هوش جمعی (SI) یا هوش ازدحامی چیست؟

هوش جمعی (Swarm intelligence) یا هوش گروهی و به کلامی دیگر هوش ازدحامی  عبارت است از رفتار جمعی سیستم های نامتمرکزِ خود سازمان دِه، خواه این سیستم ها طبیعی باشند خواه مصنوعی.

این مفهوم در هوش مصنوعی استفاده می شود و این اسم، توسط جراردو بِنی و جینگ ونگ در ۱۹۸۹ در چارچوب سیستم های رباتیک سلولار استفاده شد.

سیستم های SI معمولاً از جمعیتی ساده از کارگزارها (agents) یا بویدها (boids) که بطور موضعی با یکدیگر و با محیط تعامل می کنند تشکیل می شوند. این مفهوم معمولاً از طبیعت الهام گرفته می شود، به ویژه سیستم های زیست شناختی. کارگزارها از قوانین بسیار ساده ای پیروی می کنند، و اگرچه هیچ ساختارکنترل متمرکزی وجود ندارد که دیکته کند هر کارگزار چگونه باید رفتار کند، اما تعاملات موضعی و تا حدی تعاملات تصادفی بین این کارگزارها منجر به ظهور رفتار سراسری “هوشمندانه” می شود، که برای کارگزارهای منفرد نامعلوم است. مثال هایی از این پدیده در سیستم های طبیعی عبارت اند از کلون های مورچه، پرواز دسته ای پرندگان، گله داری حیوانات، رشد باکتری ها، تربیت ماهی ها و هوش میکروبی.

کاربرد اصول ازدحامی روی ربات ها، رباتیک گروهی نام دارد، در حالی که “هوش ازدحامی” به مجموعه کلی تر الگوریتم ها اشاره می کند. “پیش بینی ازدحامی” در چارچوب مسائل پیشگویی مورد استفاده قرار گرفته است.

مدل هایی از رفتار گروهی (ازدحامی)


بویدز (رِینولدز ۱۹۸۷)

بویدز یک برنامه زندگی مصنوعی است که کریگ رینولدز در ۱۹۸۶ آن را توسعه داد. این برنامه رفتارِ دسته ایِ پرندگان را شبیه سازی می کند. مقاله او در این زمینه در سال ۱۹۸۷ در جریان کنفرانس ACM SIGGRAPH منتشر شد. عنوان “بوید” مخففی از “bird-oid object” است که به معنای “شیء شبه پرنده” است.

مثل بسیاری از شبیه سازی های زندگی مصنوعی، بویدز هم مثالی است از رفتار ظهوری؛ به این معنا که پیچیدگی بویدز از تعامل کارگزارهای منفرد (در این مورد، بویدها) که به مجموعه ای از قوانین ساده مقید هستند ناشی می شود. قوانینی که در ساده ترین دنیای بویدز به کار بسته می شوند عبارت اند از:

  • تفکیک: برای نزدیک نشدن بیش از حد به همدسته ای های نزدیک، جهت خود را تغییر دهید
  • به صف شدن: با میانگین جهت همدسته ای های نزدیک، هم راستا شوید
  • چسبندگی: برای حرکت به سمت میانگین موقعیت (مرکز جرم) همدسته ای های نزدیک، جهت خود را تنظیم کنید.

قوانین پیچیده تری را می توان اضافه کرد، مثل اجتناب از مانع و تعقیب هدف.

ذرات خودکششی (ویشِک و دیگران، ۱۹۹۵)

ذرات خوکششی (SPP) که به عنوان مدل ویسک هم شناخته می شود، در سال ۱۹۹۵ به عنوان حالت خاصی از مدل بویدز که در ۱۹۸۶ توسط رینولدز ارائه شده بود، توسط ویشِک و دیگران مطرح شد. در SPP ازدحام توسط دسته ای از ذرات مدل می شود که با سرعتی ثابت در حرکت هستند اما در مقابل اختلالات تصادفی در هر گام زمانی افزوده، با پذیرفتن میانگین جهت حرکت سایر ذرات در همسایگی موضعی خود، عکس العمل نشان می دهند. مدل های SPP پیش بینی می کنند که حیوانات ازدحام کننده در سطح گروهی ویژگی های خاصی را، صرف نظر از نوع حیوانات در گروه، به اشتراک می گذارند. سیستم های گروهی منجر به رفتارهای ظهوری می شوند که در مقیاس های بسیار متفاوتی اتفاق می افتند، و ثابت می شود برخی از آن ها جامع و استوار هستند. یافتن مدل های آماری مینیمالی که این رفتارها را توصیف کنند، در فیزیک نظری به یک چالش تبدیل شده است.

