Inteligência de Enxame

www.computacaonatural.com.br

UNIVERSIDADE PRESBITERIANA MACKENZIE

I ESCOLA DE COMPUTAÇÃO NATURAL Laboratório de Computação Natural – LCoN

Outubro/2012

Inteligência de Enxame

Alexandre Szabo

Diego Almeida

• Diversas espécies vivem em sociedade

– Abelhas, Formigas, Cupins, Aves, Peixes

• Vantagens

– Facilidade de acasalamento – Defesa do bando

– Busca por alimento – Aprendizagem

Animais Sociais:

Características Comportamentais

www.computacaonatural.com.br ₃

• Autonomia e Auto-Organização

– Comportamento descentralizado e cooperação entre agentes

• Estigmergia

– Comunicação por meio de mudanças no ambiente

• Emergência

– Surgimento de padrões a partir de interações simples

Animais Sociais:

Características Comportamentais

• Inteligência de Enxame:

– Termo cunhado em 1989 (Beni & Wang) após observar o

comportamento de robôs que usavam regras baseadas em formigas – Insetos são agentes simples sob o ponto de vista cognitivo, mas da

interação social emerge a inteligência do enxame

– Agentes interagem entre si e com o ambiente para um objetivo comum

– Metáfora Básica: Sociocognição

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

www.computacaonatural.com.br ₅

• Aplicações:

– Animação

• Flock of birds

• Boids in action

• Boids Batman Begins

– Robótica

• Swarm of Flying

• Box-pushing

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

• Aplicações:

– Agrupamento de Dados

• Agrupamento por Colônia de Formigas http://lvcon.tuilux.com.br/experimento?id=16

– Otimização

• Otimização por Colônia de Formigas http://lvcon.tuilux.com.br/experimento?id=1

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

www.computacaonatural.com.br ₇

• Algoritmos Baseados em Enxame de Partículas:

Particle Swarm Optimization (Kennedy & Eberhart, 1995)

– Cada partícula (indivíduo) é representada por um vetor, com posição e velocidade individuais

– Cada partícula tem uma memória que representa sua experiência – O enxame possui uma memória global que representa a experiência

do enxame

– O princípio básico é a movimentação de partículas (indivíduos) e estas competem entre si e compartilham a melhor solução

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

• Algoritmos Baseados em Enxame de Partículas:

Particle Swarm Optimization (Kennedy & Eberhart, 1995) – Alguma função deve ser otimizada

– O número de partículas é informado pelo usuário

– A dimensão das partículas depende do número de variáveis da função

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

www.computacaonatural.com.br ₉ Particle Swarm Optimization (Kennedy & Eberhart, 1995)

Enquanto o critério de parada não for satisfeito

Para cada partícula x_j do enxame X Se f(x_j) < f(p_j) p_j = x_j Fim Se Se f(x_j) < f(g) g = x_j Fim Se v_j(t+1) = 𝜔*v_j(t)+𝜑1⨂(p_j-x_j(t))+ 𝜑2⨂(g-x_j) x_j(t+1) = x_j(t)+v_j(t+1) Fim Para t = t+1

Testar critério de parada

Fim

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

Particle Swarm Clustering (Cohen & de Castro, 2006) – Base de dados a ser agrupada

– Todas as partículas configuram uma única solução

– O número de partículas deve ser no mínimo igual ao número de classes na base de dados

– Não usa função explícita; a distância Euclidiana é usada como medida de avaliação entre partícula e objeto

– Um termo de auto-organização é adicionado à equação de

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

www.computacaonatural.com.br ₁₁ Particle Swarm Clustering (Cohen & de Castro, 2006)

Enquanto o critério de parada não for satisfeito Para cada objeto yi _{da base de dados Y}

Para cada partícula x_j do enxame X

dist(j) = distance(yi_,x j) Fim Para I=arg_min(dist) Se distance(yi_,x I) < distance(yi,piI) pi I = xI Fim Se Se distance(yi_,x I) < distance(yi,gi) gi _{= x} I Fim Se vI(t+1)=𝜔*vI(t)+𝜑1⨂(piI-xI(t))+𝜑2⨂(g-xI)+𝜑3⨂(yi-xI) x_I(t+1) = x_I(t)+v_I(t+1) Fim Para t = t+1

Testar critério de parada

Fim Enquanto

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

Particle Swarm Clustering (Cohen & de Castro, 2006) • Simulação

– Base de dados: 75 objetos, 4 classes

Inteligência de Enxame:

Conceitos, Aplicações e Algoritmos

www.computacaonatural.com.br ₁₃ Os algoritmos bioinspirados fazem uso de conceitos comuns

Metáfora Básica: Sóciocognição Aplicações Práticas