https://virgool.ir/feed/@fatemeh.rashidi.76fa2026-11-12 01:03:12https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@fatemeh.rashidi.76https://virgool.ir/@fatemeh.rashidi.76/swarm-intelligence-هوش-جمعی-o7aauq6mwrimهوش جمعی رشته‌ای است که با سیستم‌های طبیعی و مصنوعی متشکل از افراد زیادی سروکار دارد که با استفاده از کنترل غیرمتمرکز و خود سازمان‌دهی هماهنگ می‌شوند. به طور خاص، این رشته بر رفتارهای جمعی تمرکز دارد که از تعاملات محلی افراد با یکدیگر و با محیطشان ناشی می شود.ویژگی های یک سیستم هوش جمعی· از افراد زیادی تشکیل شده است.· افراد نسبتاً همگن هستند (یعنی همه آنها یکسان هستند یا نهایتا به چند نوع تعلق دارند).· تعاملات بین افراد بر اساس قوانین رفتاری ساده ای است که تنها از اطلاعات محلی که افراد به طور مستقیم یا از طریق محیط مبادله می کنند، بهره برداری می شود.· رفتار کلی سیستم از تعامل افراد با یکدیگر و با محیطشان ناشی می شود، یعنی رفتار گروهی خود سازماندهی می شود.ویژگی مشخصه یک سیستم هوش جمعی توانایی آن برای عمل به روشی هماهنگ بدون حضور هماهنگ کننده یا کنترل کننده خارجی است. نمونه های زیادی را می توان در طبیعت ازدحام مشاهده کرد که برخی از رفتارهای جمعی را بدون کنترل گروه یا آگاهی از رفتار کلی گروه انجام می دهند. با وجود فقدان افراد مسئول گروه، گروه به طور کلی می تواند رفتار هوشمندانه ای از خود نشان دهد. این نتیجه تعامل افراد همسایه ( از نظر فضایی) است که بر اساس قوانین ساده عمل می کنند.اغلب، رفتار هر یک از افراد با عباراتی احتمالی توصیف می‌شود: هر فردی یک رفتار تصادفی دارد که به درک محلی او از فضا بستگی دارد.به دلیل ویژگی‌های فوق، می‌توان سیستم‌های هوشمند گروهی را طراحی کرد که مقیاس‌پذیر، موازی و متحمل خطا باشند.مقیاس پذیری به این معنی است که یک سیستم می تواند عملکرد خود را حفظ کند در حالی که اندازه آن را افزایش پیدا میکند بدون نیاز به تعریف مجدد نحوه تعامل اجزای آن.از آنجایی که در یک سیستم هوش جمعی، تعاملات فقط شامل افراد در کنار یکدیگر ( همسایه) می‌شود، تعداد تعاملات با تعداد کلی افراد در هوش جمعی نمی‌یابد: رفتار هر فرد فقط تحت تأثیراندازه جمع است.در سیستم‌های مصنوعی، مقیاس‌پذیری جالب است، زیرا یک سیستم مقیاس‌پذیر می‌تواند کارایی خود را صرفاً با افزایش اندازه، بدون نیاز به برنامه‌ریزی مجدد، افزایش دهد.عمل موازی در سیستم های هوش جمعی امکان پذیر است زیرا اجزای تشکیل دهنده می توانند اقدامات مختلفی را در مکان های مختلف به طور همزمان انجام دهند. در سیستم‌های مصنوعی، اقدام موازی مطلوب است زیرا می‌تواند به انعطاف‌پذیری بیشتر سیستم کمک کند، یعنی قادر به خودسازماندهی در تیم‌هایی باشد که به طور همزمان جنبه‌های مختلف یک کار پیچیده را انجام می‌دهند.تحمل خطا به دلیل ماهیت غیرمتمرکز و خودسازماندهی ساختارهای کنترلی آن ها، ویژگی ذاتی سیستم های هوش جمعی است. از آنجایی که سیستم متشکل از افراد قابل تعویض زیادی است و هیچ یک از آنها مسئول کنترل رفتار کلی سیستم نیستند، یک فرد شکست خورده را می توان به راحتی کنار گذاشت و با فرد دیگری که عملکرد مناسبی دارد جایگزین کرد.نمونه‌هایی از سیستم‌هایی که توسط هوش جمعی مورد مطالعه قرار گرفته‌اندکلنی مورچه‌ها و موریانه‌ها، دسته‌های ماهی، گله‌های پرندگان، گله‌های حیوانات خشکیبرخی از مصنوعات انسانی نیز در حوزه هوش جمعی قرار می گیرند، به ویژه برخی از سیستم های چند روباتی، و همچنین برنامه های کامپیوتری خاصی که برای مقابله با مشکلات بهینه سازی و تجزیه و تحلیل داده ها نوشته شده اند.