Professional Documents
Culture Documents
Inteligencia de enjambre es una rama de la Inteligencia artificial que estudia el comportamiento colectivo de los sistemas
descentralizados, autoorganizados, naturales o artificiales. El concepto se emplea en los trabajos sobre inteligencia artificial. La
1
expresión fue introducida porGerardo Beni y Wang Jing en 1989, en el contexto de los sistemas robóticos móviles.
Inspirados por la naturaleza, especialmente por ciertos sistemas biológicos, los sistemas de inteligencia de enjambre están
típicamente formados por una población de agentes simples que interactúan localmente entre ellos y con su medio ambiente. Los
agentes siguen reglas simples y, aunque no existe una estructura de control centralizado que dictamine el comportamiento de cada
uno de ellos, las interacciones locales entre los agentes conduce a la emergencia de un comportamiento global complejo. Como
ejemplos naturales se incluyen las colonias de hormigas, el alineamiento de las aves en vuelo, el comportamiento de rebaños durante
el pastoreo y el crecimiento bacteriano.
La aplicación de los principios enjambre a robots se llama robótica de enjambres, mientras que el término "inteligencia de enjambre"
se refiere al conjunto más general de los algoritmos. 'Predicción de Enjambres' se ha utilizado en el contexto de los problemas de
previsión.
Índice
Ejemplos de algoritmos
Optimización de colonia de hormigas
Optimización enjambre de partículas
Optimización de múltiples enjambres
Algoritmo de colonia de abejas
Algoritmo de altruismo
Sistemas inmunológicos artificiales
Algoritmo de murciélago
Búsqueda de sistema cargado
Búsqueda Cuckoo
Algoritmo de búsqueda diferencial
Algoritmo firefly
Optimización enjambre de luciérnagas
Algoritmo de búsqueda gravitacional
Caída inteligente de gotas de agua
Algoritmo de optimización magnética
Búsqueda de difusión estocástica
Aplicaciones
Enrutamiento basado en hormigas
En la cultura popular
Investigadores notables
Véase también
Referencias
Bibliografía
Ejemplos de algoritmos
Optimización de colonia de hormigas
La optimización basada en colonias de hormigas (OCH) es una clase de algoritmos de optimización inspirada en las acciones de una
colonia de hormigas. Los métodos OCH son útiles en problemas que necesitan encontrar caminos hacia metas. El objetivo de la
'simulación de hormigas artificiales' a través de agentes es la de localizar soluciones óptimas moviéndose a través de un espacio de
parámetros que representa todas las posibles soluciones. Las hormigas naturales utilizan las feromonas que dirigen una a la otra, a los
recursos y a explorar su entorno. La simulación de 'hormigas' igualmente permite grabar sus posiciones y la calidad de sus
2
soluciones, para que en posteriores iteraciones de simulación más hormigas puedan encontrar mejores soluciones.
Algoritmo de altruismo
Los investigadores en Suiza han desarrollado un algoritmo basado en la regla de Hamilton de selección de parentesco. El algoritmo
muestra cómo el altruismo en un enjambre de animales puede, con el tiempo, evolucionar y dar lugar a un comportamiento más
eficaz del enjambre.8 9
Algoritmo de murciélago
El algoritmo de murciélago (AM) está inspirado en el comportamiento de la ecolocalización de los micromurciélagos. Este hace uso
de un balance de la frecuencia y sintonización automática de exploración y explotación mediante el control de las tasas de sonoridad
y el pulso de emisión.10
Búsqueda Cuckoo
Búsqueda Cuckoo (CS) imita el comportamiento inquietante de algunas especies de aves que utilizan de acogida para poner sus
huevos y criar a sus polluelos. Este algoritmo12 de búsqueda se ha mejorado con los vuelos de Lévy con pasos de salto extraídas de
distribución de Lévy.13 Los estudios recientes sugieren que el BC puede superar a otros algoritmos como la optimización de
enjambre de partículas. Por ejemplo, una comparación de la búsqueda de Cuckoo con PSO, DE y ABC sugieren que el CS y los
14
algoritmos DE proporcionar resultados más sólidos que PSO y ABC.
