Algorithmes d’essaims 101

Algorithmes d’essaims

L’intelligence en essaim (algorithmes d’essaims) est l’étude de systèmes informatiques inspirés de l' »intelligence collective ». L’intelligence collective émerge grâce à la coopération d’un grand nombre d’agents homogènes dans l’environnement. Les exemples incluent les bancs de poissons, les volées d’oiseaux et les colonies de fourmis. Cette intelligence est décentralisée, auto-organisée et distribuée à travers un environnement. Dans la nature, de tels systèmes sont couramment utilisés pour résoudre des problèmes tels que la recherche efficace de nourriture, l’évasion de proies ou le déplacement de colonies.

Les informations sont généralement stockées dans tous les agents homogènes participants, ou sont stockées ou communiquées dans l’environnement lui-même, par exemple par l’utilisation de phéromones chez les fourmis, la danse chez les abeilles et la proximité chez les poissons et les oiseaux.

En tant que groupe, de simples créatures suivant des règles simples peuvent afficher une quantité surprenante de complexité, d’efficacité et même de créativité. Connu sous le nom d’intelligence en essaim, ce trait se trouve dans la nature, mais les chercheurs ont récemment commencé à l’utiliser pour transformer divers domaines tels que la robotique, l’exploration de données, la médecine et les blockchains.

Les fourmis, par exemple, ne peuvent remplir qu’une gamme limitée de fonctions, mais une colonie de fourmis peut construire des ponts, créer des autoroutes de la nourriture et de l’information, faire la guerre et asservir d’autres espèces de fourmis – tout cela dépasse la compréhension d’une seule fourmi. De même, les bancs de poissons, les volées d’oiseaux, les ruches et d’autres espèces présentent un comportement indicatif d’une planification par une intelligence supérieure qui n’existe pas réellement.

Cela se produit par un processus appelé stigmergie. En termes simples, un petit changement par un membre du groupe amène les autres membres à se comporter différemment, conduisant à un nouveau modèle de comportement.

Lorsqu’une fourmi trouve une source de nourriture, elle marque le chemin avec des phéromones. Cela attire d’autres fourmis sur ce chemin, les conduit à la source de nourriture et les incite à marquer le même chemin avec plus de phéromones. Avec le temps, l’itinéraire le plus efficace deviendra l’autoroute, car plus un chemin est rapide et facile, plus les fourmis atteindront la nourriture et plus il y aura de phéromones sur le chemin. Ainsi, il semble qu’un être plus intelligent ait choisi le meilleur chemin, mais il est ressorti des minuscules et simples changements apportés par les individus.

Le paradigme se compose de deux sous-domaines dominants 1) Optimisation des colonies de fourmis qui étudie les algorithmes probabilistes inspirés par la stigmergie et le comportement de recherche de nourriture des fourmis, et 2) Optimisation des essaims de particules qui étudie les algorithmes probabilistes inspirés par le troupeau, les bancs de poisson et l’élevage. Comme le calcul évolutif, les algorithmes ou stratégies d’intelligence en essaim sont considérés comme des stratégies adaptatives et sont généralement appliqués aux domaines de recherche et d’optimisation.