Hispanopedia Wiki
Articulo de referencia

Inteligencia de enjambre

Una bandada de estorninos reaccionando ante un depredador. La inteligencia de enjambre ( IE ) es el comportamiento colectivo de sistemas descentralizados y autoorganizados , nat...

Hispanopedia WikiContenido en espanolLectura gratuita
Una bandada de estorninos reaccionando ante un depredador.

La inteligencia de enjambre ( IE ) es el comportamiento colectivo de sistemas descentralizados y autoorganizados , naturales o artificiales. [ 1 ] El concepto se emplea en trabajos sobre inteligencia artificial . La expresión fue introducida por Jing Wang y Gerardo Beni en 1989, en el contexto de sistemas robóticos celulares. [ 2 ] [ 3 ]

Los sistemas de inteligencia de enjambre consisten típicamente en una población de agentes simples o boids que interactúan localmente entre sí y con su entorno. [ 4 ] La inspiración a menudo proviene de la naturaleza, especialmente de los sistemas biológicos. [ 5 ] Los agentes siguen reglas muy simples, y aunque no hay una estructura de control centralizada que dicte cómo deben comportarse los agentes individuales, las interacciones locales, y hasta cierto punto aleatorias, entre dichos agentes conducen a la aparición de un comportamiento global "inteligente", desconocido para los agentes individuales. [ 6 ] Ejemplos de inteligencia de enjambre en sistemas naturales incluyen colonias de hormigas , colonias de abejas , bandadas de aves , halcones cazando , pastoreo de animales , crecimiento bacteriano , cardúmenes de peces e inteligencia microbiana .

La aplicación de los principios de enjambre a los robots se denomina robótica de enjambre, mientras que la inteligencia de enjambre se refiere al conjunto más general de algoritmos. La predicción de enjambre se ha utilizado en el contexto de problemas de pronóstico. Se consideran enfoques similares a los propuestos para la robótica de enjambre en organismos genéticamente modificados dentro de la inteligencia colectiva sintética. [ 7 ]

Modelos de comportamiento de enjambre

Boids (Reynolds 1987)

Boids es un programa de vida artificial , desarrollado por Craig Reynolds en 1986, que simula el comportamiento de bandada . Fue publicado en 1987 en las actas de la conferencia ACM SIGGRAPH . [ 8 ] El nombre "boid" corresponde a una versión abreviada de "bird-oid object" (objeto pájaro-oide), que se refiere a un objeto con forma de pájaro. [ 9 ]

Como ocurre con la mayoría de las simulaciones de vida artificial, Boids es un ejemplo de comportamiento emergente ; es decir, la complejidad de Boids surge de la interacción de agentes individuales (los boids, en este caso) que se adhieren a un conjunto de reglas simples. Las reglas que se aplican en el mundo más simple de Boids son las siguientes:

  • separación : dirigir para evitar el hacinamiento de los compañeros de bandada locales
  • alineación : dirigirse hacia el rumbo promedio de los compañeros de bandada locales
  • cohesión : dirigir el movimiento hacia la posición promedio (centro de masa) de los miembros de la bandada local.

Se pueden añadir reglas más complejas, como la evitación de obstáculos y la búsqueda de objetivos.

Partículas autopropulsadas (Vicsek et al . 1995)

Las partículas autopropulsadas (SPP), también conocidas como el modelo de Vicsek , fueron introducidas en 1995 por Vicsek et al. [ 10 ] como un caso especial del modelo de boids introducido en 1986 por Reynolds . [ 8 ] Un enjambre se modela en SPP mediante una colección de partículas que se mueven a velocidad constante pero responden a una perturbación aleatoria adoptando en cada incremento de tiempo la dirección promedio de movimiento de las otras partículas en su vecindario local. [ 11 ] Los modelos SPP predicen que los animales que forman enjambres comparten ciertas propiedades a nivel de grupo, independientemente del tipo de animales en el enjambre. [ 12 ] Los sistemas de enjambres dan lugar a comportamientos emergentes que ocurren en muchas escalas diferentes, algunos de los cuales están resultando ser tanto universales como robustos. Se ha convertido en un desafío en la física teórica encontrar modelos estadísticos mínimos que capturen estos comportamientos. [ 13 ] [ 14 ] [ 15 ]

Campos de potencial social (Reif et al . 1999)

Los Campos de Potencial Social, desarrollados en 1999 por John H. Reif y Hongyan Wang [ 16 ] , son uno de los primeros modelos de Inteligencia de Enjambre, diseñados para el control autónomo de sistemas de enjambres de robots que pueden constar de cientos o incluso decenas de miles de robots autónomos. Este es el primer artículo que aplica un modelo de campo potencial al control distribuido autónomo de múltiples robots. Un Campo de Potencial Social define leyes de fuerza artificiales simples entre pares de robots o grupos de robots. Estas leyes de fuerza son leyes de fuerza de potencia inversa, que incorporan tanto atracción como repulsión, similares pero más generales que las leyes de fuerza que se encuentran en la dinámica molecular. Como uno de los ejemplos más simples, definen una ley de fuerza donde la atracción predomina a largas distancias y la repulsión a cortas. Las leyes de fuerza pueden ser distintas entre los diferentes robots. El movimiento de un robot individual es controlado por la fuerza artificial resultante impuesta por otros robots y otros componentes del sistema. El enfoque de los Campos de Potencial Social es distribuido, ya que los cálculos de fuerza y ​​el control de movimiento se pueden realizar de manera asíncrona y distribuida. Utilizando leyes de fuerza especialmente diseñadas, demostraron comportamientos complejos y lo que podría considerarse como "relaciones sociales" entre robots. Por lo tanto, el modelo se denominó "Campos de Potencial Social". Mediante simulaciones por ordenador, demostraron que el método puede generar comportamientos interesantes y útiles entre robots, como la agrupación, la vigilancia, el escolta, el patrullaje, etc. El artículo de 1999 preveía numerosas aplicaciones industriales y militares, como el ensamblaje, el transporte, la inspección de materiales peligrosos, el patrullaje y el control militar de sistemas de enjambre. Sus simulaciones demostraron que el método de campos de potencial social es robusto, ya que puede tolerar errores en sensores y actuadores. El artículo sobre Campos de Potencial Social también extendió el modelo para utilizar leyes de resorte como leyes de fuerza.

