群体智能

集群智能(Swarm Intelligence),是指在某群体中,若存在众多无智能的个体,它们通过相互之间的简单合作所表现出来的智能行为,集群机器人便是集群智能一类。它由Gerardo Beni和Jing Wang于1989年在细胞机器人系统的背景下引入。

来源:机器之心
简介

群集智能的概念是受到鸟类和蜜蜂的启发, 从对自然界的学习中,可以发现,社会动物以一个统一的动态系统集体工作时, 解决问题和做决策上的表现会超越大多数单独成员。在生物学上,这一过程被称为“群集智能”。这也证明了一句古话:人多力量大。

这带来了一个问题:人类可以群集吗?当然,我们并没有进化出群集的能力,因为人类缺少同类用于建立实时反馈循环的敏锐连接(比如,蚂蚁的触角),这种连接是高度相关的,让群体行为被认为是一个“超级器官”。通过这么做,这些生物能够进行最优选择,这要远比独立的个体的选择能力要强得多。

但是,人类呢?我们能把个人的思考组合起来,把它们作为一个统一的动态系统吗?这样能让我们做更好的决策、预测、评估和判断吗?研究显示,答案是“yes”。事实上,使用Unanimous A.I.的技术,人类群集已经被证明在预测体育赛事结果、金融趋势甚至是奥斯卡奖得主这些事上的准确率超过了个人专家。

这一技术被称为“群集人工智能”(Artificial Swarm Intelligence,简称 Swarm A.I.),它能让群体组成实时的线上系统,把世界各地的人作为“人类群集”连接起来。它是一个人类实时输入和众多 A.I. 算法的结合。Swarm A.I. 吸引结合人类参与者的知识、智慧、硬件和直觉,并把这些要素组合成一个统一的新智能,能生成最优的预测、决策、洞见和判断。

集群智能(Swarm Intelligence),是指在某群体中,若存在众多无智能的个体,它们通过相互之间的简单合作所表现出来的智能行为,集群机器人便是集群智能一类。它由Gerardo Beni和Jing Wang于1989年在细胞机器人系统的背景下引入。

  • 算法类型:搜索/路径寻找
  • 生物启发:蚁群/鱼群/鸟群
  • 用例:机器人、视频游戏 AI、制造业、路径规划

蚁群优化(Ant Colony Optimisation)和粒子群优化(Particle Swarm Optimisation)是两种最广为人知的「集群智能」算法。从基础层面上来看,这些算法都使用了多智能体。每个智能体执行非常基础的动作,合起来就是更复杂、更即时的动作,可用于解决问题。

蚁群优化(ACO)与粒子群优化(PSO)不同。二者的目的都是执行即时动作,但采用的是两种不同方式。ACO 与真实蚁群类似,利用信息激素指导单个智能体走最短的路径。最初,随机信息激素在问题空间中初始化。单个智能体开始遍历搜索空间,边走边洒下信息激素。信息激素在每个时间步中按一定速率衰减。单个智能体根据前方的信息激素强度决定遍历搜索空间的路径。某个方向的信息激素强度越大,智能体越可能朝这个方向前进。全局最优方案就是具备最强信息激素的路径。

PSO 更关注整体方向。多个智能体初始化,并按随机方向前进。每个时间步中,每个智能体需要就是否改变方向作出决策,决策基于全局最优解的方向、局部最优解的方向和当前方向。新方向通常是以上三个值的最优「权衡」结果。

【来源:机器之心;
遗传算法到强化学习,一文介绍五大生物启发式学习算法
  】

应用:

基于群体智慧的技术可用于许多应用程序。 美国军方正在研究用于控制无人驾驶车辆的群体技术。 欧洲航天局正在考虑用于自组装和干涉测量的轨道群。 美国宇航局正在研究使用群体技术进行行星测绘。 M. Anthony Lewis和George A. Bekey撰写的1992年论文讨论了使用群体智能来控制体内纳米机器人以杀死癌症肿瘤的可能性。 相反,al-Rifaie和Aber使用随机扩散搜索来帮助定位肿瘤。群体智能也已应用于数据挖掘等领域。如:Ant-based routing,DoRoO等人和Hewlett Packard在20世纪90年代中期以来研究了基于蚂蚁的路由算法在电信网络中的应用。

