Schwarmintelligenz. Julia Philipps, Marcel Boeing Künstliche Intelligenz II, C. Neuefeind Sprachliche Informationsverarbeitung, Uni Köln 2012

Transkript

1 Schwarmintelligenz Julia Philipps, Marcel Boeing Künstliche Intelligenz II, C. Neuefeind Sprachliche Informationsverarbeitung, Uni Köln 2012

2 Was ist ein Schwarm? Aggregation von Individuen gleicher Art und Größe dezentralisiert simple Verhaltensweisen, um komplexe Aufgaben zu lösen passt sich der Umwelt an

3 Schwarmkonzept Stigmergie: Kommunikation mit Hilfe der Umwelt Emergenz: sehr komplexe Aufgaben werden durch einfaches Verhalten der Individuen gelöst Ergebnis: Schwarm ist strukturiert, flexibel, skalierbar und robust

4 Allgemeine Verhaltensweise Orientierung am Nachbarn Gleiche Richtung wie Nachbarn Kollision mit Nachbarn vermeiden

5 Evolutionäre Vorteile Schutz vor Fressfeinden vergrößerter Suchradius bei Futtersuche Erhöhte Wahrscheinlichkeit, einen Partner zu finden

6 Schwärme in der Natur

7

8 Boids (C. Reynolds, 1987)

9 Boids 1987 von Craig Reynolds entwickelt Modell simuliert Schwarmverhalten von Tieren Biologisches Vorbild: Vogelschwarm interagierende Partikel = Boids

10 u.a. Einsatz in der Unterhaltungsindustrie z.b.: Batman Returns Half-Life

11 3 Grundregeln: 1. Trennung 2. Angleichung 3. Zusammenhalt

12 Nachbarn außerhalb der Umgebung werden ignoriert Obstacle Avoidance: einem Hindernis wird ausgewichen

13 Particle Swarm Optimization

14 Particle Swarm Optimization Heuristisches Optimierungsverfahren 1995 von J. Kennedy und R. Eberhart vorgestellt Partikel suchen nach Lösung des Optimierungsproblems

15

16 Festlegung der Größe des Partikelschwarms Festlegung des Suchraums Geschwindigkeitsvektor aus kognitiver und sozialer Komponente jeder Partikel kann die Lösung finden

17 Traveling Salesman Problem Gegeben: Punkte Entfernung zwischen den Punkten Gesucht: Kürzeste Route über alle Punkte

18 Traveling Salesman Problem Quelle:

19 Traveling Salesman Problem HABCH: = 360 HACBH: = 339 HCABH: = 359

20 Traveling Salesman Problem Lösungsansätze Alle Möglichkeiten durchlaufen

21 Traveling Salesman Problem Anzahl der möglichen Routen: (n 1)! 2 n= Routen n= n=20

22 Traveling Salesman Problem Lösungsansätze Alle Möglichkeiten durchlaufen

23 Traveling Salesman Problem Lösungsansätze Alle Möglichkeiten durchlaufen

24 Traveling Salesman Problem Lösungsansätze Alle Möglichkeiten durchlaufen Immer den nächsten Nachbarn wählen Kanten nach Länge sortieren Ein Punkt darf nie mehr als zwei Kanten haben Ein Kreis darf nicht geschlossen werden, solange noch nicht angesteuerte Punkte existieren

25 Traveling Salesman Problem Hassler Whitney * 1907, 1989 Prägte den Begriff Traveling Salesman Problem

26 Traveling Salesman Problem Karl Menger * 1902, 1985 Beschrieb das Problem als erster mathematisch

27 Traveling Salesman Problem Ameise Steht vor einem ähnlichen Problem Findet gute Lösung gut optimal

28 Ameisen-Algorithmus

29 Ameisen-Algorithmus

30

31 Ameisen-Algorithmus

32 Ameisen-Algorithmus

33 Ameisen-Algorithmus

34 Ameisen-Algorithmus

35 Ameisen-Algorithmus Quelle: WDR Quarks & Co. - Das Geheimnis des Schwarms ( )

36 Schwarmintelligenz beim Menschen?

37 Video: Quarks & Co.

38 Aristoteles Summierungsthese Die Entscheidung einer großen Gruppe von Menschen kann besser sein, als die eines einzelnen Experten. Weisheit des Einzelnen < Weisheit der Masse

39

40 Weisheit der Massen Forsythie Rhododendron Hibiskus Geranie

41 Weisheit der Massen Forsythie Rhododendron Hibiskus Geranie

42

43 Weisheit der Massen

44 Weisheit der Massen

45 Weisheit der Massen Francis Galton * Naturforscher

46 Weisheit der Massen Prognosemärkte Vorhersage ungewisser Ereignisse politische Wahlergebnisse Terroranschläge Grippeepidemien

47 Weisheit der Massen Begünstigend Diversität Unabhängigkeit Dezentralität Gegenläufig Homogene Gruppe Gegenseitige Beinflussung Starke Zentralität

48 AI-Challenge 2011: Ants Programmierwettbewerb der University of Waterloo (Künstliche Intelligenz) seit 2010 von Google gesponert Kontrolle einer Ameisenkolonie beliebige Programmiersprache Programm auf Server der Homepage hochladen und gegen andere Ameisenkolonien antreten; höchste Punktzahl gewinnt

49 Wie sieht das jetzt genau aus?

50 Gewinnerprogramm von xathis game=328430

51 Strategie Keine globale Strategie Bewegung der Ameisen hängt von der lokalen Umgebung ab Algorithmen zur Pfadfindung für Aufgaben der Ameisen Alphabeta-Algorithmus für Kampftaktik

52 NetLogo Multi-Agenten-Programmiersprache basiert auf Java Bibliothek von Beispielmodellen vorhanden Beispiel: Klick

53 Quellen DORIGO, Marco: Ant system: optimization by a colony of cooperating agents. In: Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE, Vol. 26/1, Brüssel: 1996 HACKHAUSEN, Jörg: Orakel aus dem Internet Prognosebörsen sagen die Zukunft voraus. In: WirtschaftsWoche, Verlagsgruppe Handelsblatt, 2006 KENNEDY, J.; R. EBERHART: Particle swarm optimization. In: Proceedings of IEEE International Conference on Neural Networks, Seiten , Piscataway, NJ, USA, IEEE Press. SUROWIECKI, James: Die Weisheit der Vielen, München: Goldmann 2007

54 Quellen (AI-Challenge) (NetLogo) (Boids-Modell von NetLogo) (Angebot der Uni Hamburg) (Particle Swarm Optimization) (Boids-Modell) (The MacTutor History of Mathematics archive, University of St Andrews, Schottland) (xathis Strategie)

55 Quellen RIEGLER, Mark: 100,000 starlings fill the skies in Poole - 1 Minute: a Vimeo Project. WDR Quarks & Co. - Das Geheimnis des Schwarms (Sendung vom )