Algoritmo firefly
El algoritmo firefly (FA) está inspirado en el comportamiento intermitente de las luciérnagas. La intensidad de luz está asociada con
el atractivo de una luciérnaga, la capacidad para subdividir en pequeños grupos y cada subgrupo enjambre alrededor de los modos
locales. Por lo tanto, el algoritmo de luciérnaga está especialmente indicado para problemas de optimización multimodal.16 De
hecho, FA se ha aplicado en la optimización continua, problema del viajante, clustering, procesamiento de imágenes y selección de
características.
Aplicaciones
La inteligencia de emjambres basados en técnicas pueden ser usadas en un número de aplicaciones. El ejército de EE.UU. está
investigando técnicas de enjambre para el control de vehículos no tripulados. La Agencia Espacial Europea está pensando en un
enjambre orbital para el autoensamblaje y la interferometría. La NASA está investigando el uso de la tecnología de nube para la
cartografía planetaria. Un documento de 1992 por M. Anthony Lewis y George A. Bekey analiza la posibilidad de utilizar la
inteligencia de enjambre para controlar nanorobots dentro del cuerpo con el fin de matar a los tumores de cáncer.34 Por otra parte al-
Rifaie y Aber han usado Búsqueda difusión estocástico para ayudar a localizar tumores. La inteligencia de enjambre se ha aplicado
también para la minería de datos.35
La ubicación de la infraestructura de transmisión para redes inalámbricas de comunicación es un problema de ingeniería importante
que tiene objetivos contrapuestos. Una selección mínima de ubicaciones (o sitios) son necesarias sujeto a proporcionar cobertura de
área adecuada para los usuarios. Un algoritmo de inteligencia de enjambres basado en hormigas, búsqueda difusión estocástica
(SDS), ha sido utilizado con éxito para proporcionar un modelo general para este problema, relacionado con embalaje círculo y
conjunto de presentación. Se ha demostrado que SDS se puede aplicar para identificar soluciones adecuadas incluso para instancias
de problemas de gran tamaño.36
Las líneas aéreas han utilizado también hormiga enrutamiento basado en la asignación de las llegadas de aeronaves a las puertas del
aeropuerto. En Southwest Airlines un programa de software utiliza la teoría de enjambre, o enjambre de inteligencia-la idea de que
una colonia de hormigas funciona mejor que una sola. Cada piloto actúa como una hormiga en busca de la puerta mejor aeropuerto.
"El piloto aprende de su experiencia ¿qué es lo mejor para él, y resulta que esa es la mejor solución para la aerolínea," Douglas A.
Lawson explica. Como resultado, la "colonia" de los pilotos siempre van a las puertas de llegada y salida de forma rápida. El
programa puede incluso alertar a un piloto de avión de copias de seguridad antes de que sucedan. "Podemos anticipar que va a
37
suceder, por lo que tendremos una puerta disponible", dice Lawson.
En la cultura popular
Inteligencia de enjambres relacionados con los conceptos y las referencias se pueden encontrar en la cultura popular, a menudo como
una forma de la inteligencia colectivao mente grupal con agentes mucho más que los utilizados en las aplicaciones actuales.
El escritor de ciencia ficción Olaf Stapledon puede haber sido el primero en hablar de enjambre igual o superior a la
humanidad inteligencias. En El último y primer hombre (1931), una inteligencia de enjambre de Marte consiste en
pequeñas células individuales que se comunican entre sí por las ondas de radio en Star Maker (1937) fundando
enjambres inteligentes en múltiples civilizaciones, compuesto por bandadas de aves o, en su universo se enfría y
energéticamente eficientes enjambres de balas de madriguera, en última instancia, toda la inteligencia en los
enjambres universo en una sola entidad apenas capaz de percibir el momento supremo.