【来源:wiki;https://en.wikipedia.org/wiki/Swarm_intelligence

Radhika Nagpal et al:开发人工蜂群智能技术

所谓集群机器人(Swarm Robotics)或者人工蜂群智能(Artificial Swarm Intelligence),就是让许多简单的物理机器人协作。就像昆虫群体一样,机器人会根据集群行为行动,它们会在环境中导航,与其它机器人沟通。

与分散机器人系统不同,群峰机器人会用到大量机器人,它是一个灵活的系统。Radhika Nagpal et al.领导的团队以及其他包括哈佛在内的许多科研机构都在研究这门技术。

此技术未来若能获得成功,群峰机器人将会展示巨大的潜力,影响医疗保健、军事行业。机器人越来越小,未来,我们也许可以让大量纳米机器人以群峰的形式协调工作,在微机械、人体内执行任务

【来源:机器之心;
大神和他们的“改变未来”技术:值得你了解的 15 名伟大工程师

发展历史

描述

Boids ( 1987)

Boids是一种人工生命项目,由Craig Reynolds于1986年开发,模拟鸟类的群集行为(Flocking behavior)。他关于这一主题的论文发表于1987年的ACM SIGGRAPH会议论文集。

与大多数人工生命模拟一样,Boids是紧急行为的一个例子;也就是说,Boids的复杂性源于各个代理遵循一系列简单规则的交互。在最简单的Boids世界中应用的规则如下:分离;对齐;凝聚力。下图是鸟类的Flocking behavior案例

Image.jpg

Self-propelled particles - 自行推进的粒子(Vicsek等人. 1995)

自驱粒子(Self-propelled particles, SPP),也称为Vicsek模型,由Vicsek等人于1995年引入,也是Vicsek于1986年引入的boids模型的一种特例。在SPP中的一系列粒子对群体进行建模,这些粒子以恒定速度移动,但通过在每次增加其局部邻域中的其他粒子的平均运动方向来响应随机扰动。 SPP模型预测蜂群动物在群体水平上具有某些特性,无论群体中的动物类型如何。群集系统产生了出现在许多不同规模的紧急行为,其中一些行为既普遍又强大。找到捕获这些行为的最小统计模型已经成为理论物理学的挑战。

启发式

进化算法(Evolutionary algorithms,EA),粒子群优化( particle swarm optimization,PSO),蚁群优化(colony optimization,ACO)及其变体在自然启发式领域占主导地位。 这些都是大约在2000年左右发布的算法。

Stochastic diffusion search (Bishop 1989)

随机扩散搜索(Bishop 1989)

1989年首次发布的随机扩散搜索(Stochastic diffusion search,SDS)是第一个群智能元启发式。SDS是一种基于智能体的概率全局搜索和优化算法,最适合于将目标函数分解为多个独立的部分函数的问题。每个代理包含一个假设,该假设通过评估由代理的当前假设参数化的随机选择的部分目标函数来迭代测试。在SDS的标准版本中,这种部分功能评估是二进制的,导致每个代理都变得活跃或不活跃。关于假设的信息通过代理之间的通信在人群中传播。与ACO中使用的传递不同,SDS中的代理通过一对一的通信策略来传递假说。全局最优解。SDS算法是一种高效、鲁棒的全局搜索和优化算法,在数学上得到了广泛的描述。最近的工作涉及将SDS的全局搜索特性与其他群智能算法合并。

Ant colony optimization (Dorigo 1992)

蚁群算法(Ant Colony Optimization, ACO),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文“Ant system: optimization by a colony of cooperating agents”中提出。一份从论文中提取的技术报告五年后出版,由V. Maniezzo和A.Colorni合著。1996年,蚂蚁系统的文章出版。1996年,Hoos与Stützle发明了最大最小蚂蚁系统。1997年,Dorigo和Gambardella发布了蚁群系统。

Particle swarm optimization (Kennedy, Eberhart & Shi 1995)

粒子群优化算法(PSO:Particle swarm optimization) 是一种进化计算技术(evolutionary computation)。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想:是通过群体中个体之间的协作和信息共享来寻找最优解.这种方法相对于其他全局最小化策略(例如模拟退火)的主要优点在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。

