Inteligencia de enjambre

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.

Optimización enjambre de partículas

La optimización de enjambre de partículas(PSO) es un algoritmo deoptimización global para hacer frente a los problemas en los que
puede ser una mejor solución representa como un punto o una superficie en un espacio n-dimensional. Hipótesis se representan en
este espacio y se sembró con una velocidad inicial, así como un canal de comunicación entre las partículas.3 4 Las partículas se
mueven a través del espacio de soluciones, y se evalúan de acuerdo con algún criterio de aptitud después de cada paso de tiempo.
Con el tiempo, las partículas son aceleradas hacia esas partículas dentro de su grupo de comunicación que tienen mejores valores de
aptitud. La principal ventaja de este enfoque sobre otras estrategias de minimización globales tales como el recocido simulado es que
el gran número de los miembros que componen el enjambre de partículas hacen la técnica impresionantemente resistente al problema
de los mínimos locales.

Optimización de múltiples enjambres

La optimización multi-enjambrees una variante de la optimización de enjambres de partículas (PSO), basado en el uso de múltiples
sub-enjambres en lugar de un enjambre (estándar).5 El enfoque general en la optimización de multi-enjambre es que cada sub-
enjambre se centra en una región dada, mientras que un método específico de diversificación decide dónde y cuándo lanzar los
enjambres secundarios. El marco enjambre multi-está especialmente equipado para la optimización de problemas multi-modales,
donde existen múltiples óptimos (locales).6

Algoritmo de colonia de abejas

El algoritmo de colonia de abejas (ABC) es un algoritmo de metaheurística introducida por Karaboga en 2005,7 y simula el
comportamiento de alimentación de las abejas melíferas. El algoritmo ACB tiene tres fases: la abeja empleada, la abeja espectador y
la exploradora. En la abeja empleada y las fases de abejas espectador,las abejas explotan las fuentes de búsquedas locales en la
vecindad de las soluciones seleccionadas sobre la base de la selección determinista en la fase de abeja ocupada y la selección
probabilística en la fase de abeja espectador. En la fase de abeja exploradora que es una analogía de abandono de las fuentes de
alimentos agotados en el proceso de búsqueda de alimento, las soluciones que no son beneficiosos para el progreso de la búsqueda ya
están abandonados, y nuevas soluciones se insertan en lugar de ellos para explorar nuevas regiones del espacio de búsqueda. El
algoritmo tiene una capacidad equilibrada de exploración-explotación.

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

Sistemas inmunológicos artificiales

Sistemas inmunológicos artificiales (SIA) se refiere a la utilización de estructuras abstractas, la función del sistema inmune a los
sistemas de cómputo, y la investigación de la aplicación de estos sistemas a la solución de problemas de cálculo a partir de la
tecnología de la ingeniería, y la información. SIA es un subcampo de la computación inspirada biológicamente y
computacionalmente natural, con intereses en Aprendizaje Automático y que pertenecen a la esfera más amplia de la Inteligencia
Artificial.

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 de sistema cargado

Búsqueda de sistema cargado (BSC) es un nuevo algoritmo de optimización basado en algunos principios de la física y la
mecánica.11 BSC utiliza las leyes de gobierno de Coulomb y de Gauss de la electrostática y las leyes de la mecánica newtoniana.
BSC es un enfoque multiagente en el que cada agente es una partícula cargada (PC). PCs pueden afectar a los demás sobre la base de
sus valores de fitness y sus distancias de separación. La cantidad de la fuerza resultante se determina mediante el uso de las leyes de
la electrostática y la calidad del movimiento se determina usando las leyes de la mecánica newtoniana. BSC es aplicable a todos los
campos de optimización, en especial es adecuado para dominios no lisos o no convexos. Este algoritmo proporciona un buen
equilibrio entre la exploración y explotación de los paradigmas del algoritmo que se puede mejorar considerablemente la eficiencia
del algoritmo y por lo tanto el BSC también puede ser considerado como un buen optimizador global y local al mismo tiempo.

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 de búsqueda diferencial

Algoritmo de búsqueda diferencial (DSA) inspirado por la migración de superorganismos. El éxito de la solución de problemas de las
dietas se compara con el éxito de los algoritmos ABC, JDE, JADE, SADE, EPSDE, GSA, PSO2011 y CMA-ES para la solución de
(2012).15
problemas de optimización numéricos en 2012. El enlace del código de Matlab se ha proporcionado en Çivicioglu,., P

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.