الگوریتم های فرا ابتکاری یا فراتکاملی


الگوریتم های تکاملی (EA)، بهینه سازی ازدحام ذرات (PSO)، بهینه سازی کلونی مورچه ها (ACO) و انواع مختلف آن ها حیطه الگوریتم های فرا ابتکاریِ الهام شده از طبیعت را تحت سیطره دارند. این فهرست، الگوریتم هایی را که تا حدود سال ۲۰۰۰ منتشر شدند دربر می گیرد. تعداد زیادی از الگوریتم های فرا ابتکاری استعاریِ اخیر، در جامعه تحقیقاتی مورد انتقاد قرار گرفته اند زیرا این الگوریتم ها عدم تازگی خود را در پس استعاره ای پیچیده پنهان می کنند. برای آشنایی با الگوریتم هایی که از آن زمان منتشر شدند، فهرست الگوریتم های فرا ابتکاری استعاری را ببینید.

جستجوی پراکنش تصادفی (بیشاپ ۱۹۸۹)

جستجوی پراکنش تصادفی (stochastic diffusion search) یا به اختصار SDS که در ۱۹۸۹ منتشر شد اولین الگوریتم فرا ابتکری هوش ازدحامی بود. SSD یک تکنیک بهینه سازی و جستجوی هدفِ احتمالاتیِ کارگزار-محور است که برای مسائلی که در آن تابع هدف را می توان به چندین تابع جزئی تجزیه کرد بهترین کارایی را دارد. هر کارگزار، فرضی دارد که با ارزیابی یک تابع هدف جزئی که بطور تصادفی انتخاب شده و با فرض فعلی کارگزار پارامتری سازی شده است، مکرراً مورد آزمایش قرار می گیرد. در نسخه استاندارد SDS این ارزیابی های تابع جزئی، باینری (دوتایی) هستد، که نتیجه آن فعال یا غیرفعال شدن هر کارگزار است. اطلاعات درباره فرض از طریق ارتباط میان-کارگزاری روی تمام جمعیت پراکنش می شود. برخلاف ارتباط نشانه ورزی (stigmergic) مورد استفاده در ACO، در SDS کارگزارها فرضیات را توسط یک استراتژی ارتباطی یک به یک، مشابه حرکت قطاری مورچه های زرد، مخابره می کنند. یک مکانیزم فیدبک مثبت تضمین می کند که با گذر زمان، جمعیتی از کارگزارها حوالی جواب بهینه سراسری به پایداری می رسند. SDS یک الگوریتم بهینه سازی و جستجوی سراسری استوار و اثربخش است که از نظر ریاضی، به شکل گسترده ای توصیف شده است. اخیراً پژوهش هایی در مورد ادغام ویژگی های جستجوی سراسری SDS با سایر الگوریتم های هوش ازدحامی انجام گرفته است.

 بهینه سازی کلونی مورچه (دوریگو ۱۹۹۲)

بهینه سازی کلونی مورچه (ACO) که در رساله دکترای دورگیو معرفی شد، دسته ای از الگوریتم های بهینه سازی است که بر اساس رفتار یک کلونی مورچه مدل سازی شده است. ACO یک تکنیک احتمالاتی است که در مسائلی که به دنبال یافتن مسیرهای بهتر در میان نمودارها هستند، ثمر بخش است. “مورچه”های مصنوعی –کارگزارهای شبیه سازی- با حرکت در میان یک فضای پارامتری که تمام جواب های ممکن را نمایش می دهند، پاسخ های بهینه را پیدا می کنند. مورچه های واقعی با قرار دادن فرومون روی زمین، ضمن کاوش در محیط، یکدیگر را به سمت منابع هدایت می کنند. “مورچه”های شبیه سازی شده بطور مشابه موقعیت خود و کیفیت پاسخ های خود را ضبط می کنند تا در تکرارهای بعدی شبیه سازی مورچه های بیشتری جواب های بهتری پیدا کنند.

