วิกิพีเดีย

ความฉลาดแบบกลุ่ม

ความฉลาดแบบกลุ่ม (อังกฤษ: swarm intelligence) คือกลุ่มพฤติกรรมของระบบแบบกระจายศูนย์ซึ่งถูกนำมาประยุกต์ใช้ในด้านปัญญาประดิษฐ์ ระบบความฉลาดแบบกลุ่มโดยปกติแล้วจะประกอบขึ้นมาด้วย เอเจนต์ ซึ่งสามารถมีปฏิสัมพันธ์กับเอเจนต์ตัวอื่นหรือสภาวะแวดล้อมได้ เอเจนต์ในระบบทุกตัวจะปฏิบัติตัวตามกฎชุดหนึ่ง แม้ว่าจะไม่มีศูนย์สั่งการที่ควบคุมว่าเอเจนต์แต่ละตัวต้องปฏิบัติอย่างไร แต่การที่เอเจนต์แต่ละตัวมีปฏิสัมพันธ์กันก็ก่อให้เกิดรูปแบบความฉลาดในภาพรวมขึ้นมาซึ่งเอเจนต์แต่ละตัวไม่รู้ แรงบันดาลใจที่ช่วยผลักดันความฉลาดแบบกลุ่มนั้นมักจะมาจากธรรมชาติ โดยเฉพาะจากระบบนิเวศวิทยา ตัวอย่างของความฉลาดแบบกลุ่มที่มาจากธรรมชาติได้แก่ ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด (Ant colony optimization [en]), ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (Particle Swarm Optimization [en]), ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า (Cuckoo search [en])

ภาพแสดงระยะห่างแบบเมตริก (ซ้าย) เทียบกับระยะห่างเชิงลำดับ (ขวา) ของฝูงปลา ปลาจะเกิดปฏิสัมพันธ์แบบไหนขึ้นอยู่กับระยะห่างในแบบเมตริก แต่ในเชิงลำดับ ปฏิสัมพันธ์จะเกิดขึ้นกับปลาจำนวนหนึ่งรอบ ๆ โดยไม่สนขอบเขตระยะห่าง

ตัวอย่างความฉลาดแบบกลุ่ม แก้

ขั้นตอนวิธีระบบที่มีการเสียสละ แก้

นักวิจัยจากประเทศสวิตเซอร์แลนด์ได้พัฒนาขั้นตอนวิธีขึ้นมาบนพื้นฐานของกฎของฮามิลตันว่าด้วยการเลือกเพื่อดำรงเผ่าพันธุ์ (Hamilton's rule of kin selection [en]) ขั้นตอนวิธีนี้ได้แสดงให้เห็นว่าการเสียสละในกลุ่มนั้นจะช่วยให้กลุ่มเจริญเติบโตและมีประสิทธิภาพสูงขึ้นในภาพรวม[1][2]

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด แก้

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด (Ant colony optimization [en]) นั้นเป็นขั้นตอนวิธีสำหรับหาค่าเหมาะสมที่สุด (Optimization algorithm [en]) ที่มีพื้นฐานมาจากระบบอาณาจักรมด ขั้นตอนวิธีนี้เหมาะที่จะนำไปใช้แก้ปัญหาในการหาเส้นทางไปยังจุดหมายที่ต้องการ มดจำลอง (เทียบได้กับเอเจนต์) จะหาเส้นทางโดยการเคลื่อนที่ผ่านปริภูมิพารามิเตอร์ (Parameter space [en]) ซึ่งเป็นเซตที่เก็บวิธีการทุกแบบที่เป็นไปได้ไว้ นอกจากการเคลื่อนที่ปกติแล้ว มดจำลองจะบันทึกเส้นทางที่ตัวเองเดินผ่านเอาไว้เหมือนมดในธรรมชาติที่จะปล่อยฟีโรโมนออกมาในระหว่างเดินทางเพื่อนำทางมดตัวอื่นด้วย การบันทึกเส้นทางนี้ช่วยให้มดจำลองสามารถหาคำตอบที่ดีกว่าเดิมได้เมื่อเวลาผ่านไป[3]

