DIC9315, Sujet sp

1
DIC9315, Sujet spéciaux en intelligence
artificielle et reconnaissance des
formesLintelligence collective

• Adapté de Nanda Gopal S et autres sources sur
  lInternet

2
Lintelligence collective

• IA classique la cognition est une activité
  individuelle sans influence de groupe au moment
  de son exercice.
• E.g. une personne qui pense à un problème, un RNA
  qui classifie des données, un régulateur flou,
  etc.
• Lintelligence collective ajoute au comportement
  individuel, jugé insuffisant (primaire),
  linfluence du groupe.
• E.g. le comportement social dun individu
• Lintelligence collective reflète lémergence
  dun comportement global en partant dun groupe
  dagents simples et identiques
• Dumb parts, properly connected into a swarm,
  yield smart results Kevin Kelly

3
Agents, nuées, volées, et autres essaims

• Agent entité autonome au comportement statique
  en général, qui peut interagir avec son
  environnement et échanger de linformation avec
  dautres agents
• E.g. un robot
• Essaim groupement dagents dans lequel
  léchange dinformation influe sur le
  comportement individuel, permettant la
  réalisation dobjectifs globaux hors de portée
  dun agent.
• E.g. colonie de fourmis

4
Une Définition plus technique

• Kennedy Eberhart
• A swarm is a population of interacting elements
  that is able to optimize some global objective
  through collaborative search of a space
• Interactions that are relatively local are often
  emphasized
• There is a general stochastic (or chaotic)
  tendency in a swarm for individuals to move
  toward a center of mass in the population

5
Système multi-agents Intelligence en essaim ?

• Oui et non
• Système multi-agents
• Les agents effectuent des sous-tâches facilement
  identifiables au but final
• Peuvent adapter leur comportement
• Lobjectif final est connu de certains
• Système en essaim
• Les agents effectuent des tâches sans relation
  apparente avec le but final
• Leur comportement est statique
• Personne ne connaît lobjectif

6
Groupements naturels
7
Charactéristiques communes aux essaims

• Composés dagents simples
• Décentralisés (aucun superviseur)
• Comportement émergent (non préétabli)
• Robustes, la tâche est complétée même si des
  individus échouent
• Flexibles
• Peuvent répondre à des changements externes

8
Les techniques

• Deux approches
• La belge avec les colonies de fourmis (Dorigo
  et al.,1989)
• Sinspire des activités routinières dans une
  colonie de fourmis
• Létats-unienne avec les essaims
  particulaires (Russel et Eberhart, 1995)
• Sinspire du comportement social des individus
  (particules) dans un essaim en mouvement.
• Sapparente aux algorithmes génétiques selon
  certains

9
Les techniques

• Algorithme à colonie de fourmis (Dorigo 1991)
• Algorithme initial
• Inspiré du comportement social des fourmis.
• Adapté aux problème combinatoires statiques
• Commis voyageur Trouver le court chemin pour
  traverser un ensemble de villes en ne traversant
  jamais la même ville deux fois.
• Planification de tâches en usine Organiser les
  tâches afin de minimiser les temps de production
  et maximiser lusage des machines.
• Coloriage des graphes Colorer un graphe de
  manière à ce que deux couleurs adjacentes soient
  différentes et que le nombre de couleurs est
  minimal

10
Les techniques

• Optimisation à colonie de fourmis (ACO)
• Version plus récente de lACF
• Sapplique aussi aux problèmes combinatoires
  dynamiques (les paramètres varient avec le temps)
• Routage dans les réseaux téléinformatiques
• Réseaux de type Internet les paquets dun même
  message peuvent suivre des routes différentes
• Réseaux orientés connexion tous les paquets
  suivent la même route
• Équilibrage du trafic dans les réseaux
  téléinformatiques

11
Les techniques

• Optimisation par essaims particulaires (PSO
  Kennedy et Eberhart, 1995)
• Utilise le concept dinteraction sociale pour
  résoudre les problèmes
• Inspirée du comportement des essaims (bancs
  de poissons, volées doiseaux, etc.)
• Possède les attributs des algorithmes
  évolutionnaires population, fonction
  dadaptation, règles dévolution stochastiques.
• Converge généralement plus vite que les AG