Metaheurísticas

Los algoritmos evolutivos (EA), la optimización por enjambre de partículas (PSO), la evolución diferencial (DE), la optimización por colonia de hormigas (ACO) y sus variantes dominan el campo de las metaheurísticas inspiradas en la naturaleza . [ 17 ] Esta lista incluye algoritmos publicados hasta aproximadamente el año 2000. Un gran número de metaheurísticas inspiradas en metáforas más recientes han comenzado a atraer críticas en la comunidad de investigación por ocultar su falta de novedad detrás de una metáfora elaborada. [ 18 ] [ 19 ] [ 20 ] Para algoritmos publicados desde entonces, véase Lista de metaheurísticas basadas en metáforas . Ejemplos modernos populares posteriores al año 2000 incluyen la Optimización del Lobo Gris (GWO), que replica los mecanismos de caza dinámicos y las jerarquías de liderazgo social de los lobos en la naturaleza.

Las metaheurísticas carecen de confianza en una solución. [ 21 ] Cuando se determinan los parámetros apropiados y se alcanza una etapa de convergencia suficiente, a menudo encuentran una solución que es óptima o cercana a la óptima; sin embargo, si no se conoce la solución óptima de antemano, no se conoce la calidad de la solución. [ 21 ] A pesar de esta desventaja obvia, se ha demostrado que este tipo de algoritmos funcionan bien en la práctica y han sido ampliamente investigados y desarrollados. [ 22 ] [ 23 ] [ 24 ] [ 25 ] [ 26 ] Por otro lado, es posible evitar esta desventaja calculando la calidad de la solución para un caso especial donde dicho cálculo sea posible, y después de dicha ejecución se sabe que toda solución que sea al menos tan buena como la solución que tuvo un caso especial, tiene al menos una confianza de solución de solución que tuvo un caso especial. Un ejemplo de esto es el algoritmo de Monte Carlo inspirado en hormigas para el conjunto mínimo de arcos de retroalimentación, donde esto se ha logrado probabilísticamente mediante la hibridación del algoritmo de Monte Carlo con la técnica de optimización de colonia de hormigas . [ 27 ]

Optimización de colonias de hormigas (Dorigo 1992)

La optimización por colonia de hormigas (ACO), introducida por Dorigo en su tesis doctoral, es una clase de algoritmos de optimización modelados a partir de las acciones de una colonia de hormigas . ACO es una técnica probabilística útil en problemas que implican encontrar mejores rutas a través de grafos. Las "hormigas" artificiales —agentes de simulación— localizan soluciones óptimas moviéndose a través de un espacio de parámetros que representa todas las soluciones posibles. Las hormigas naturales depositan feromonas que las guían hacia los recursos mientras exploran su entorno. De manera similar, las "hormigas" simuladas registran sus posiciones y la calidad de sus soluciones, de modo que en iteraciones posteriores de la simulación más hormigas localizan mejores soluciones. [ 28 ]

Optimización por enjambre de partículas (Kennedy, Eberhart y Shi, 1995)

La optimización por enjambre de partículas (PSO) es un algoritmo de optimización global para abordar problemas en los que una mejor solución puede representarse como un punto o superficie en un espacio n-dimensional. Las hipótesis se trazan en este espacio y se inicializan con una velocidad inicial , así como un canal de comunicación entre las partículas. [ 29 ] [ 30 ] Las partículas se mueven a través del espacio de soluciones y se evalúan según algún criterio de aptitud después de cada paso de tiempo. Con el tiempo, las partículas se aceleran hacia aquellas partículas dentro de su grupo de comunicación que tienen mejores valores de aptitud. La principal ventaja de este enfoque sobre otras estrategias de minimización global como el recocido simulado es que el gran número de miembros que componen el enjambre de partículas hace que la técnica sea impresionantemente resistente al problema de los mínimos locales .

Inteligencia Artificial de Enjambre (2015)

La Inteligencia Artificial de Enjambre (IAE) es un método para amplificar la inteligencia colectiva de grupos humanos en red mediante algoritmos de control inspirados en enjambres naturales. A veces denominada Enjambre Humano o IA de Enjambre, esta tecnología conecta grupos de participantes humanos en sistemas en tiempo real que deliberan y convergen en soluciones como enjambres dinámicos cuando se les presenta una pregunta simultáneamente [ 31 ] [ 32 ] [ 33 ]. La IAE se ha utilizado para una amplia gama de aplicaciones, desde permitir que equipos empresariales generen pronósticos financieros de alta precisión [ 34 ] hasta permitir que los aficionados a los deportes superen a los mercados de apuestas de Las Vegas. [ 35 ] La IAE también se ha utilizado para permitir que grupos de médicos generen diagnósticos con una precisión significativamente mayor que los métodos tradicionales. [ 36 ] [ 37 ] La Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) ha utilizado la IAE para ayudar a pronosticar hambrunas en zonas críticas de todo el mundo. [ 38 ] [ 39 ]