ระบบภูมิต้านทานประดิษฐ์ แก้

ระบบภูมิต้านทานประดิษฐ์ (Artificial immune system [en]) ศึกษาเกี่ยวกับการนำโครงสร้างและหน้าที่ของระบบภูมิคุ้มกันมาปรับใช้ในด้านคอมพิวเตอร์เพื่อแก้ปัญหาคณิตศาสตร์ วิศวกรรม และเทคโนโลยีสารสนเทศ

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ แก้

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ (Charged system search [en]) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่สร้างขึ้นมาจากการนำกฎพื้นฐานของฟิสิกส์และกลศาสตร์บางข้อมาปรับใช้งาน[4] ระบบนี้จะจำลองสภาพแวดล้อมที่เอเจนต์เป็นอนุภาคที่มีประจุ ซึ่งจะมีปฏิสัมพันธ์กันในรูปของการดูดและการผลัก ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุนี้เหมาะกับการนำไปใช้ในการหาค่าเหมาะสมที่สุด โดยเฉพาะเมื่อข้อมูลนำเข้าไม่ลู่ออก

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า แก้

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า (Cuckoo search [en]) เลียนแบบพฤติกรรมการฝากลูกให้คนอื่นเลี้ยงของนกดุเหว่าในแต่ละรุ่น มาปรับใช้ในการค้นหาคำตอบที่ต้องการ การศึกษาเร็ว ๆ นี้พบว่า CS ทำงานได้เร็วกว่าขั้นตอนวิธีอื่นอย่างเช่น PSO[5]

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อย แก้

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อย (Firefly algorithm [en]) เป็นอีกหนึ่งขั้นตอนวิธีความฉลาดแบบกลุ่มที่ได้แรงบันดาลใจมาจากพฤติกรรมการเปล่งแสงของหิ่งห้อย ความเข้มของแสงจะผูกกับความน่าดึงดูดของตัวหิ่งห้อย ซึ่งทำให้หิ่งห้อยตัวรอบ ๆ บินเข้าไปหา ก่อเกิดเป็นกลุ่มย่อย ๆ ดังนั้นขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อยนี้จึงค่อนข้างเหมาะกับโจทย์ปัญหาหาค่าเหมาะสมที่สุดที่มีผลเฉลยหลายแบบ[6] แต่ก็สามารถนำไปประยุกต์กับปัญหาหาค่าเหมาะสมที่สุดที่ข้อมูลนำเข้าเป็นค่าต่อเนื่องเช่นปัญหาการเดินทางของพนักงานขาย (Travelling Salesman Problem [en])

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วง แก้

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วง (Gravitational search algorithm [en]) นั้นมีลักษณะคล้าย ๆ กับขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ โดยแตกต่างกันที่ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุจะใช้กฎด้านไฟฟ้า ส่วนขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วงจะใช้กฎด้านแรงโน้มถ่วง เอเจนต์แต่ละตัวจะมีมวลต่างกัน ซึ่งเมื่อเสี้ยวเวลาผ่านไป เอเจนต์แต่ละตัวก็จะดึงดูดซึ่งกันและกัน ทำให้ระบบเคลื่อนที่ไป

ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสม แก้

ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสม (Intelligent Water Drops [en]) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดโดยใช้ความฉลาดแบบกลุ่มซึ่งได้รับแรงบันดาลใจมาจากการไหลของน้ำในแม่น้ำที่จะเลือกเส้นทางการไหลที่ดีที่สุดเสมอ เอเจนต์แต่ละตัวจะมีปฏิสัมพันธ์กันเหมือนหยดน้ำในแม่น้ำ ซึ่งจะทำให้ได้ผลเฉลยที่ดีขึ้นเรื่อย ๆ เมื่อเวลาผ่านไป ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสมนี้เป็นขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบเพิ่มพูนและอิงประชากร[7]