بهینه سازی ازدحام ذرات (کِنِدی، اِبرهارت و شی، ۱۹۹۵)

بهینه سازی ازدحام ذرات (PSO) یک الگوریتم بهینه سازی سراسری برای مقابله با مسائلی است که در آن جواب بهینه را توسط یک نقطه یا رویه در یک فضای n بُعدی می توان نشان داد. در این فضا فرضیات رسم می شوند و به آن ها سرعت اولیه و نیز کانالی برای ارتباط میان ذرات داده می شود. سپس ذرات در فضای جواب حرکت می کنند، و بعد از هر گام زمانی طبق یک معیار سازواری ارزیابی می شوند. با گذر زمان، ذرات به سمت ذراتی که درون گروه ارتباطی خود هستند و مقادیر سازواری بهتری دارند، سرعت می گیرند. مزیت اصلی چنین روشی نسبت به سایر استراتژی های کمینه سازی سراسری مثل تبرید شبیه سازی شده، این است که تعداد زیاد ذرات تشکیل دهنده ازدحام، این تکنیک را نسبت به مسئله مینیمم های موضعی به شکلی تحسین برانگیز، برجهنده (resilient) می کند.

کاربردها


تکنیک های مبتنی بر هوش ازدحامی در کاربردهای متعددی قابل استفاده هستند. ارتش امریکا در حال بررسی تکنیک های ازدحامی برای کنترل وسایل نقلیه بدون سرنشین است. آژانس فضایی اروپا در حال تحقیق درباره یک ازدحام مداری برای خود-نصبی و تداخل سنجی است. ناسا در حال بررسی فناوری ازدحام برای نگاشت سیاره ای است. مقاله ای در سال  ۱۹۹۲ نوشته شده توسط ام. آنتونی لوییس و جورج آ. بکی امکان استفاده از هوش ازدحامی برای کنترل نانوبات های درون بدن را برای کشتن تومورهای سرطانی بررسی می کند. و برعکس، الرفاعی و آبر، از جستجوی پراکنش تصادفی برای کمک به پیدا کردن تومورهای سرطانی استفاده کرده اند. هوش ازدحامی همچنین در داده کاوی نیز مورد استفاده قرار گرفته است.

مسیریابی مورچه-محور

استفاده از هوش ازدحامی در شبکه های مخابراتی نیز مورد پژوهش بوده است؛ به شکل مسیریابی مورچه محور. این کاربرد برای اولین بار بطور مجزا توسط دورگیو و همکاران وی، و هیولوت پاکارد در اواسط دهه ۱۹۹۰ مطرح شد، و از آن زمان تا کنون شکل های مختلفی از آن ارائه شده است. اساساً، این ایده از یک جدول مسیریابی احتمالاتی استفاده می کند که مسیری را که هر “مورچه” (یک بسته کنترلی کوچک) که در شبکه به تعداد بسیار وجود دارند، با موفقیت از آن عبور کرده، تقویت/ تشویق می کند. تقویت مسیر در جهت های پیشرو، معکوس و هردو همزمان، مورد پژهش قرار گرفته است: تقویت پسرو نیازمند یک شبکه متقارن است و دو جهت را بهم پیوند می زند؛ تقویت پیشرو یک مسیر را پیش از آن که خروجی شناخته شود تشویق می کند (اما این مثل پرداخت پول بلیط سینما قبل از دیدن فیلم است). از آنجایی که سیستم بطور تصادفی کار می کند و لذا تکرارپذیر نیست، موانع بزرگی برای استفاده تجاری آن وجود دارد. رسانه های قابل حمل (موبایل) و فناوری های جدید به واسطه هوش ازدحامی، پتانسیل تغییر آستانه برای عمل جمعی را دارند (رینگولد: ، ص ۱۷۵).

مکان سازه های مخابراتی برای شبکه های ارتباطی بدون سیم یک مسئله مهندسی مهم در اهداف رقابتی است. انتخابی مینیمال از مکان ها (یا مقرها) لازم است، به شرط آن که مساحت کافی برای کاربران پوشش داده شود. یک الگوریتم بسیار متفاوت هوش ازدحامی الهام شده از مورچه ها، که جستجوی پراکنش تصادفی (SDS) نام دارد، استفاده ای موفقیت آمیز در ایجاد مدلی عمومی برای این مسئله که به مسئله تجمع دایره ای (circle packing) و پوشش مجموعه ای (set covering) مرتبط است، داشته است.  نشان داده شده است که می توان از SDS برای شناسایی جواب های مناسب حتی در حالت هایی که مسئله بزرگ است استفاده نمود.