Aplicaciones

Las técnicas basadas en inteligencia de enjambre pueden utilizarse en diversas aplicaciones. El ejército estadounidense está investigando técnicas de enjambre para el control de vehículos no tripulados. La Agencia Espacial Europea está considerando un enjambre orbital para autoensamblaje e interferometría. La NASA está investigando el uso de tecnología de enjambre para el mapeo planetario. Un artículo de 1992 de M. Anthony Lewis y George A. Bekey analiza la posibilidad de utilizar inteligencia de enjambre para controlar nanobots dentro del cuerpo con el fin de eliminar tumores cancerosos. [ 40 ] Por el contrario, al-Rifaie y Aber han utilizado la búsqueda de difusión estocástica para ayudar a localizar tumores. [ 41 ] [ 42 ] La inteligencia de enjambre (IE) se aplica cada vez más en sistemas de Internet de las Cosas (IoT) [ 43 ] [ 44 ] y, por asociación con redes basadas en intenciones (IBN), [ 45 ] debido a su capacidad para manejar tareas complejas y distribuidas a través de algoritmos descentralizados y autoorganizados. La inteligencia de enjambre también se ha aplicado a la minería de datos [ 46 ] y al análisis de clústeres . [ 47 ] Los modelos basados ​​en hormigas son otro tema de la teoría de la gestión moderna. [ 48 ]

La inteligencia de enjambre se puede utilizar en muchos ámbitos prácticos donde múltiples agentes simples colaboran para resolver problemas complejos de manera eficiente. Se aplica comúnmente en problemas de optimización, como la planificación de rutas, la programación y la asignación de recursos, donde algoritmos inspirados en hormigas y pájaros ayudan a encontrar las mejores soluciones. En robótica, la inteligencia de enjambre se utiliza para coordinar múltiples robots en tareas como búsqueda y rescate, automatización de almacenes y monitoreo ambiental. También se utiliza ampliamente en sistemas de red para el enrutamiento eficiente de datos en internet y redes de sensores inalámbricos.

Además, la inteligencia colectiva desempeña un papel importante en los sistemas de tráfico y transporte, donde ayuda en el control de semáforos, la planificación de rutas vehiculares y la reducción de la congestión en ciudades inteligentes. En el aprendizaje automático y la minería de datos, se utiliza para la selección de características, la agrupación y la mejora del rendimiento de los modelos. También se aplica en sistemas de energía para el equilibrio de carga y la optimización energética, especialmente en redes inteligentes. Asimismo, la inteligencia colectiva se utiliza en el ámbito de la salud y la bioinformática para tareas como el descubrimiento de fármacos y el análisis genético, y en juegos y simulaciones para crear comportamientos grupales realistas, como el movimiento de multitudes o la formación de bandadas.

Enrutamiento basado en hormigas

También se ha investigado el uso de la inteligencia colectiva en redes de telecomunicaciones , en forma de enrutamiento basado en hormigas . Esta técnica fue desarrollada por separado por Dorigo et al. y Hewlett-Packard a mediados de la década de 1990, existiendo varias variantes. Básicamente, utiliza una tabla de enrutamiento probabilístico que recompensa/refuerza la ruta recorrida con éxito por cada "hormiga" (un pequeño paquete de control) que inunda la red. Se ha investigado el refuerzo de la ruta en la dirección de avance, la de retroceso y ambas simultáneamente: el refuerzo hacia atrás requiere una red simétrica y acopla las dos direcciones; el refuerzo hacia adelante recompensa una ruta antes de que se conozca el resultado (pero entonces uno pagaría por el cine antes de saber qué tan buena es la película). Dado que el sistema se comporta de forma estocástica y, por lo tanto, carece de repetibilidad, existen grandes obstáculos para su implementación comercial. Los medios móviles y las nuevas tecnologías tienen el potencial de cambiar el umbral para la acción colectiva debido a la inteligencia colectiva (Rheingold: 2002, pág. 175).

La ubicación de la infraestructura de transmisión para redes de comunicación inalámbricas es un importante problema de ingeniería que involucra objetivos contrapuestos. Se requiere una selección mínima de ubicaciones (o sitios) que garantice una cobertura de área adecuada para los usuarios. Un algoritmo de inteligencia de enjambre muy diferente, inspirado en las hormigas, la búsqueda de difusión estocástica (SDS), se ha utilizado con éxito para proporcionar un modelo general para este problema, relacionado con el empaquetamiento de círculos y la cobertura de conjuntos. Se ha demostrado que la SDS puede aplicarse para identificar soluciones adecuadas incluso para instancias de problemas de gran tamaño. [ 49 ]

Las aerolíneas también han utilizado el enrutamiento basado en hormigas para asignar las llegadas de aeronaves a las puertas de embarque. En Southwest Airlines, un programa informático utiliza la teoría de enjambre, o inteligencia colectiva: la idea de que una colonia de hormigas funciona mejor que una sola. Cada piloto actúa como una hormiga que busca la mejor puerta de embarque. "El piloto aprende de su experiencia qué es lo mejor para él, y resulta que esa es la mejor solución para la aerolínea", explica Douglas A. Lawson . Como resultado, la "colonia" de pilotos siempre se dirige a las puertas de embarque a las que pueden llegar y despegar rápidamente. El programa incluso puede alertar a un piloto sobre retrasos en los aviones antes de que ocurran. "Podemos anticipar que va a suceder, así que tendremos una puerta de embarque disponible", dice Lawson. [ 50 ]

Simulación de multitudes

Los artistas están utilizando la tecnología de enjambre como medio para crear sistemas interactivos complejos o simular multitudes .

Instancias

La trilogía cinematográfica de El Señor de los Anillos utilizó una tecnología similar, conocida como Massive (software) , durante las escenas de batalla. La tecnología Swarm resulta especialmente atractiva por ser económica, robusta y sencilla.

Stanley y Stella en: Rompiendo el hielo fue la primera película en utilizar la tecnología de enjambre para la renderización, representando de forma realista los movimientos de grupos de peces y aves mediante el sistema Boids.

