بگیرد در معرض چالش قرار دارد.

جستجوی انتشار استوکاستیک (Stochastic diffusion search)

این شیوه جستجو یک روش جستجوی گلوبال احتمالی مبتنی بر عامل و یک تکنیک بهینه‌سازی است که به بهترین شیوه‌ای با مشکلاتی می‌خورند که تابع هدف آنها را می‌توان بصورت تابع‌های جزئی مستقل تجزیه کرد. هر یک از عاملین یک فرضیه دارد که بصورت تکراری و از طریق ارزیابی یک تابع هدف جزئی انتخاب شده و بصورت تصادفی ارزیابی می‌شود که پارامترهای آن از طریق فرض‌های جاری عمل‌کننده شکل می‌گیرند. در نسخه استاندارد این روش جستجو، ‌ارزیابی‌های تابعی جزئی از نوع بیناری هستند و در نتیجه هر عمل بصورت فعال یا غیرفعال در نظر گرفته می‌شود. اطلاعات در مورد فرضیه‌ها در طول جمعیت و از طریق ارتباطات بین عاملی منتشر می‌گردد. بر خلاف ارتباط‌های استیگمرجی «بهینه‌سازی کلنی مورچه»، در مدل جستجوی استوکاستیک عاملین در مورد فرضیات از طریق یک استراتژی ارتباطی یک به یک با هم ارتباط می‌گیرند. وجود یک فیدبک مثبت ما را مطمئن می‌کند که در امتداد زمانی جمعیت عاملین حول و حوش بهترین راه حل گلوبال به پایداری میرسد. جستجوی انتشار استوکاستیک هم یک جستجوی مؤثر و محکم است و هم یک الگوریتم بهینه‌سازی است و از نظر ریاضی به خوبی توضیح داده شده است. تحقیقات اخیر در صدد آن است که خصوصیات کاوش گلوبال این روش را با الگوریتم‌های هوش جمعی دیگر در هم آمیزد.

بهینه‌سازی چنددسته‌ای (Multi-swarm optimization)

این روش بهینه‌سازی شکلی از بهینه‌سازی جمعیت ذره‌ای و بر پایه استفاده از دسته‌های فرعی چندگانه بجای یک دسته است. روش کلی بهینه‌سازی چنددسته‌ای این است که هر دسته فرعی روی یک منطقه خاص تمرکز می‌کند در حالی که یک روش خاص تنوع‌بخشی تصمیم می‌گیرد که در چه محل و چه زمانی جمعیت فرعی آغاز شود. شبکه چنددسته‌ای بخصوص برای بهینه‌سازی مسائل چندمدلی مناسب است بویژه وقتی اپتیمای چندگانه (محلی)‌ وجود داشته باشد.

کاربردها

تکنیک‌های مبتنی بر هوش دسته‌ای را می‌توان در موارد متعدد بکار برد. نیروی نظامی آمریکا در حال بررسی روش‌ها و تکنیک‌های جمعی برای کنترل وسایط نقلیه و هواپیماهای بدون سرنشین است. آژانس فضایی اروپا در حال اندیشه در مورد یک دسته اربیتالی برای تجمع خودبخودی و تداخل امواج است. ناسا در حال تحقیق در مورد موارد استفاده از تکنولوژی ایجاد گروه برای نقشه برداری سیاره‌ای است. یک مقاله سال 1992 در مورد احتمال بکارگیری هوش دستن‌ای برای کنترل نانوربات‌ها در درون بدن با هدف مبارزه با تومورهای سرطانی است. گروه دیگر با استفاده از جستجوی انتشار استوکاستیک برای موقعیت‌یابی تومورها استفاده می‌کند. هوش جمعی همچنین برای داده‌کاوی بکار می‌رود.

مسیریابی مورچه‌ای

موارد استفاده هوش جمعی در شبکه‌های ارتباط از راه دور نیز مورد تحقیق قرار گرفته است. روش آن مسیریابی مورچه‌ای (Ant-based routing) است که در میانه دهه 1990 معرفی شد و در آن از یک جدول مسیریابی مبتنی بر احتمال استفاده می‌شود بطوری که به شیوه موفقیت‌آمیزی مسیر خاصی توسط مورچه (یک بسته کنترلی کوچک) موجب گرفتن پاداش یا تقویت آن می‌شود. تقویت مسیر به سمت جلو یا برعکس یا هر دو بطور همزمان مورد بررسی قرار گرفته است: ‌تقویت پسنورد مستلزم یک شبکه متقارن است و دو جهت را با هم جفت می‌کند و تقویت پیشنورد قبل از اینکه نتیجه معلوم شود مسیری را جایزه می‌دهد و درست مثل آن است که بابت دیدن فیلمی در سینما پول بدهیم ولی ارزش فیلم را از قبل ندانیم. از آنجا که اینجا سیستم بصورت استوکاستیک رفتار کرده و در نتیجه فاقد تکرارپذیری است، لذا در کاربردهای تجاری آن موانع بسیاری وجود دارد. رسانه موبایل و تکنولوژی‌های جدید این توانایی را دارند که بصورت بالقوه حد آستانه عمل دسته جمعی را به دلیل هوش جمعی تغییر دهند...

https://en.wikipedia.org/wiki/Swarm_intelligence

http://animal-informatics.com/_monographs/12/swarm_intelligence.html

استفاده از مطالب سايت با ذكر منبع مجاز است                   مرتضی بیکی                                                                        ferimora@gmail.com                 تماس با سايت |