Title: DIC9315, Sujet sp
1DIC9315, Sujet spéciaux en intelligence
artificielle et reconnaissance des
formesLintelligence collective
- Adapté de Nanda Gopal S et autres sources sur
lInternet
2Lintelligence 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
3Agents, 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
4Une 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
5Système 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
6Groupements naturels
7Charactéristiques 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
8Les 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
9Les 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
10Les 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
11Les 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
12Lintelligence 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
13Lintelligence 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
14Lintelligence 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
15Lintelligence 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.
16Lintelligence 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.
17Lintelligence 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
18Lintelligence répartie 7/10
19Lintelligence 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
20Les 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
21Les 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.
23Activités 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)
24Modèle 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.
25Modèle de comportement
- Les probabilités sont définies comme suit
- Probabilité de ramasser un objet
26Modèle de comportement
- Probabilité de lâcher un objet transporté
27Modèle 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.
28Solution de problèmes de type plus court chemin
29Problème 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
30Problème 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)
31P
Q
R
A
S
32Algorithme 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
33Algorithme 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
34Algorithme 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
35Contraintes 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)
36Applications 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
37ACO 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
38ACO 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.
39Optimisation 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
40Anatomie 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
41Déplacement 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
42Optimisation 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.
43Swarm 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.
44Quelques 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