Batman Returns de Tim Burton también utilizó tecnología de enjambre para mostrar los movimientos de un grupo de murciélagos. [ 51 ]

Las aerolíneas han utilizado la teoría de enjambre para simular el embarque de pasajeros en un avión. El investigador de Southwest Airlines, Douglas A. Lawson, utilizó una simulación informática basada en hormigas que empleaba solo seis reglas de interacción para evaluar los tiempos de embarque utilizando diversos métodos de embarque (Miller, 2010, xii-xviii). [ 52 ]

Enjambre humano

Las redes de usuarios distribuidos pueden organizarse en "enjambres humanos" mediante la implementación de sistemas de control de bucle cerrado en tiempo real. [ 53 ] [ 54 ] Desarrollado por Louis Rosenberg en 2015, el enjambre humano, también llamado inteligencia artificial de enjambre, permite aprovechar la inteligencia colectiva de grupos de personas interconectadas en línea. [ 55 ] [ 56 ] La inteligencia colectiva del grupo a menudo supera las capacidades de cualquier miembro individual del grupo. [ 57 ]

La Facultad de Medicina de la Universidad de Stanford publicó en 2018 un estudio que demostró que grupos de médicos, conectados mediante algoritmos de enjambre en tiempo real, podían diagnosticar afecciones médicas con una precisión sustancialmente mayor que la de médicos individuales o grupos de médicos que trabajaban juntos utilizando métodos tradicionales de crowdsourcing. En uno de estos estudios, enjambres de radiólogos conectados entre sí se encargaron de diagnosticar radiografías de tórax y demostraron una reducción del 33 % en los errores de diagnóstico en comparación con los métodos humanos tradicionales, y una mejora del 22 % con respecto al aprendizaje automático tradicional. [ 36 ] [ 58 ] [ 59 ] [ 37 ]

La Facultad de Medicina de la Universidad de California en San Francisco (UCSF) publicó en 2021 un preimpreso sobre el diagnóstico de imágenes de resonancia magnética (RM ) mediante pequeños grupos de médicos colaboradores. El estudio demostró un aumento del 23 % en la precisión diagnóstica al utilizar la tecnología de Inteligencia Artificial de Enjambre (IAE) en comparación con la votación por mayoría. [ 60 ] [ 61 ]

Gramáticas de enjambre

Las gramáticas de enjambre son enjambres de gramáticas estocásticas que pueden evolucionar para describir propiedades complejas como las que se encuentran en el arte y la arquitectura. [ 62 ] Estas gramáticas interactúan como agentes que se comportan según las reglas de la inteligencia de enjambre. Este comportamiento también puede sugerir algoritmos de aprendizaje profundo , en particular cuando se considera el mapeo de dichos enjambres a circuitos neuronales. [ 63 ]

Arte enjambre

En una serie de trabajos, al-Rifaie et al. [ 64 ] han utilizado con éxito dos algoritmos de inteligencia de enjambre: uno que imita el comportamiento de una especie de hormigas ( Leptothorax acervorum ) en busca de alimento ( búsqueda de difusión estocástica , SDS) y otro que imita el comportamiento de bandadas de aves ( optimización de enjambre de partículas , PSO), para describir una novedosa estrategia de integración que aprovecha las propiedades de búsqueda local del PSO con el comportamiento global del SDS. El algoritmo híbrido resultante se utiliza para esbozar nuevos dibujos de una imagen de entrada, explotando una tensión artística entre el comportamiento local de las "aves en bandada" —que buscan seguir el boceto de entrada— y el comportamiento global de las "hormigas en busca de alimento" —que buscan alentar a la bandada a explorar nuevas regiones del lienzo—. La "creatividad" de este sistema de enjambre híbrido se ha analizado bajo la luz filosófica del "rizoma" en el contexto de la metáfora "Orquídea y Avispa" de Deleuze . [ 65 ]

Un trabajo más reciente de al-Rifaie et al., "Swarmic Sketches and Attention Mechanism" [ 66 ] , introduce un enfoque novedoso que emplea el mecanismo de "atención" adaptando SDS para prestar atención selectiva a áreas detalladas de un lienzo digital. Una vez que la atención del enjambre se dirige a una línea determinada dentro del lienzo, la capacidad de PSO se utiliza para producir un "boceto enjambre" de la línea atendida. Los enjambres se mueven por el lienzo digital en un intento de cumplir sus roles dinámicos —atención a áreas con más detalles— asociados a ellos a través de su función de aptitud. Habiendo asociado el proceso de renderizado con los conceptos de atención, el desempeño de los enjambres participantes crea un boceto único y no idéntico cada vez que los enjambres "artistas" se embarcan en interpretar los dibujos de línea de entrada. En otros trabajos, mientras que PSO es responsable del proceso de boceto, SDS controla la atención del enjambre.

En un trabajo similar, "Pinturas enjambres y atención al color", [ 67 ] se producen imágenes no fotorrealistas utilizando el algoritmo SDS que, en el contexto de este trabajo, es responsable de la atención al color.

La " creatividad computacional " de los sistemas mencionados anteriormente se analiza en [ 64 ] [ 68 ] [ 69 ] a través de los dos prerrequisitos de la creatividad (es decir, libertad y restricciones) dentro de las dos infames fases de exploración y explotación de la inteligencia de enjambre.

Michael Theodore y Nikolaus Correll utilizan una instalación artística basada en la inteligencia colectiva para explorar qué se necesita para que los sistemas diseñados parezcan reales. [ 70 ]