พลศาสตร์การก่อตัวของลำน้ำ แก้

พลศาสตร์การก่อตัวของลำน้ำ (River formation dynamics [en])[8] คือวิธีการแบบฮิวริสติกที่คล้ายคลึงกับขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด หรืออาจกล่าวได้ว่าพลศาสตร์การก่อตัวของลำน้ำคือขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมดที่ค่าต่าง ๆ ไล่ระดับได้ แนวคิดของวิธีการนี้ได้มาจากการกัดเซาะผืนดินของแม่น้ำในระหว่างการก่อตัว วิธีการนี้ยังได้ถูกนำไปใช้ในการแก้ปัญหาเอ็นพีบริบูรณ์หลาย ๆ อย่าง เช่น ปัญหาการค้นหาต้นไม้แผ่กว้างน้อยที่สุดบนกราฟที่มีน้ำหนักแปรผันได้

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค แก้

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (Particle Swarm Optimization [en]) เป็นขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่ใช้ได้กับทุกปัญหาที่ผลเฉลยสามารถแทนด้วยจุดหรือระนาบบนปริภูมิขนาด n มิติ เอเจนต์จะถูกวางไว้ในปริภูมิพร้อมกับความเร็วต้นค่าหนึ่งและช่องทางในการติดต่อกับเอเจนต์อื่น[9][10] เอเจนต์จะเคลื่อนที่ไปเรื่อย ๆ บนปริภูมิผลเฉลย โดยถ้าเอเจนต์ตัวใดเข้าใกล้ผลเฉลยก็จะยิ่งมีความสำคัญมากขึ้น ดึงดูดให้เอเจนต์ตัวอื่น ๆ ค่อย ๆ เบนเส้นทางมาทางเดียวกัน ข้อดีหลักของขั้นตอนวิธีนี้ต่อขั้นตอนวิธีอื่นที่ใช้ได้กับทุกปัญหาคือขั้นตอนวิธีนี้สามารถหลีกเลี่ยงปัญหาค่าเหมาะสมที่สุดสัมพัทธ์ (Local minima [en]) ได้จากการที่สามารถมีจำนวนเอเจนต์มาก

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่ม แก้

ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่ม (Stochastic diffusion search [en]) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่อาศัยความน่าจะเป็นในการแก้โจทย์ปัญหาประเภทที่ฟังก์ชันค่านำเข้าสามารถแยกย่อยเป็นฟังก์ชันย่อย ๆ ได้ เอเจนต์แต่ละตัวจะมีสมมติฐานของตัวเองว่าผลลัพธ์ใดถูกต้อง ซึ่งสมมติฐานนี้จะถูกทดสอบเรื่อย ๆ โดยนำเป้าหมายย่อยมาพิจารณา ในขั้นตอนวิธีแบบมาตรฐาน ฟังก์ชันย่อยแต่ละตัวสามารถให้ผลการทดสอบที่เป็นจริงหรือเท็จเท่านั้น ทำให้เอเจนต์แต่ละตัวมี 2 สถานะคือสถานะทำงานและสถานะไม่ทำงาน ข้อมูลของสมมติฐานจะถูกส่งผ่านไปยังเอเจนต์ตัวอื่นในแบบเดียวกับการแพร่ ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่มถือเป็นขั้นตอนวิธีที่มีประสิทธิภาพสูงในด้านการหาค่าเหมาะสมที่สุดตัวหนึ่ง

การประยุกต์ใช้ แก้

ขั้นตอนวิธีความฉลาดแบบกลุ่มต่าง ๆ นั้นสามารถนำมาประยุกต์ได้หลากหลาย เช่นการจำลองกลุ่มคนในภาพยนตร์ หรือการค้นหาเส้นทางในระบบสื่อสารโดยใช้การเคลื่อนที่แบบมด (อังกฤษ: Ant-based routing) เป็นต้น