Optimización enjambre de luciérnagas

Optimización enjambre de luciérnagas(GSO), introducido por Krishnanand Ghose y en 2005 para el cálculo simultáneo de múltiples
óptimos de funciones multimodales.17 18 19 20 El algoritmo comparte algunas características con algunos algoritmos más conocidos,
tales como optimización de colonia de hormigas y optimización de enjambre de partículas, pero con varias diferencias significativas.
Los agentes en GSO son considerados como luciérnagas que llevan una cantidad de luminiscencia llamado luciferina junto con ellos.
Las luciérnagas codifica el estado físico de sus ubicaciones actuales, evaluados utilizando la función objetivo, en un valor de
luciferina que transmitir a sus vecinos. La luciérnaga identifica sus vecinos y calcula sus movimientos mediante la explotación de una
zona adaptativa, que está acotado superiormente por su rango del sensor. Cada luciérnaga selecciona, utilizando un mecanismo
probabilístico, un vecino que tiene un valor más alto de luciferina que el suyo propio y se mueve hacia él. Estos movimientos basados
únicamente en la información local para habilitar el enjambre de luciérnagas y dividir en subgrupos disjuntos que convergen en
varios óptimos de un tratamiento multimodal functional dado y selección de características. Este tipo de algoritmo se ha aplicado en
la optimización de puentes prefabricados de hormigón pretensado21

Algoritmo de búsqueda gravitacional

Aunque cuestionada,22 la teoría sostiene que el algoritmo de búsqueda gravitacional (GSA por su sigla en inglés) se basa en la ley
de la gravedad y la noción de las interacciones de comunicación. El algoritmo GSA utiliza la teoría de la física newtoniana y sus
agentes buscadores son la colección de masas. En el GSA, existe un sistema aislado de masas. Usando la fuerza gravitatoria, cada
masa en el sistema puede ver la situación de las otras masas; por lo tanto, la fuerza gravitatoria es una manera de transferir
información entre diferentes masas.23 En GSA, los agentes se consideran como objetos y su desempeño se mide por sus masas.
Todos estos objetos se atraen entre sí por una fuerza gravitatoria, y esta fuerza causa un movimiento de todos los objetos globalmente
hacia los objetos con masas más pesadas correspondiendo estas últimas con las buenas soluciones del problema. La posición del
agente corresponde a una solución del problema, y su masa se determina utilizando una función de aptitud. En un lapso de tiempo, las
masas se sienten atraídas por la masa más pesada lo que presentaría idealmente una solución óptima en el espacio de búsqueda. El
GSA podría ser considerado como un sistema aislado de masas ya que se trataría de un pequeño mundo artificial de masas que
obedecen las leyes de Newton de gravitación y movimiento.23 En 2011 se propuso una variante multiobjetivo de GSA, llamado
algoritmo de búsqueda gravitacional de ordenación no dominada (NSGSA por su sigla en inglés).24

Caída inteligente de gotas de agua

La caída inteligente de gotas de agua (IWD) se inspira en los ríos naturales y cómo encuentran caminos casi óptimos a su destino.
Estas rutas óptimas o cerca del óptimo siguen las acciones y reacciones que se producen entre las gotas de agua y éstas con sus
cauces. En el algoritmo de IWD, varias gotas de agua artificiales cooperan para cambiar su entorno de tal manera que la ruta óptima
se revela como la que tiene el nivel más bajo del suelo en sus enlaces. Por lo tanto, el algoritmo de IWD es generalmente constructivo
25
basado en el algoritmo de optimización de población.

Algoritmo de optimización magnética

Algoritmo de Optimización magnética (MOA), propuesto por Tayarani en 2008,26 es un algoritmo de optimización inspirado por la
interacción entre algunas partículas magnéticas con diferentes masas. En este algoritmo, las soluciones posibles son algunas
partículas con masas diferentes y diferentes campos magnéticos. Sobre la base de la idoneidad de las partículas, la masa y el campo
magnético de cada partícula determina, por lo tanto las partículas son mejores objetos más masivos con fuertes campos magnéticos.
Las partículas en la población aplican fuerzas de atracción entre sí y por lo tanto se mueven en el espacio de búsqueda. Puesto que las
soluciones mejores tienen una mayor masa y mayor campo magnético, las partículas inferiores tienden a moverse hacia las soluciones
más adecuadas y por lo tanto la migración a la zona alrededor de la mejor óptimos locales, donde vagan en busca de mejores
soluciones.