Investigadores destacados

Véase también

Referencias

  1. ↑ Su, Yu-Hsiang; Arvin, Farshad; Hu, Junyan (2026). "Comportamiento de enjambre multiagente crítico para la seguridad mediante funciones de barrera de control conscientes del movimiento". IEEE Transactions on Automation Science and Engineering . 23 : 10506–10520 . doi : 10.1109/TASE.2026.3695359 .
  2. ↑ Beni, G.; Wang, J. (1993). «Inteligencia de enjambre en sistemas robóticos celulares». Actas del Taller Avanzado de la OTAN sobre Robots y Sistemas Biológicos, Toscana, Italia, 26-30 de junio de 1989. Berlín, Heidelberg: Springer. pp. 703-712 . doi : 10.1007/978-3-642-58069-7_38 . ISBN  978-3-642-63461-1.
  3. ↑ Beni, G. (1989). "El concepto de sistema robótico celular". Actas del Simposio Internacional IEEE sobre Control Inteligente de 1988. IEEE. págs. 57–62 . doi : 10.1109/ISIC.1988.65405 . ISBN  978-0-8186-2012-6.
  4. ↑ Hu, J.; Turgut, A.; Krajnik, T.; Lennox, B.; Arvin, F., " Diseño de protocolo de coordinación basado en oclusión para tareas de pastoreo robótico autónomo " IEEE Transactions on Cognitive and Developmental Systems, 2020.
  5. ↑ Gad, Ahmed G. (1 de agosto de 2022). "Algoritmo de optimización por enjambre de partículas y sus aplicaciones: una revisión sistemática" . Archives of Computational Methods in Engineering . 29 (5): 2531– 2561. doi : 10.1007/s11831-021-09694-4 . ISSN 1886-1784 . 
  6. ↑ Hu, J.; Bhowmick, P.; Jang, I.; Arvin, F.; Lanzon, A., " Un marco de contención de formación de clústeres descentralizado para sistemas multirobot " IEEE Transactions on Robotics, 2021.
  7. ↑ Solé R, Rodriguez-Amor D, Duran-Nebreda S, Conde-Pueyo N, Carbonell-Ballestero M, Montañez R (octubre de 2016). "Inteligencia colectiva sintética". BioSistemas . 148 : 47– 61. Código Bib : 2016BiSys.148...47S . doi : 10.1016/j.biosystems.2016.01.002 . hdl : 10630/32279 . PMID 26868302 . 
  8. 1 2 Reynolds, Craig (1987). "Rebaños, manadas y cardúmenes: Un modelo de comportamiento distribuido". Actas de la 14.ª conferencia anual sobre gráficos por computadora y técnicas interactivas . Association for Computing Machinery . págs. 25–34 . CiteSeerX 10.1.1.103.7187 . doi : 10.1145/37401.37406 . ISBN   978-0-89791-227-3. S2CID 546350 . 
  9. ↑ Banks, Alec; Vincent, Jonathan; Anyakoha, Chukwudi (julio de 2007). "Una revisión de la optimización por enjambre de partículas. Parte I: antecedentes y desarrollo". Natural Computing . 6 (4): 467– 484. CiteSeerX 10.1.1.605.5879 . doi : 10.1007/s11047-007-9049-5 . S2CID 2344624 .  
  10. ↑ Vicsek, T. ; Czirok, A.; Ben-Jacob, E.; Cohen, I.; Shochet, O. (1995). "Nuevo tipo de transición de fase en un sistema de partículas autoimpulsadas". Physical Review Letters . 75 (6): 1226– 1229. arXiv : cond-mat/0611743 . Bibcode : 1995PhRvL..75.1226V . doi : 10.1103/PhysRevLett.75.1226 . PMID 10060237 . S2CID 15918052 .  
  11. ↑ Czirók, A.; Vicsek, T. (2006). "Comportamiento colectivo de partículas autopropulsadas interactuantes". Physica A . 281 (1): 17– 29. arXiv : cond-mat/0611742 . Bibcode : 2000PhyA..281...17C . doi : 10.1016/S0378-4371(00)00013-3 . S2CID 14211016 . 
  12. ↑ Buhl, J.; Sumpter, DJT; Couzin, D.; Hale, JJ; Despland, E.; Miller, ER; Simpson, SJ; et al. (2006). " Del desorden al orden en las langostas en marcha" (PDF) . Science . 312 (5778): 1402– 1406. Bibcode : 2006Sci...312.1402B . doi : 10.1126/science.1125142 . PMID 16741126. S2CID 359329. Archivado del original (PDF) el 29-09-2011 . Recuperado el 07-10-2011 .   
  13. ↑ Toner, J.; Tu, Y.; Ramaswamy, S. (2005). "Hidrodinámica y fases de bandadas" (PDF) . Annals of Physics . 318 (1): 170– 244. Bibcode : 2005AnPhy.318..170T . doi : 10.1016/j.aop.2005.04.011 . Archivado del original (PDF) el 18 de julio de 2011. Consultado el 7 de octubre de 2011 .
  14. ↑ Bertin, E.; Droz, M.; Grégoire, G. (2009). "Ecuaciones hidrodinámicas para partículas autopropulsadas: derivación microscópica y análisis de estabilidad". J. Phys. A . 42 (44) 445001. arXiv : 0907.4688 . Bibcode : 2009JPhA...42R5001B . doi : 10.1088/1751-8113/42/44/445001 . S2CID 17686543 . 
  15. ↑ Li, YX; Lukeman, R.; Edelstein-Keshet, L.; et al. (2007). "Mecanismos mínimos para la formación de grupos en partículas autopropulsadas" (PDF) . Physica D: Nonlinear Phenomena . 237 (5): 699–720 . Bibcode : 2008PhyD..237..699L . doi : 10.1016/j.physd.2007.10.009 . Archivado del original (PDF) el 1 de octubre de 2011. 
  16. ↑ Reif, John; Wang, Hongyan (1999). "Campos de potencial social: un control de comportamiento distribuido para robots autónomos" (PDF) . Robotics and Autonomous Systems . 27 (3): 171– 194. doi : 10.1016/S0921-8890(99)00004-4 .
  17. ↑ Lones, Michael A. (2014). «Metaheurísticas en algoritmos inspirados en la naturaleza». Actas de la publicación complementaria de la Conferencia Anual de Computación Genética y Evolutiva de 2014 (PDF) . págs. 1419–1422 . CiteSeerX 10.1.1.699.1825 . doi : 10.1145/2598394.2609841 . ISBN   978-1-4503-2881-4. S2CID 14997975 . 