El popular escritor soviético Sever Gansovsky, en su relato describe como "El Maestro de la Bahía" (1962), un
monstruo marino que consiste en partículas microscópicas que pueden autoorganizarse en una sola entidad.
[cita requerida]
El Invencible (1964), una novela de ciencia ficción de Stanislaw Lem, donde una nave espacial humano encuentra
un comportamiento inteligente en una multitud de pequeñas partículas que son capaces de defenderse contra lo
que encontraron como una amenaza.
En la novela dramática y posterior miniserie The Andromeda Strain (1969) de Michael Crichton, un virus
extraterrestre se comunica entre las células individuales y muestra la capacidad de pensar y reaccionar de forma
individual y en su conjunto, y como tales exhibiciones una apariencia de "inteligencia de enjambre".
Ygramul, un ser inteligente que consiste en un enjambre de avispas como muchos insectos, un personaje de la
novela La Historia Interminable (1979) escrito por Michael Ende. Ygramul también se menciona en un artículo
científico Manadas, rebaños, y Escuelas] escrito por Knut Hartmann (Gráficos y Sistemas Interactivos, Otto-von-
Guericke de Magdeburg-Universidad).
En el libro de 1979 Gödel, Escher, Bach: El oro eterno Braid por Douglas Hofstadter, uno de los protagonistas tiene
largas conversaciones con la mente grupal de un hormiguero.
Investigadores notables
Gerardo Beni
Marco Dorigo
Russell C. Eberhart
Luca Maria Gambardella
James Kennedy
Craig Reynolds
Véase también
Autómata celular
Evolución diferencial
Comportamiento colectivo de los animales
Simulación de multitudes
Optimización de enjambre de partículas
Referencias
6. Antonio Bolufé Röhler and S. Chen, “Multi-swarm
1. Beni, G., Wang, J. Swarm Intelligence in Cellular hybrid for multi-modal optimization”, in Proceedings of
Robotic Systems, Proceed. NATO Advanced the IEEE Congress on Evolutionary Computation,
Workshop on Robots and Biological Systems, Tuscany, 2012, pp. 1–8. [2] (http://yorku.academia.edu/Stephen
Italy, June 26–30 (1989) Chen/Papers/1847348/Multi-swarm_hybrid_for_multi-
2. Ant Colony Optimization by Marco Dorigo and Thomas modal_optimization)
Stützle, MIT Press, 2004. ISBN 0-262-04219-3 7. Karaboga, Dervis (2010). «Artificial bee colony
3. Parsopoulos, K. E.; Vrahatis, M. N. (2002). «Recent algorithm» (http://www.scholarpedia.org/article/Artificial
Approaches to Global Optimization Problems Through _bee_colony_algorithm). Scholarpedia 5 (3): 6915.
Particle Swarm Optimization». Natural Computing 1 (2- 8. Altruism helps swarming robots fly better (http://geneva
3): 235-306. doi:10.1023/A:1016568309421 (http://dx.doi.org/1 lunch.com/blog/2011/05/04/altruism-helps-swarming-ro
0.1023%2FA%3A1016568309421). bots-fly-better-study-shows/)
4. Particle Swarm Optimization (http://www.iste.co.uk/?se
archtext=clerc&ACTION=Search&cat=&ACTION=Sear Archivado (http://web.archive.org/web/2012091509
ch) by Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2222/http://genevalunch.com/blog/2011/05/04/altrui
2006. sm-helps-swarming-robots-fly-better-study-shows/
5. Antonio Bolufé Röhler and Stephen Chen, “An Analysis #) el 15 de septiembre de 2012 en la Wayback
of Sub-swarms in Multi-swarm Systems”, in Lecture Machine. genevalunch.com, 4 May 2011.