การจำลองกลุ่มคน แก้

การจำลองกลุ่มคน (Crowd simulation [en]) คือหนึ่งในวิธีที่ผู้ผลิตภาพยนตร์นิยมใช้ในการสร้างฉากที่มีฝูงชนจำนวนมาก หนึ่งในตัวอย่างที่เด่นชัดคือฉากสงครามในภาพยนตร์ไตรภาคเดอะลอร์ดออฟเดอะริงส์ ที่ใช้เทคโนโลยีการจำลองเข้าช่วยในการสร้างฉากที่ดูสมจริง ความฉลาดแบบกลุ่มมักถูกเลือกไปใช้กับงานประเภทนี้เพราะสามารถทำได้ง่าย

การค้นหาเส้นทางในระบบสื่อสารโดยใช้การเคลื่อนที่แบบมด แก้

นอกเหนือจากการนำความฉลาดแบบกลุ่มไปใช้ในการแก้ปัญหาหาค่าเหมาะสมที่สุดแล้ว ความฉลาดแบบกลุ่มยังได้ถูกนำมาใช้กับระบบสื่อสารโทรคมนาคมอีกด้วย โดยนำระบบการค้นหาเส้นทางโดยใช้การเคลื่อนที่แบบมด (อังกฤษ: Ant-based routing) ไปใช้ในการหาเส้นทางที่ดีที่สุดในระบบจริงที่ไม่รู้ค่านำเข้า (Input) โดยระบบจะปล่อยเอเจนต์รูปแบบมดให้ท่องไปในระบบเน็ตเวิร์ค

อ้างอิง แก้

  1. ↑ Altruism helps swarming robots fly better เก็บถาวร 2012-09-15 ที่ เวย์แบ็กแมชชีน genevalunch.com, 4 May 2011.
  2. ↑ Waibel M, Floreano1 D and Keller L (2011). "A quantitative test of Hamilton's rule for the evolution of altruism"[ลิงก์เสีย] PLoS Biology, 9 (5) : e1000615. doi:10.1371/journal.pbio.1000615.
  3. ↑ Ant Colony Optimization by Marco Dorigo and Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3.
  4. ↑ Kaveh, A.; Talatahari, S. (2010). "A Novel Heuristic Optimization Method: Charged System Search". Acta Mechanica. 213 (3–4): 267–289. doi:10.1007/s00707-009-0270-4.
  5. ↑ P. Civicioglu and E. Besdok (6 July 2011). A conception comparison of the cuckoo search, particle swarm optimization, differential evolution and artificial bee colony algorithms. Artificial Intelligence Review. doi:10.1007/s10462-011-92760.
  6. ↑ Yang X. S., (2008). Nature-Inspired Metaheuristic Algorithms. Frome: Luniver Press. ISBN 1905986106.
  7. ↑ Shah-Hosseini, Hamed (2009). "The intelligent water drops algorithm: a nature-inspired swarm-based optimization algorithm". International Journal of Bio-Inspired Computation. 1 (1/2): 71–79.
  8. ↑ Pablo Rabanal; Ismael Rodríguez; Fernando Rubio (13–17 สิงหาคม 2007). Using River Formation Dynamics to Design Heuristic Algorithms. Unconventional Computation 6th International Conference, UC 2007. Kingston, Canada: Springer. pp. 163–177. doi:10.1007/978-3-540-73554-0_16. ISBN 978-3-540-73554-0. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 18 กุมภาพันธ์ 2019.
  9. ↑ 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.
  10. ↑ Particle Swarm Optimization by Maurice Clerc, ISTE. 2006. ISBN 1-905209-04-5.

แหล่งข้อมูลอื่น แก้

 
Wikiquote
วิกิคำคมภาษาอังกฤษ มีคำคมที่กล่าวโดย หรือเกี่ยวกับ: Swarm intelligence


 

บทความคอมพิวเตอร์ อุปกรณ์ต่าง ๆ หรือเครือข่ายนี้ยังเป็นโครง คุณสามารถช่วยวิกิพีเดียได้โดยการเพิ่มเติมข้อมูล

เข้าถึงจาก "https://th.wikipedia.org/w/index.php?title=ความฉลาดแบบกลุ่ม&oldid=10428694"