تحقیقات در زمینه هوش جمعی را می توان بر اساس معیارهای مختلف طبقه بندی کرد.طبیعی در مقابل مصنوعی: مرسوم است که تحقیقات هوش جمعی را بر اساس ماهیت سیستم های مورد تجزیه و تحلیل به دو حوزه تقسیم می کنند. در هوش جمعی طبیعی سیستم های بیولوژیکی مورد مطالعه قرار می گیرند. و در هوش جمعی مصنوعی مصنوعات انسانی مورد مطالعه قرار می گیرد.علمی در مقابل مهندسی: یک طبقه‌بندی جایگزین و به نوعی آموزنده‌تر از تحقیقات هوش جمعی را می‌توان بر اساس اهدافی که دنبال میکند ارائه کرد.هدف جریان علمی مدل‌سازی سیستم‌های اطلاعاتی جمعی و جداسازی و درک مکانیسم‌هایی است که به یک سیستم به عنوان یک کل اجازه می‌دهد با هماهنگی در نتیجه تعاملات محلی فرد-فردی و فرد-محیطی رفتار کند.از سوی دیگر، هدف جریان مهندسی، بهره‌برداری از درک توسعه‌یافته توسط جریان علمی به منظور طراحی سیستم‌هایی است که قادر به حل مسائل عملی هستند.طبیعی/علمی: رفتار جستجوی مورچه هادر یک آزمایش کلاسیک که در سال 1990 انجام شد، Deneubourg و گروهش نشان دادند که وقتی انتخاب بین دو مسیر با طول متفاوت برای حمل لانه به منبع غذایی وجود دارد، احتمال زیادی دارد که کلنی مورچه‌ها به طور جمعی مسیر کوتاه‌تر را انتخاب کند. Deneubourgنشان داده است که این رفتار را می توان از طریق یک مدل احتمالی ساده توضیح داد که در آن هر مورچه با تصمیم گیری تصادفی بر اساس شدت فرمون حس شده از روی زمین تصمیم می گیرد که به کجا برود.( فرمون توسط مورچه ها و در هنگام رفت و برگشت ازسمت لانه به منبع غذا ته نشین می‌شود.)مصنوعی/علمی: خوشه بندی توسط گروهی از ربات هاچندین گونه از مورچه اجساد را برای تشکیل گورستان ها دسته بندی می کنند. Deneubourg و همکارانش از اولین کسانی بودند که یک مدل توزیع احتمالی را برای توضیح این رفتار خوشه بندی پیشنهاد کردند. در مدل خود، مورچه ها اجساد را با احتمالاتی که به اطلاعات مربوط به تراکم اجساد که به صورت محلی در دسترس مورچه ها است، برمی دارند و رها می کنند.طبیعی/مهندسی: بهره برداری از رفتارهای جمعی جوامع حیوانیتوسعه احتمالی هوش جمعی، بهره برداری کنترل شده از رفتار جمعی جوامع حیوانی است. هیچ نمونه ای در این زمینه از هوش جمعی در دسترس نیست، اگرچه برخی تحقیقات امیدوارکننده در حال حاضر در حال انجام است: به عنوان مثال، در پروژه Leurre، ربات های حشره مانند کوچک به عنوان فریب برای تأثیرگذاری بر رفتار گروهی از سوسک ها استفاده می شوند. فناوری توسعه‌یافته در این پروژه را می‌توان در حوزه‌های مختلف از جمله کشاورزی و دامداری به کار برد.مصنوعی/مهندسی: تجزیه و تحلیل داده‌های مبتنی بر ازدحاممهندسان از مدل‌های رفتار خوشه‌بندی مورچه‌ها به عنوان الهام‌بخشی برای طراحی الگوریتم‌های داده کاوی استفاده کرده‌اند. یک کار اساسی در این راستا توسط لومر و فایتا در سال 1994 انجام شد. آنها محیطی مصنوعی را تعریف کردند که در آن مورچه های مصنوعی آیتم های اطلاعاتی را با احتمالاتی که تابع شباهت های اطلاعاتی که قبلا در همسایگی انها وجود داشته است، می‌باشد جمع آوری و رها می کنند. از همین الگوریتم برای حل مسائل بهینه سازی ترکیبی که به صورت مسائل خوشه بندی مجدداً فرموله شده اند نیز استفاده شده است .fatemeh rashidifatemeh rashidiTue, 08 Mar 2022 13:40:14 +0330