Notes in Artificial Intelligence, Vol. 7106: Proceedings 9. Waibel, M; Floreano, D; Keller, L (2011). «A
of Joint Australasian Conference in Artificial quantitative test of Hamilton's rule for the evolution of
Intelligence, D. Wang and M. Reynolds Eds. Springer- altruism» (http://www.plosbiology.org/article/fetchObject
Verlag 2011, pp. 271–280.[1] (http://yorku.academia.ed Attachment.action?uri=info%3Adoi%2F10.1371%2Fjou
u/StephenChen/Papers/1305025/An_Analysis_of_Sub- rnal.pbio.1000615&representation=PDF). PLoS
swarms_in_Multi-swarm_Systems) Biology 9 (5): e1000615. doi:10.1371/journal.pbio.1000615
(http://dx.doi.org/10.1371%2Fjournal.pbio.1000615).
10. X. S. Yang, A New Metaheuristic Bat-Inspired 24. Nobahari, Hadi; Nikusokhan, Mahdi; Siarry, Patrick
Algorithm, in: Nature Inspired Cooperative Strategies (junio de 2011). «Non-dominated Sorting Gravitational
for Optimization (NISCO 2010) (Eds. J. R. Gonzalez et Search Algorithm» (http://icsi11.eisti.fr/papers/paper_1
al.), Studies in Computational Intelligence, Springer 2.pdf). ICSI 2011 - International Conference on Swarm
Berlin, 284, Springer, 65-74 (2010). Intelligence (en inglés) (icsi11 EISTI, Inc.). Consultado
11. Kaveh, A.; Talatahari, S. (2010). «A Novel Heuristic el 10 de junio de 2015.
Optimization Method: Charged System Search». Acta 25. Shah-Hosseini, Hamed (2009). «The intelligent water
Mechanica 213 (3-4): 267-289. doi:10.1007/s00707-009- drops algorithm: a nature-inspired swarm-based
0270-4 (http://dx.doi.org/10.1007%2Fs00707-009-0270-4). optimization algorithm» (http://www.inderscience.com/fi
12. Yang X.-S. and Deb S. (December 2009). "Cuckoo lter.php?aid=22775). International Journal of Bio-
search via Lévy flights". World Congress on Nature & Inspired Computation 1 (1/2): 71-79.
Biologically Inspired Computing (NaBIC 2009). IEEE 26. Tayarani, M. H.; Akbarzadeh, M. R. «Magnetic
Publications. pp. 210–214. arXiv:1003.1594v1. Optimization Algorithms a new synthesis». IEEE World
13. http://www.sciencedaily.com/releases/2010/05/100527213816.htm Congress on Evolutionary Computation, 2008.(IEEE
World Congress on Computational Intelligence) .
14. Civicioglu, P., and Besdok, E., (2011), A conception
comparison of the cuckoo search, particle swarm 27. Bishop, J.M., Stochastic Searching Networks, Proc. 1st
optimization, differential evolution and artificial bee IEE Int. Conf. on Artificial Neural Networks, pp. 329-
colony algorithms, Artificial Intelligence Review, DOI 331, London, UK, (1989).
10.1007/s10462-011-92760, 6 July (2011). 28. Nasuto, S.J. & Bishop, J.M., (2008), Stabilizing swarm
15. Civicioglu, P. (2012). «Transforming geocentric intelligence search via positive feedback resource
cartesian coordinates to geodetic coordinates by using allocation, In: Krasnogor, N., Nicosia, G, Pavone, M., &
differential search algorithm». Computers & Pelta, D. (eds), Nature Inspired Cooperative Strategies
Geosciences 46: 229-247. doi:10.1016/j.cageo.2011.12.011 for Optimization, Studies in Computational Intelligence,
(http://dx.doi.org/10.1016%2Fj.cageo.2011.12.011). vol 129, Springer, Berlin, Heidelberg, New York, pp.
115-123.