【来源:wiki;https://en.wikipedia.org/wiki/Swarm_intelligence

主要事件

年份事件相关论文/Reference
1987Reynolds, C. W.模拟鸟类的群集行为Reynolds, C. W. (1987, August). Flocks, herds and schools: A distributed behavioral model. In ACM SIGGRAPH computer graphics (Vol. 21, No. 4, pp. 25-34). ACM.
1989Bishop, J. M.提出随机扩散搜索Bishop, J. M. (1989, October). Stochastic searching networks. In Artificial Neural Networks, 1989., First IEE International Conference on (Conf. Publ. No. 313) (pp. 329-331). IET.
1995Vicsek等人引入自驱粒子Vicsek, T., Czirók, A., Ben-Jacob, E., Cohen, I., & Shochet, O. (1995). Novel type of phase transition in a system of self-driven particles. Physical review letters, 75(6), 1226.
2002Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T应用遗传算法来解决多目标优化问题Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), 182-197.
2005Dorigo, M., & Blum, C.对蚁群算法进行回顾Dorigo, M., & Blum, C. (2005). Ant colony optimization theory: A survey. Theoretical computer science, 344(2-3), 243-278.

发展分析

瓶颈

在美国总统大选时,Unanimous A.I.也曾做过预测,并认为希拉里当选。它的方法是直接以人为分析对象,即通过询问参与的选民一组类似的问题,如:“如果希拉里担任总统,失业问题将如何改善?”参与预测的选民可从五个答案中选择,即“大幅改善”、“略微改善”、“大幅加剧”、“略微加剧”以及“没有任何变化”。此外,可选的答案还有“希拉里胜算很大”、“希拉里略胜一筹”、“特朗普胜算很大”、“特朗普略胜一筹”以及“不相上下”。

在Unanimous A.I.进行的预测中,有45个选民参与,其中46%为民主党人,24%为共和党人,30%在党派上保持中立或属于其它党派。

从设计的问题和选取的对象看,由Unanimous AI开发的swarm AI-UNU的预测则明显倾向希拉里。Unanimous A.I. 直接以人为分析对象并使用了一种所谓的“群集智能”的技术。即在实际预测中,一组随机选取的适龄参选的公民会被提问,参与者按照自己的回答倾向牵动球体。在这一过程中,参与者往往会根据球位置的变化而不断变化自己的选择——当发现多数人也支持自己的选择时,他可能会更加坚定地牵引;而当发现球大大偏离自己希望的方向时,他可能会放弃或减小牵引力,直至最终达成“共识”。

有专家评论说,Unanimous AI采用“集群智能”技术搜集数据的方法更带有偏见性,这种偏见通过问题的设定和对象的选取得到了充分体现。但是很明显的看出:群体智慧有失效的时候。

【来源:机器之心;
【重磅】2017奥斯卡大奖揭晓,群集智能AI成功预测12项(技术解析)
  】

未来发展方向

群体智慧有失效的时候。例如,美国总统大选时Unanimous A.I.的预测。为了找出那些不为多数人所知的正确信息,普林斯顿大学和 MIT 的研究者设计了一种新的方法,将其称为“意外流行”(surprisingly popular)算法。研究人员表示,这种算法能更好地从群体中获取正确答案,尤其是当大多数人的看法是错误的时候。相关论文日前在 2017年Nature 发表《A solution to the single-question crowd wisdom problem》。

实验中,研究人员会询问接受调查的人他们对某个问题的看法,以及他们认为其他人会如何看待这个问题:①你认为正确答案是什么?②你认为流行的答案(即多数人会选择的回答)是什么?

然后,算法会找出“意外流行”的答案,也就是比大多数人预测中更受欢迎的答案。大部分情况中,这些超出大多数人预计的选择,就是正确的答案。

“我们以为社会平均意见一般是对的,过往对群体智慧的统计也支持这一看法,”研究负责人、MIT 斯隆管理学院的行为经济学家 Drazen Prelec 说:“但事实证明并非如此。有像医生那样的专家存在。这让我们意识到了少部分人掌握的知识。也就是:真理掌握在少数人手里的”

【来源:机器之心;
【重磅】2017奥斯卡大奖揭晓,群集智能AI成功预测12项(技术解析)
  】

Contributor:Ruiying Cai

相关人物
Holger Hoos
Holger Hoos
德裔加拿大计算机科学家、莱顿大学的机器学习教授、 AAAI 会员。他的研究兴趣集中在经验算法上,应用于人工智能、生物信息学和运筹学。
J. Mark Bishop
J. Mark Bishop
简介
相关人物