  18. ↑ Sörensen, Kenneth (enero de 2015). "Metaheurísticas: la metáfora al descubierto" . International Transactions in Operational Research . 22 (1): 3– 18. doi : 10.1111/itor.12001 . ISSN 0969-6016 . 
  19. ↑ Glover, Fred; Sörensen, Kenneth (2015). "Metaheurísticas" . Scholarpedia . 10 (4): 6532. doi : 10.4249/scholarpedia.6532 . ISSN 1941-6016 . 
  20. ^ Cisne, Jerry; Adriaensen, Steven; Bishr, Mohamed; Burke, Edmund K.; Clark, Juan A.; De Causmaecke, Patrick; Durillo, Juan José; Hammond, Kevin; Hart, Emma; Johnson, Colin G.; Kocsis, Zoltan A.; Kovitz, Ben; Krawiec, Krzysztof; Martín, Simón; Merelo, Juan J.; Minku, Leandro L.; Özcan, Ender; Pappa, Gisele Lobo; Pesch, Erwin; García-Sánchez, Pablo; Schärf, Andrea; Sim, Kevin; Smith, Jim; Stützle, Thomas; Wagner, Stefan (2015). "Una agenda de investigación para la estandarización metaheurística" (PDF) . Académico semántico . S2CID 63728283 . Consultado el 3 de marzo de 2025 . 
  21. 1 2 Silberholz, John; Golden, Bruce; Gupta, Swati; Wang, Xingyin (2019), Gendreau, Michel; Potvin, Jean-Yves (eds.), "Computational Comparison of Metaheuristics", Handbook of Metaheuristics , International Series in Operations Research & Management Science, Cham: Springer International Publishing, pp. 581–604 , doi : 10.1007/978-3-319-91086-4_18 , ISBN  978-3-319-91086-4, S2CID 70030182 {{citation}}: CS1 mantenimiento: parámetro de trabajo con ISBN ( enlace )
  22. ↑ Burke, Edmund; De Causmaecker, Patrick; Petrovic, Sanja; Berghe, Greet Vanden (2004), Resende, Mauricio GC; de Sousa, Jorge Pinho (eds.), "Variable Neighborhood Search for Nurse Rostering Problems", Metaheuristics: Computer Decision-Making , Applied Optimization, Boston, MA: Springer US, pp. 153–172 , doi : 10.1007/978-1-4757-4137-7_7 , ISBN  978-1-4757-4137-7{{citation}}: CS1 mantenimiento: parámetro de trabajo con ISBN ( enlace )
  23. ↑ Fu, Michael C. (1 de agosto de 2002). "Artículo destacado: Optimización para simulación: Teoría vs. Práctica". INFORMS Journal on Computing . 14 (3): 192– 215. doi : 10.1287/ijoc.14.3.192.113 . ISSN 1091-9856 . 
  24. ↑ Dorigo, Marco; Birattari, Mauro; Stutzle, Thomas (noviembre de 2006). "Optimización de colonias de hormigas". IEEE Computational Intelligence Magazine . 1 (4): 28– 39. doi : 10.1109/MCI.2006.329691 . ISSN 1556-603X . 
  25. ↑ Hayes-RothFrederick (1975-08-01). "Reseña de "Adaptation in Natural and Artificial Systems" de John H. Holland", The U. of Michigan Press, 1975". ACM SIGART Bulletin (53): 15. doi : 10.1145/1216504.1216510 . S2CID 14985677 . 
  26. ↑ Resende, Mauricio GC; Ribeiro, Celso C. (2010), Gendreau, Michel; Potvin, Jean-Yves (eds.), "Procedimientos de búsqueda adaptativa aleatoria voraz: avances, hibridaciones y aplicaciones", Manual de metaheurísticas , Serie internacional en investigación operativa y ciencias de la gestión, Boston, MA: Springer US, pp. 283–319 , doi : 10.1007/978-1-4419-1665-5_10 , ISBN  978-1-4419-1665-5{{citation}}: CS1 mantenimiento: parámetro de trabajo con ISBN ( enlace )
  27. ↑ Kudelić, Robert; Ivković, Nikola (15 de mayo de 2019). "Algoritmo de Monte Carlo inspirado en hormigas para el conjunto mínimo de arcos de retroalimentación" . Expert Systems with Applications . 122 : 108–117 . doi : 10.1016/j.eswa.2018.12.021 . ISSN 0957-4174 . S2CID 68071710 .  
  28. ↑ Optimización mediante colonias de hormigas, de Marco Dorigo y Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3
  29. ↑ Parsopoulos, KE; Vrahatis, MN (2002). "Enfoques recientes para problemas de optimización global mediante optimización por enjambre de partículas". Natural Computing . 1 ( 2– 3): 235– 306. doi : 10.1023/A:1016568309421 . S2CID 4021089 . 
  30. ↑ Optimización por enjambre de partículas por Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.
  31. ↑ Rosenberg, Louis (2015-07-20). «Human Swarms, un método en tiempo real para la inteligencia colectiva» . 20/07/2015-24/07/2015 . Vol. 27. pp. 658–659 . doi : 10.7551/978-0-262-33027-5-ch117 . ISBN   978-0-262-33027-5.
  32. ↑ Rosenberg, Louis; Willcox, Gregg (2020). «Inteligencia Artificial de Enjambre». En Bi, Yaxin; Bhatia, Rahul; Kapoor, Supriya (eds.). Sistemas Inteligentes y Aplicaciones . Avances en Sistemas Inteligentes y Computación. Vol. 1037. Springer International Publishing. pp. 1054–1070 . doi : 10.1007/978-3-030-29516-5_79 . ISBN   978-3-030-29516-5. S2CID 195258629 . 
  33. ↑ Metcalf, Lynn; Askay, David A.; Rosenberg, Louis B. (2019). "Manteniendo a los humanos en el ciclo: Agrupación de conocimientos mediante inteligencia artificial de enjambre para mejorar la toma de decisiones empresariales" . California Management Review . 61 (4): 84– 109. doi : 10.1177/0008125619862256 . ISSN 0008-1256 . S2CID 202323483 .  