12
Lintelligence répartie 1/10

• Les techniques montrent une intelligence répartie

• En 1996, Maris Te Boekhorst étudièrent le
  comportement dun groupe de robots dans une
  enceinte fermée.
• Chaque robot possédait deux détecteurs
  dobstacles (gauche droite) à portée très
  limitée

13
Lintelligence répartie 2/10

• Les robots suivaient des règles très simples
• Si un obstacle ou mur est à gauche, tourner à
  droite
• Si un obstacle ou mur est à droite, tourner à
  gauche
• Si un obstacle est à droite et un autre à gauche,
  ou pas dobstacle à droite ou à gauche, continuer
  tout droit
• Si un mur est frappé, tourner à droite ou à
  gauche au hasard
• En un sens, chaque robot ne fait quéviter les
  obstacles

14
Lintelligence répartie 3/10

• Si une configuration initiale est donnée, quel
  serait le résultat final?
• Ex on a 3 robots et 25 obstacles disposés de
  manière aléatoire

15
Lintelligence répartie 4/10

• Le comportement collectif des robots a été de
  nettoyer lenceinte des obstacles
• Pousser des obstacles droit devant eux faisait
  que les robots les groupaient sans le savoir.

16
Lintelligence répartie 5/10

• Le résultat final nétait pas prévisible a partir
  des comportements individuels
• Il sagit dun comportement émergeant de
  lensemble des actions individuelle.
• Après avoir modifié leur environnement, le
  comportement des robots peut aussi être affecté.

17
Lintelligence répartie 6/10

• Lintelligence répartie se retrouve chez la
  plupart des insectes, mais aussi dans les bandes,
  les troupeaux, les bancs, etc.
• Ex. modélisation dune formation doiseaux en
  vol avec 3 règles de comportement individuel
  (Reynolds, 1987)
• Éviter la collision avec des oiseaux voisins ou
  objets
• Essayer de garder la même vitesse que les oiseaux
  voisins
• Essayer de rester près des oiseaux voisins

18
Lintelligence répartie 7/10
19
Lintelligence répartie 8/10

• En cas dobstacle, le groupe se sépare en deux !
• Ensuite, on suit le chemin le plus court pour
  contourner lobstacle !
• À partir dun ensemble de règles très simple ont
  émergé
• Le regroupement dindividus
• La division en cas dobstacles

20
Les colonies de fourmis et lintelligence
collective

• Chaque fourmi est un agent aux capacités
  limitées, et aux règles de comportement très
  simples.
• Les individus communiquent indirectement, en
  utilisant un phéromone volatile
• Le comportement de groupe ne peut être déduit des
  règles de comportement dun individu et
  lindividu na aucune notion du comportement du
  groupe.
• Le comportement intelligent apparaît (émerge)
  seulement en observant toute la colonie

21
Les colonies de fourmis et les problèmes
doptimisation

• Activités typiques dune colonie de fourmis et
  exemples de problèmes doptimisation équivalents
  
• Trouver le plus court chemin vers la nourriture
  ? Plus court chemin dans un graphe,
  treillis, etc.
• Tri de la nourriture, des morts, des œufs, etc.
  ? groupement des données.
• Construction de structures ? robots industriels

22

• Solution de problèmes de tri, groupement, etc.

23
Activités de tri

• Lobservation dun nid de fourmis révèle que
  malgré une apparence de désordre, il existe des
  objets qui sont groupés les œufs, les larves,
  les cocons, etc.
• Si on dérange le nid, les fourmis reconstruisent
  rapidement les groupes.
• On peut reproduire le comportement par un modèle
  très simple (Deneubourg)

24
Modèle de comportement

• Une fourmi reconnaît toujours les objets
  immédiatement en face delle
• Si un objet est situé près dautres objets, la
  probabilité que la fourmi le ramasse est faible
  sinon la probabilité est grande
• Si une fourmi transportant un objet voit des
  objets similaires à proximité, elle a tendance à
  lâcher lobjet.