16. Yang X. S., (2008). Nature-Inspired Metaheuristic
Algorithms. Frome: Luniver Press. ISBN 1-905986-10- 29. Moglich, M.; Maschwitz, U.; Holldobler, B., Tandem
6. Calling: A New Kind of Signal in Ant Communication,
Science, Volume 186, Issue 4168, pp. 1046-1047
17. Krishnanand K.N. and D. Ghose (2005) "Detection of
multiple source locations using a glowworm metaphor 30. Nasuto, S.J., Bishop, J.M. & Lauria, S., Time
with applications to collective robotics". IEEE Swarm complexity analysis of the Stochastic Diffusion Search,
Intelligence Symposium, Pasadena, California, USA, Proc. Neural Computation '98, pp. 260-266, Vienna,
pp. 84–91. Austria, (1998).
18. Krishnanand, K.N.; Ghose, D. (2009). «Glowworm 31. Nasuto, S.J., & Bishop, J.M., (1999), Convergence of
swarm optimization for simultaneous capture of the Stochastic Diffusion Search, Parallel Algorithms,
multiple local optima of multimodal functions». Swarm 14:2, pp: 89-107.
Intelligence 3 (2): 87-124. 32. Myatt, D.M., Bishop, J.M., Nasuto, S.J., (2004),
19. Krishnanand, K.N.; Ghose, D. (2008). «Theoretical Minimum stable convergence criteria for Stochastic
foundations for rendezvous of glowworm-inspired Diffusion Search, Electronics Letters, 22:40, pp. 112-
agent swarms at multiple locations». Robotics and 113.
Autonomous Systems56 (7): 549-569. 33. al-Rifaie, M.M., Bishop, J.M. & Blackwell, T., An
20. Krishnanand, K.N.; Ghose, D. (2006). «Glowworm investigation into the merger of stochastic diffusion
swarm based optimization algorithm for multimodal search and particle swarm optimisation, Proc. 13th
functions with collective robotics applications». Multi- Conf. Genetic and Evolutionary Computation,
agent and Grid Systems2 (3): 209-222. (GECCO), pp.37-44, (2012).
21. Yepes V., Martí J.V. and García-Segura T. (2015) "Cost 34. Lewis, M. Anthony; Bekey, George A. «The Behavioral
and CO2 emission optimization of precast-prestressed Self-Organization of Nanorobots Using Local Rules».
concrete U-beam road bridges by a hybrid glowworm Proceedings of the 1992 IEEE/RSJ International
swarm algorithm". Automation in Construction, 49:123- Conference on Intelligent Robots and Systems .
134. 35. Martens, D.; Baesens, B.; Fawcett, T. (2011). «Editorial
22. Gauci, Melvin; Dodd, Tony J.; Groß, Roderich Survey: Swarm Intelligence for Data Mining». Machine
(diciembre de 2012). «Why ‘GSA: a gravitational Learning 82 (1): 1-42. doi:10.1007/s10994-010-5216-5 (htt
search algorithm’ is not genuinely based on the law of p://dx.doi.org/10.1007%2Fs10994-010-5216-5).
gravity» (http://naturalrobotics.group.shef.ac.uk/publica 36. Whitaker, R.M., Hurley, S.. An agent based approach
tions/2012-nc-gauci.pdf). Natural Computing (en to site selection for wireless networks. Proc ACM
inglés) (Springer Netherlands) 11 (4): 719-720. Symposium on Applied Computing, pp. 574–577,
ISSN 1567-7818 (https://www.worldcat.org/issn/1567-7818). (2002).
doi:10.1007/s11047-012-9322-0 (http://dx.doi.org/10.1007%2Fs1 37. «Planes, Trains and Ant Hills: Computer scientists
1047-012-9322-0). Consultado el 10 de junio de 2015. simulate activity of ants to reduce airline delays» (http
23. Rashedi, Esmat; Nezamabadi-pour, Hossein; Saryazdi, s://web.archive.org/web/20101124132227/http://www .s
Saeid (junio de 2009). «GSA: a gravitational search ciencedaily.com/videos/2008/0406-planes_trains_and_
algorithm» (http://www.sciencedirect.com/science/articl ant_hills.htm). Science Daily. 1 de abril de 2008.
e/pii/S0020025509001200). Information Sciences (en Archivado desde el original (http://www.sciencedaily.co
inglés) (Elsevier Science New York) 179 (13): 2232- m/videos/2008/0406-planes_trains_and_ant_hills.htm)
2248. doi:10.1016/j.ins.2009.03.004 (http://dx.doi.org/10.1016% el 24 de noviembre de 2010. Consultado el 1 de
2Fj.ins.2009.03.004). Consultado el 10 de junio de 2015. diciembre de 2010.