  34. ↑ Schumann, Hans; Willcox, Gregg; Rosenberg, Louis; Pescetelli, Niccolo (2019).«El enjambre humano amplifica la precisión y el retorno de la inversión en la predicción de los mercados financieros». Conferencia Internacional IEEE de 2019 sobre Computación y Comunicación Humanizadas (HCC) . págs. 77-82 . doi : 10.1109/HCC46620.2019.00019 . ISBN  978-1-7281-4125-1. S2CID 209496644 . 
  35. ↑ Bayern, Macy (4 de septiembre de 2018). "Cómo los sistemas de IA superan a las casas de apuestas de Las Vegas en precisión de pronósticos deportivos" . TechRepublic . Consultado el 10 de septiembre de 2018 .
  36. 1 2 Scudellari, Megan (13 de septiembre de 2018). "La 'mente colmena' humana-IA diagnostica la neumonía" . IEEE Spectrum: Noticias de tecnología, ingeniería y ciencia . Recuperado el 20 de julio de 2019 .
  37. 1 2 Rosenberg, Louis; Lungren, Matthew; Halabi, Safwan; Willcox, Gregg; Baltaxe, David; Lyons, Mimi (noviembre de 2018). «Inteligencia artificial de enjambre empleada para amplificar la precisión diagnóstica en radiología». 2018 IEEE 9th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON) . Vancouver, BC: IEEE. pp. 1186–1191 . doi : 10.1109/IEMCON.2018.8614883 . ISBN  978-1-5386-7266-2. S2CID 58675679 . 
  38. ↑ Oliveira, Leila; Haan, Nicolas (s.f.). IPC ATARI #2: Pilotos para aumentar la cobertura y la frecuencia de las clasificaciones IPC (PDF) (Informe) . Recuperado el 31 de julio de 2025 .
  39. ↑ Rosenberg, Louis (13 de octubre de 2021). "Inteligencia de enjambre: la IA inspirada en las abejas puede ayudarnos a tomar mejores decisiones" . Big Think .
  40. ↑ Lewis, M. Anthony; Bekey, George A. "La autoorganización conductual de nanorobots mediante reglas locales" . Actas de la Conferencia Internacional IEEE/RSJ de 1992 sobre Robots y Sistemas Inteligentes .
  41. ↑ al-Rifaie, MM; Aber, A. "Identificación de metástasis en gammagrafías óseas mediante búsqueda de difusión estocástica" . Actas del IEEE Information Technology in Medicine and Education, ITME . 2012 : 519–523 .
  42. ↑ al-Rifaie, Mohammad Majid, Ahmed Aber y Ahmed Majid Oudah. ​​" Utilización de la búsqueda de difusión estocástica para identificar metástasis en gammagrafías óseas y microcalcificaciones en mamografías "." En Talleres de Bioinformática y Biomedicina (BIBMW), Conferencia Internacional IEEE de 2012, págs. 280-287. IEEE, 2012.
  43. ↑ Sun, Weifeng; Tang, Min; Zhang, Lijun; Huo, Zhiqiang; Shu, Lei (enero de 2020). " Un estudio sobre el uso de algoritmos de inteligencia de enjambre en IoT" . Sensors . 20 (5): 1420. Bibcode : 2020Senso..20.1420S . doi : 10.3390/s20051420 . ISSN 1424-8220 . PMC 7085620. PMID 32150912 .   
  44. ↑ Abualigah, Laith; Falcone, Deborah; Forestiero, Agostino (2023-05-29). " Inteligencia de enjambre para afrontar los desafíos del IoT" . Inteligencia Computacional y Neurociencia . 2023 4254194. doi : 10.1155/2023/4254194 . ISSN 1687-5265 . PMC 10241578. PMID 37284052 .   
  45. ↑ "Redes basadas en intenciones para el Internet de las cosas | Tema de investigación de Frontiers" . www.frontiersin.org . Consultado el 14 de agosto de 2024 .
  46. ↑ Martens, D.; Baesens, B.; Fawcett, T. (2011). "Encuesta editorial: Inteligencia de enjambre para minería de datos" . Machine Learning . 82 (1): 1– 42. doi : 10.1007/s10994-010-5216-5 .
  47. ↑ Thrun, M.; Ultsch, A. (2021). "Inteligencia de enjambre para agrupamiento autoorganizado". Inteligencia artificial . 290 103237. arXiv : 2106.05521 . doi : 10.1016/j.artint.2020.103237 . S2CID 213923899 . 
  48. ↑ Fladerer, Johannes-Paul; Kurzmann, Ernst (noviembre de 2019). La sabiduría de muchos: cómo crear autoorganización y cómo utilizar la inteligencia colectiva en las empresas y en la sociedad desde mana . Books on Demand. ISBN 978-3-7504-2242-1.
  49. ↑ Whitaker, RM, Hurley, S.. Un enfoque basado en agentes para la selección de sitios para redes inalámbricas . Proc ACM Symposium on Applied Computing, pp. 574–577, (2002).
  50. ↑ "Aviones, trenes y hormigueros: Científicos informáticos simulan la actividad de las hormigas para reducir los retrasos en los vuelos" . Science Daily . 1 de abril de 2008. Archivado del original el 24 de noviembre de 2010. Consultado el 1 de diciembre de 2010 .
  51. ↑ Mahant, Manish; Singh Rathore, Kalyani; Kesharwani, Abhishek; Choudhary, Bharat (2012). "Un estudio profundo sobre la inteligencia de enjambre" . Revista Internacional de Investigación Informática Avanzada . 2 (1) . Recuperado el 3 de octubre de 2022 .
  52. ↑ Miller, Peter (2010). El enjambre inteligente: Cómo comprender las bandadas, las escuelas y las colonias puede hacernos mejores en la comunicación, la toma de decisiones y la consecución de objetivos . Nueva York: Avery. ISBN 978-1-58333-390-7.