25
Modèle de comportement

• Les probabilités sont définies comme suit
• Probabilité de ramasser un objet

26
Modèle de comportement

• Probabilité de lâcher un objet transporté

27
Modèle de comportement

• Il nexiste aucune communication directe entre
  les fourmis !
• On observe néanmoins un comportement émergent

De gauche à droite, on note le passage progressif
dune distribution individuelle aléatoire des
objets à des amas.
28
Solution de problèmes de type plus court chemin
29
Problème du plus court chemin

• Lorsque plusieurs sources de nourriture sont
  disponibles, les fourmis choisissent toujours la
  plus proche ! (Deneubourg 1989)
• Idées clés
• Les fourmis isolées se déplacent au hasard
• Les fourmis marquent en permanence le chemin
  parcouru avec un phéromone
• Le phéromone se dégrade avec le temps
• Les pistes de phéromones disponibles influent sur
  le déplacement Lorsquune fourmi atteint une
  bifurcation, elle tend à prendre le chemin le
  plus marqué
• La prise de décision est probabiliste

30
Problème du plus court chemin

• Comme les fourmis marquent le chemin à laller et
  au retour, et que le phéromone est volatile avec
  le temps, celui déposé sur les parcours courts
  est plus intense.
• Plus intense signifie que le parcours sera choisi
  plus souvent (décision probabiliste)

31
P
Q
R
A
S
32
Algorithme des colonies de fourmis

• Créer des fourmis
• Population et distribution initiale statiques ou
  dynamiques et dépendent du problème
• Quantité de pheromone initiale proche de 0
• Tant que objectif non atteint, pour chaque fourmi
• La laisser trouver une solution
• Mettre à jour le niveau de phéromone

33
Algorithme des colonies de fourmis

• Créer des fourmis
• Tant que objectif non atteint, pour chaque fourmi
• La laisser trouver une solution
• Probabilité de transition
• Mettre à jour le niveau de phéromone

Quantité de pheromone
Heuristique de distance

• À Partie dun nœud donné
• Calculer Pij(t) pour tous les nœuds suivants
  possibles
• Diviser lintervalle 0, 1 suivant les Pij(t)
  calculés
• Générer un nombre aléatoire entre 0 et 1 et
  lutiliser pour sélectionner la branche à suivre

a,ß constantes
34
Algorithme des colonies de fourmis

• Créer des fourmis
• Tant que objectif non atteint, pour chaque fourmi
• La laisser trouver une solution
• Mettre à jour le niveau de phéromone

Pheromone produit par chaque fourmi k qui suit la
branche (i,j) de longueur Lk
Taux dévaporation
35
Contraintes pour lutilisation

• Le problème à résoudre doit être défini par un
  graphe
• Exigence due au fait quon optimise un chemin
• Pas toujours évident !
• Doit être fini (a un début et une fin)

36
Applications en réseautique

• Réseau de télécom
• Nœuds reliés par des branches
• Des listes de nœuds connectés définissent les
  états
• Des contraintes locales sappliquent aux nœuds
  afin de définir les états
• Les branches ont un coût associé qui change avec
  le temps (phéromone) et qui sert à évaluer le
  coût total des états

37
ACO pour le plus court chemin

• Créer et initialiser le nombre maximum de fourmis
  à la source
• Pour chaque fourmi
• Choisir le prochain nœud dépendant du niveau de
  phéromone de la branche qui y mène
• Déposer du phéromone sur la branche
• Mourir à destination
• Évaporation du phéromone

38
ACO pour le routage

• Éléments clés
• Table de routage
• Algorithme de routage
• Des agents (fourmis) sont lancées dans le réseau,
  chacune allant dune source à une destination
• Les agents mettent à jour la table de routage à
  chaque nœud
• Linfluence dun agent diminue avec le temps de
  parcours.