خطوط هوایی نیز از مسیریابی مورچه-محور در تخصیص هواپیماهای در حال فرود به دروازه های فرودگاه استفاده کرده اند. در خطوط هوایی جنوب غربی یک نرم افزار از تئوری ازدحام یا هوش ازدحامی استفاده می کند-یعنی این ایده که یک کلون از مورچه ها از یک مورچه تنها بهتر کار می کنند. هر خلبان مثل مورچه ای عمل می کند که به دنبال بهترین دروازه فرودگاه است. داگلاس آ. لاسون توضیح می دهد: “خلبان از تجربه خود یاد می گیرد که چه چیزی برای او بهترین است، و مشخص می شود که این بهترین راه حل برای خط هوایی است.” در نتیجه، “کلون” خلبانان همواره به دروازه هایی می روند که به سرعت می توانند به آن وارد و از آن خارج شوند.  این برنامه حتی می تواند به خلبان در مورد بک-آپ های هواپیما، پیش از آن که اتفاق بیفتند هشدار دهد. لاسون در این مورد می گوید: “ما می توانیم پیش بینی کنیم که چه اتفاقی خواهد افتاد، بنابراین یک دروازه را آماده می کنیم.”

شبیه سازی جمعیت

هنرمندان از فناوری ازدحام به عنوان ابزاری برای ساخت سیستم های تعاملی پیچیده یا شبیه سازی جمعیت استفاده می کنند.

استنلی و استلا در: شکستن یخ  اولین فیلمی بود که از فناوری ازدحام در رندرینگ (rendering) استفاده کرد که به شکلی واقعی حرکات گروه هایی از ماهیان و پرندگان را با استفاده از سیستم بویدز به تصویر کشید. بتمن بازمی گردد اثر تیم برتون نیز از فناوری ازدحام برای نشان دادن حرکات گروهی از خفاش ها استفاده کرد. سه گانه ارباب حلقه ها در صحنه های جنگ از فناوری مشابهی که MASSIVE نام دارد استفاده کرد. فناوری ازدحام بطور ویژه ای جذاب است زیرا ارزان، استوار و ساده است.

خطوط هوایی از تئوری ازدحام برای شبیه سازی سوار شدن مسافران در هوا استفاده کرده اند. داگلاس آ. لاسون، محقق خطوط هوایی جنوب غربی از یک شبیه سازی کامپیوتری مورچه-محور که تنها از شش قانون تعاملی استفاده می کرد، برای ارزیابی زمان سوار شدن مسافران با استفاده از روش های متفاوتِ سوار شدن استفاده کرد. (Miller, 2010, xii-xviii)

ازدحام انسانی

شبکه های کاربران توزیع شده که به واسطه نرم افزارهای میانجی مثل پلتفرم UNU از  Unanimous A.I. توانایی یافته اند، می توانند از طریق پیاده سازی زمان-واقعی (real-time) سیستم های کنترل حلقه بسته، به شکل “ازدحام های انسانی” سازماندهی شوند. همانطور که در مقاله روزنبرگ (۲۰۱۵) منتشر شد، این سیستم های زمان-واقعی، گروه های شرکت کننده انسان را قادر به رفتار مثل یک هوش جمعی واحد می کند که به عنوان یک موجود، پیش بینی می کند، به پرسش ها پاسخ می دهد و اظهار نظر می کند. نشان داده شده است که چنین سیستم هایی هوش انسانی را به میزان چشمگیری تقویت می کنند، که در نهایت منجر یه رشته ای از پیش گویی های جالب توجه با دقت بسیار بالا می شود. آزمایش های آکادمیک نشانگر آن هستند که ازدحام های انسانی می توانند در بسیاری از وقایع دنیای واقعی پیش گویی بهتری نسبت به افراد تَکی داشته باشند.

 

ازدحام انسانی - مدیاسافت

ازدحام انسانی (روزنبرگ، ۲۰۱۵)

گرامرهای ازدحامی

گرامرهای ازدحامی، ازدحام هایی از گرامرهای تصادفی هستند که می توان آن ها را برای توصیف ویژگی های پیچیده مثل آنچه در هنر و معماری دیده می شود، ترقی داد. این گرامرها مثل رفتار کارگزارها طبق قوانین هوش ازدحامی، تعامل می کنند.  چنین رفتاری همچنین می تواند الگوریتم های یادگیری عمیقی را پیشنهاد کند، به ویژه هنگامی که نگاشت چنین ازدحام هایی به مدارهای عصبی مد نظر است.