  53. ↑ Oxenham, Simon (15 de diciembre de 2016). "Por qué las abejas podrían ser el secreto de la inteligencia sobrehumana" . Recuperado el 20 de enero de 2017 .
  54. ↑ Rosenberg, L.; Pescetelli, N.; Willcox, G. (octubre de 2017). «La inteligencia artificial de enjambre aumenta la precisión en la predicción de los mercados financieros». 2017 IEEE 8th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON) . pp. 58–62 . doi : 10.1109/UEMCON.2017.8248984 . ISBN  978-1-5386-1104-3. S2CID 21312426 . 
  55. ↑ "Más inteligentes como grupo: cómo la inteligencia colectiva eligió a los ganadores del Derby" . Christian Science Monitor .
  56. ↑ "Una startup de IA aprovecha la inteligencia colectiva humana para predecir a los ganadores" . CNET .
  57. ↑ Rosenberg, Louis (12 de febrero de 2016). «Inteligencia artificial de enjambre: un enfoque de IA con intervención humana». Actas de la trigésima Conferencia AAAI sobre Inteligencia Artificial . AAAI'16. Phoenix, Arizona: AAAI Press: 4381–4382 .
  58. ↑ "La IA unánime logra un 22 % más de precisión en los diagnósticos de neumonía" . VentureBeat . 10 de septiembre de 2018. Consultado el 20 de julio de 2019 .
  59. ↑ "Un enjambre de ideas - Revista Radiology Today" . www.radiologytoday.net . Consultado el 20 de julio de 2019 .
  60. ↑ Shah, Rutwik; Astuto, Bruno; Gleason, Tyler; Fletcher, Will; Banaga, Justin; Sweetwood, Kevin; Ye, Allen; Patel, Rina; McGill, Kevin; Link, Thomas; Crane, Jason (2021-09-06). "Utilización de una plataforma digital de inteligencia de enjambre para mejorar el consenso entre radiólogos y exploración de sus aplicaciones". arXiv : 2107.07341 [ cs.HC ].
  61. ↑ Shah, Rutwik; Astuto Arouche Nunes, Bruno; Gleason, Tyler; Fletcher, Will; Banaga, Justin; Sweetwood, Kevin; Ye, Allen; Patel, Rina; McGill, Kevin; Link, Thomas; Crane, Jason; Pedoia, Valentina; Majumdar, Sharmila (4 de abril de 2023). "Utilización de una plataforma de inteligencia de enjambre digital para mejorar el consenso entre radiólogos y exploración de sus aplicaciones" . Journal of Digital Imaging . 36 (2): 401– 413. doi : 10.1007/s10278-022-00662-3 . PMC 10039189. PMID 36414832 .  
  62. ↑ vonMammen, Sebastian; Jacob, Christian (2009). "La evolución de las gramáticas de enjambre: árboles en crecimiento, arte artesanal y diseño ascendente". IEEE Computational Intelligence Magazine . 4 (3): 10– 19. Bibcode : 2009ICIM....4c..10V . CiteSeerX 10.1.1.384.9486 . doi : 10.1109/MCI.2009.933096 . S2CID 17882213 .  
  63. ↑ du Castel, Bertrand (15 de julio de 2015). "Teoría de la mente por activación/reconocimiento de patrones" . Frontiers in Computational Neuroscience . 9 (90): 90. doi : 10.3389/fncom.2015.00090 . PMC 4502584. PMID 26236228 .  
  64. 1 2 al-Rifaie, MM; Bishop, JM; Caines, S. (2012). "Creatividad y autonomía en sistemas de inteligencia de enjambre" (PDF) . Computación cognitiva . 4 (3): 320– 331. doi : 10.1007/s12559-012-9130-y . S2CID 942335 . 
  65. ↑ Deleuze G, Guattari F, Massumi B. Mil mesetas. Minneapolis: University of Minnesota Press; 2004.
  66. ↑ Al-Rifaie, Mohammad Majid; Bishop, John Mark (2013). "Bocetos enjambres y mecanismo de atención" (PDF) . Música, sonido, arte y diseño inspirados en la evolución y la biología (PDF) . Notas de clase en informática. Vol. 7834. págs. 85–96 . doi : 10.1007/978-3-642-36955-1_8 . ISBN   978-3-642-36954-4.
  67. ↑ Al-Rifaie, Mohammad Majid; Bishop, John Mark (2013). «Pinturas enjambres y atención al color» (PDF) . Música, sonido, arte y diseño inspirados en la evolución y la biología (PDF) . Notas de clase en informática. Vol. 7834. págs. 97–108 . doi : 10.1007/978-3-642-36955-1_9 . ISBN   978-3-642-36954-4.
  68. ↑ al-Rifaie, Mohammad Majid, Mark JM Bishop y Ahmed Aber. "¿ Creativos o no? Pájaros y hormigas dibujan con fuerza ". Actas de AISB'11 Computing and Philosophy (2011): 23-30.
  69. ↑ al-Rifaie MM, Bishop M (2013) Inteligencia de enjambre y creatividad artificial débil. Archivado el 11 de agosto de 2019 en Wayback Machine . En: The Association for the Advancement of Artificial Intelligence (AAAI) 2013: Spring Symposium, Stanford University, Palo Alto, California, EE. UU., pp. 14-19.
  70. ↑ "Laboratorio Correll" . Laboratorio Correll .

Lecturas adicionales

  • Bonabeau, Eric; Dorigo, Marco; Theraulaz, Guy (1999). Inteligencia de enjambre: De los sistemas naturales a los artificiales . Oup USA. ISBN 978-0-19-513159-8.
  • Kennedy, James; Eberhart, Russell C. (09/04/2001). Inteligencia de enjambre . Morgan Kaufmann. ISBN 978-1-55860-595-4.
  • Engelbrecht, Andries (16 de diciembre de 2005). Fundamentos de la inteligencia de enjambre computacional . Wiley & Sons. ISBN 978-0-470-09191-3.
  • Marco Dorigo y Mauro Birattari (2007). "Inteligencia de enjambre" en Scholarpedia
  • Antoinette Brown. Inteligencia de enjambre.