39
Optimisation par essaim particulaire

• Allie au comportement individuel la pression du
  groupe et linfluence des meneurs
• Forme de computation évolutionnaire
• Commence avec une population aléatoire de
  particules (solutions) qui ne meurent jamais
• Les particules se meuvent dans lespace de
  recherche en enregistrant leurs meilleurs pas
• Elle ont une vitesse (de valeur initiale
  aléatoire)
• À chaque itération (génération) les particules
  subissent une accélération aléatoire vers la
  meilleure solution précédente et la meilleure
  particule globale (qui peut être un voisinage)
• PSO est robuste et efficace du point de vue
  computationnel

40
Anatomie dune particule

• Une particule est composée de
• Trois vecteurs
• Le vecteur x ( x-vector ) indique la position
  courante de la particule
• Le vecteur p ( p-vector ) indique la position
  de la meilleure solution trouvée depuis le début
• Le vecteur v ( v-vector ) spécifie un gradient
  (direction) vers lequel la particule volerait
  librement.
• Deux fonction dadaptation
• x-fitness indique ladaptation de x-vector
• p-fitness indique ladaptation du p-vector

41
Déplacement dune particule

• Chaque particule est un agent élementaire qui
  enregistre les meilleures solutions quil
  rencontre sur son chemin.
• Le déplacement dune position à une autre se fait
  en additionnant les vecteurs x et v
• Xi1 Xi Vi
• La nouvelle position est évaluée et,
• si x-fitness gt p-fitness,
• alors pXi1 et p-fitness x-fitness.
• Une fois les position initiales déterminées, tout
  dépend du vecteur v

42
Optimisation par essaim particulaire

• Le calcul du vecteur v dépend de la meilleure
  position enregistrée de la particule et de la
  meilleure position enregistrée dans le groupe (ou
  voisinage)

• C1 et C2 spécifient limportance de la cognition
  vs. le social.

43
Swarm Robotics We Robots

• Nouveau venu qui étudie comment concevoir un
  collectif dagent robotiques simples pour
  réaliser des tâches hors de portée des robots
  individuels
• Projets remarquables
• Nettoyage des nappes de pétrole à la surface de
  leau, National Science Foundation (É.U.)
• Autonomous Nanorobotic Swarms (ANtS) , NASA
• swarmBOTs de iRobot, Défense É.-U.
• Unmanned Air Vehicles (UAV) , Défense É.-U.

44
Quelques références

• Dorigo M. and G. Di Caro (1999). The Ant Colony
  Optimization Meta-Heuristic. In D. Corne, M.
  Dorigo and F. Glover, editors, New Ideas in
  Optimization, McGraw-Hill, 11-32.
• M. Dorigo and L. M. Gambardella. Ant Colony
  System A cooperative learning approach to the
  traveling salesman problem. IEEE Transactions on
  Evolutionary Computation, 1(1)5366, 1997.
• G. Di Caro and M. Dorigo. Mobile agents for
  adaptive routing. In H. El-Rewini, editor,
  Proceedings of the 31st International Conference
  on System Sciences (HICSS-31), pages 7483. IEEE
  Computer Society Press, Los Alamitos, CA, 1998.
• L. M. Gambardella, E. D. Taillard, and M.
  Dorigo. Ant colonies for the quadratic assignment
  problem. Journal of the Operational Research
  Society,50(2)167176, 1999.
• Kennedy, J. and Eberhart, R. (1995). Particle
  Swarm Optimization, Proceedings of the 1995 IEEE
  International Conference on Neural Networks, pp.
  1942-1948, IEEE Press.
• Kennedy, J. (1997), The Particle Swarm Social
  Adaptation of Knowledge, Proceedings of the 1997
  International Conference on Evolutionary
  Computation, pp. 303-308, IEEE Press.
• Carlisle, A. and Dozier, G. (2001). An
  Off-The-Shelf PSO, Proceedings of the 2001
  Workshop on Particle Swarm Optimization, pp. 1-6,
  Indianapolis, IN.
• Kevin Kelly. Out of Control the new biology of
  machines. 4th Estate. 1994