هنر ازدحامی

الرفاعی و دیگران در تعدادی از آثار خود، دو الگوریتم هوش ازدحامی را برای توصیف یک استراتژی یکپارچه سازی نوین که از ویژگی های جستجوی موضعی PSO و مشخصه های رفتاری SDS سراسری بهره می بُرد، بطور موفقیت آمیز استفاده کردند. یکی از این الگوریتم ها رفتار گونه ای از مورچه ها (مورچه های زرد) را تقلید می کرد که به دنبال غذا می گشتند (جستجوی پراکنش تصادفی، SDS) و الگوریتم دیگر رفتار دسته پرندگان (بهینه سازی ازدحام ذره ای، PSO) را تقلید می کرد. الگوریتم ترکیبی حاصل در ترسیم نقاشی هایی نُوین از یک تصویرِ ورودی استفاده می شود، که از تَنشی هنری میان رفتار موضعی “دسته پرندگان”-که سعی در دنبال کردن طرح ورودی دارند- و رفتار سراسری “مورچه های در جستجوی غذا”-که سعی در ترغیب گروه به کاوش در ناحیه های جدید کرباس دارند، بهره کامل می گیرد. “خلاقیت” این سیستم ازدحام ترکیبی تحت دیدگاه فلسفی “ریزوم” در چارچوب استعاره “ارکید و زنبور بی عسلِ” دلوز، تحلیل شده است.

در اثر جدیدتر الرفاعی و همکاران، “مکانیزم توجه و طرح های ازدحامی”، روشی نُوین معرفی می شود که از مکانیزم “توجه” از طریق پذیرش SDS برای توجهِ گزینش شده به نواحیِ با جزییاتِ کرباس دیجیتال استفاده می کند. هنگامی که توجه ازدحام به یک خط خاص درون کرباس جلب شود، قابلیت PSO برای تولید یک “طرح ازدحامی” از خط مورد توجه، مورد استفاده قرار می گیرد. گروه ها (ازدحام ها) در کرباس دیجیتالی حرکت می کنند تا نقش های پویای خود را ارضا کنند-توجه به ناحیه هایی که جزییات بیشتری دارند-این نقش ها از طریق تابع سازواری به آن ها نسبت داده شده است. پس از متناظر کردن فرایند رندرینگ به مفاهیم توجه، هربار که گروه های “هنرمند” شروع به تفسیر نقاشی های خطی ورودی می کنند، عملکرد گروه های شرکت کننده طرحی یکتا و غیر یکسان خلق می کند. در آثار دیگر در حالی که PSO مسئول فرایند ترسیم است، SDS توجه ازدحام را کنترل می کند.

در اثری مشابه، “نقاشی های ازدحامی و توجه به رنگ”، تصاویر غیر فوتورئالیستیک توسط الگوریتم SDS تولید می شوند که در چارچوب این اثر، مسئولیت توجه به رنگ را عهده دار است.

“خلاقیت محاسباتی” سیستم های ذکر شده در بالا توسط دو پیشنیاز خلاقیت (یعنی آزادی و قیود) درون دو فاز بدنام هوش ازدحامی یعنی کاوش و بهره گیری بررسی می شوند.

مایکل تئودور و نیکلاس کورل از برپایی هنر هوش ازدحامی جهت کاوش در  چیزی که برای واقعی به نظر رسیدن سیستم های مهندسی شده لازم است، استفاده می کنند. آثار قابل توجه در این زمینه عبارت اند از دیوار ازدحامی (۲۰۱۲) و اِندو اِکسو (۲۰۱۴).

دانشمندان برجسته


  • نیکلاس کورل
  • مارکو دورگیو
  • راسل سی. اِبرهارت
  • لوکا ماریا گامباردلا
  • جیمز کِنِدی
  • آلچریو مارتینولی
  • کریگ رینولدز
  • لوییس روزنبرگ

نوشته هوش جمعی (SI) یا هوش ازدحامی چیست؟ اولین بار در مدیاسافت پدیدار شد.

Powered by WPeMatico