Bibliografía
Swarm Intelligence: From Natural to Artificial Systems by Eric Bonabeau, Marco Dorigo and Guy Theraulaz. (1999)
ISBN 0-19-513159-2, complete bibliography
"Swarming: la comunicación en múltiples direcciones y múltiples etapas", Razón y Palabra, 83, by Marcelo Baro.
ISSN 1605-4806.
Turtles, Termites, and Traffic Jams: Explorations in Massively Parallel Microworlds by Mitchel Resnick. ISBN 0-262-
18162-2
Swarm Intelligence by James Kennedy and Russell C. Eberhart.ISBN 1-55860-595-9
Fundamentals of Computational Swarm Intelligenceby Andries Engelbrecht. Wiley & Sons.ISBN 0-470-09191-6
Nanocomputers and Swarm Intelligenceby Jean-Baptiste Waldner, ISTE, ISBN 978-1-84704-002-2, 2007.
Miller, Peter (July 2007), «Swarm Theory», National Geographic Magazine, archivado desde el original el 10 de
noviembre de 2007, consultado el 11 de enero de 2013
Ridge, E.; Kudenko, D.; Kazakov, D.; Curry, E. (2005). «Moving Nature-Inspired Algorithms to Parallel,
Asynchronous and Decentralised Environments».Self-Organization and Autonomic Informatics (I)135: 35-49.
Xin-She Yang (2011). «Metaheuristic Optimization». Scholarpedia 6 (8): 11472. doi:10.4249/scholarpedia.11472.
Swarms and Swarm Intelligence by Michael G. Hinchey, Roy Sterritt, and Chris Rouff, Article at IEEE Computer
Society
- "From Ants to People: an Instinct to Swarm" - NY iTmes, 11-13-07
Swarm Intelligence (Journal) Chief Editor: Marco Dorigo. Springer New York. ISSN 1935-3812 (Print) 1935-3820
(Online) [3]
Eva Horn, Lucas Marco Gisi (Ed.): Schwärme – Kollektive ohne Zentrum. Eine Wissensgeschichte zwischen Leben
und Information, Bielefeld: transcript 2009.ISBN 978-3-8376-1133-5
L. Fisher, The Perfect Swarm: The Science of Complexity in Everyday Life, Basic Books, 2009.
Ridge, E.; Curry, E. (2007). «A roadmap of nature-inspired systems research and development». Multiagent and
Grid Systems 3 (1): 3-8.
"Swarm Intelligence for Analyzing Opinions in Online Communities" by Carolin Kaiser, Johannes Kröckel, Freimut
Bodendorf (2010) Proceedings of the 43rd Hawaii International Conference on System Sciences, pp. 1–9
Bernstein, Jeremy. «Project Swarm». Report on technology inspired by swarms in nature. Archivado desde el
original el 29 de octubre de 2013. Consultado el 11 de enero de 2013.
Obtenido de «https://es.wikipedia.org/w/index.php?title=Inteligencia_de_enjambre&oldid=115790475
»
Esta página se editó por última vez el 7 may 2019 a las 21:48.
El texto está disponible bajo laLicencia Creative Commons Atribución Compartir Igual 3.0 ; pueden aplicarse cláusulas
adicionales. Al usar este sitio, usted acepta nuestrostérminos de uso y nuestra política de privacidad.
Wikipedia® es una marca registrada de laFundación Wikimedia, Inc., una organización sin ánimo de lucro.