Búsqueda de difusión estocástica

Búsqueda difusión estocástica(SDS)27 28 es un agente basado en la técnica probabilística mundial de búsqueda y optimización más
adecuadas a los problemas que se pueden descomponer la función objetivo en múltiples independientes parciales-funciones. Cada
agente mantiene una hipótesis que iterativamente probando mediante la evaluación de una función objetivo seleccionada al azar
parcial parametrizada por hipótesis. En la versión estándar de SDS tales evaluaciones de funciones parciales son binarios, lo que
resulta en cada agente de convertirse en activo o inactivo. Información sobre hipótesis se difunde a través de la población a través de
la comunicación entre los agentes. A diferencia de la comunicaciónstigmergic utilizada en ACO, en SDS la hipótesis de comunicarse
es a través de una estrategia de comunicación uno-a-uno análoga a la marcha en tándem procedimiento observado en [Leptothorax
[acervorum]]29 A positive feedback mechanism ensures that, over time, a population of agents stabilise around the global-best
solution. SDS is both an efficient and robust global search and optimisation algorithm, which has been extensively mathematically
described.30 31 32 Recent work has involved merging the global search properties of SDS with other swarm intelligence
algorithms33

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

Enrutamiento basado en hormigas

El uso de la inteligencia de enjambres en las Redes de Telecomunicaciones también ha sido investigado. Este fue iniciado por
separado por Dorigo yHewlett Packard en la década de 1990, con un número de variaciones desde entonces. Básicamente utiliza una
tabla de enrutamiento probabilístico premiando a reforzar con éxito la ruta recorrida por cada "hormiga" (un paquete de control
pequeño) que inundan la red. Refuerzo de la ruta en los delanteros, dirección inversa y ambas a la vez han sido investigados: refuerzo
hacia atrás requiere una red simétrica y acopla los dos sentidos juntos, hacia adelante refuerzo recompensa una ruta antes de que el
resultado se conoce (pero que paga por el cine antes de saber lo bueno que la película es). A medida que el sistema se comporta de
forma estocástica y por lo tanto carece de repetibilidad, hay grandes obstáculos para el despliegue comercial. Medios de
comunicación móviles y las nuevas tecnologías tienen el potencial de cambiar el umbral para la acción colectiva debido a la nube de
inteligencia (Rheingold: 2002, P175).

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
1. Beni, G., Wang, J. Swarm Intelligence in Cellular
Robotic Systems, Proceed. NATO Advanced
Workshop on Robots and Biological Systems, Tuscany,
Italy, June 26–30 (1989)
2. Ant Colony Optimization by Marco Dorigo and Thomas
Stützle, MIT Press, 2004. ISBN 0-262-04219-3
3. Parsopoulos, K. E.; Vrahatis, M. N. (2002). «Recent
Approaches to Global Optimization Problems Through
Particle Swarm Optimization». Natural Computing 1 (2-
3): 235-306. doi:10.1023/A:1016568309421 (http://dx.doi.org/1
0.1023%2FA%3A1016568309421).
4. Particle Swarm Optimization (http://www.iste.co.uk/?se
archtext=clerc&ACTION=Search&cat=&ACTION=Sear
ch) by Maurice Clerc, ISTE, ISBN 1-905209-04-5,
2006.
5. Antonio Bolufé Röhler and Stephen Chen, “An Analysis
of Sub-swarms in Multi-swarm Systems”, in Lecture
Notes in Artificial Intelligence, Vol. 7106: Proceedings
of Joint Australasian Conference in Artificial
Intelligence, D. Wang and M. Reynolds Eds. Springer-
Verlag 2011, pp. 271–280.[1] (http://yorku.academia.ed
u/StephenChen/Papers/1305025/An_Analysis_of_Sub-
swarms_in_Multi-swarm_Systems)
6. Antonio Bolufé Röhler and S. Chen, “Multi-swarm
hybrid for multi-modal optimization”, in Proceedings of
the IEEE Congress on Evolutionary Computation,
2012, pp. 1–8. [2] (http://yorku.academia.edu/Stephen
Chen/Papers/1847348/Multi-swarm_hybrid_for_multi-
modal_optimization)
7. Karaboga, Dervis (2010). «Artificial bee colony
algorithm» (http://www.scholarpedia.org/article/Artificial
_bee_colony_algorithm). Scholarpedia 5 (3): 6915.
8. Altruism helps swarming robots fly better (http://geneva
lunch.com/blog/2011/05/04/altruism-helps-swarming-ro
bots-fly-better-study-shows/)
Archivado (http://web.archive.org/web/2012091509
2222/http://genevalunch.com/blog/2011/05/04/altrui
sm-helps-swarming-robots-fly-better-study-shows/
#) el 15 de septiembre de 2012 en la Wayback
Machine. genevalunch.com, 4 May 2011.
9. Waibel, M; Floreano, D; Keller, L (2011). «A
quantitative test of Hamilton's rule for the evolution of
altruism» (http://www.plosbiology.org/article/fetchObject
Attachment.action?uri=info%3Adoi%2F10.1371%2Fjou
rnal.pbio.1000615&representation=PDF). PLoS
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.