هوش جمعی چیست!؟

فرض کنید شما و گروهی از دوستانتان به دنبال گنج می گردید. هر یک از اعضای گروه یک فلزیاب و یک بی سیم دارد که می تواند مکان و وضعیت کار خود را به همسایگان نزدیک خود اطلاع بدهد. بنابراین شما می دانید آیا همسایگانتان از شما به گنج نزدیکترند یا نه؟ پس اگر همسایه ای به گنج نزدیکتر بود شما می توانید به طرف او حرکت کنید. با چنین کاری شانس شما برای رسیدن به گنج بیشتر می شود و همچنین گنج زودتر از زمانی که شما تنها باشید، پیدا می شود.

این یک مثال ساده از رفتار جمعی یا Swarm behavior است که افراد برای رسیدن به یک هدف نهایی همکاری می کنند. این روش مؤثرتر از زمانی است که افراد جداگانه عمل کنند. Swarm را می توان به صورت مجموعه ای سازمان یافته از موجوداتی تعریف کرد که با یکدیگر همکاری می کنند. در کاربردهای محاسباتی Swarm intelligence از موجوداتی مانند مورچه ها، زنبورها، موریانه ها، دسته های ماهیان و دسته ی پرندگان الگو برداری می شود. در این نوع اجتماعات هر یک از موجودات ساختار نستباً ساده ای دارند ولی رفتار جمعی آنها بی نهایت پیچیده است. برای مثال در کولونی مورچه ها هر یک از مورچه ها یک کار ساده ی مخصوص را انجام می دهد ولی به طور جمعی عمل و رفتار مورچه ها، ساختن بهینه ی لایهء محافظت از ملکه و نوزادان، تمیز کردن لانه، یافتن بهترین منابع غذایی و بهینه سازی استراتژی حمله را تضمین می کند. رفتار کلی یک Swarm به صورت غیر خطی از آمیزش رفتارهای تک تک اجتماع بدست می آید یا به عبارتی یک رابطه ی بسیار پیچیده بین رفتار جمعی و رفتار فردی یک اجتماع وجود دارد. رفتار جمعی فقط وابسته به رفتار فردی افراد اجتماع نیست بلکه به چگونگی تعامل میان افراد نیز وابسته است. تعامل بین افراد، تجربه ی افراد درباره ی محیط را افزایش می دهد و موجب پیشرفت اجتماع می شود. ساختار اجتماعی Swarm بین افراد مجموعه کانالهای ارتباطی ایجاد می کند که طی آن افراد می توانند به تبادل تجربه های شخصی بپردازند، مدل سازی محاسباتی Swarmها کاربردهای موفق و بسیاری را در پی داشته است مانند: 

• Function optimization
• Finding optimal roots
• scheduling
• structural optimization Image and data analysis

کاربردهای زیادی از مطالعه ی Swarmهای مختلف وجود دارد. از این دسته می توان به کولونی مورچه ها (Ant Colony) و دسته ی پرندگان (Bird Flocks) اشاره نمود.

Particle Swarm Optimization :PSO

الگوریتم PSO یک الگوریتم جستجوی اجتماعی است که از روی رفتار اجتماعی دسته های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز همزمان پرندگان و تغییر ناگهانی مسیر آنها و تغییر شکل بهینه ی دسته به کار گرفته شد. در PSO، particleها در فضای جستجو جاری می شوند. تغییر مکانparticleها در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است. بنابراین موقعیت دیگر particleهای Swarm روی چگونگی جستجوی یک particle اثر می گذارد. نتیجه ی مدل سازی این رفتار اجتماعی فرایند جستجویی است که particleها به سمت نواحی موفق میل می کنند. Particleها در Swarm از یکدیگر می آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می روند.

Particle swarm Optimitation Algorithm

اساس کار PSO بر این اصل استوار است که در هر لحظه هر particle مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی اش وجود دارد، تنظیم می کند.
فرض کنید می خواهیم زوج مرتب [x,y] را طوری بدست آوریم که تابع F(x,y)=x2+y2، مینیمم شود. ابتدا نقاطی را به صورت تصادفی در فضای جستجو، روی صفحه ی x-yانتخاب می کنیم. فرض کنید این Swarm را به 3 همسایگی تقسیم کنیم که در هر همسایگی نقاط موجود با یکدیگر تعامل دارند. در هر همسایگی هر یک از نقاط به سمت بهترین نقطه در آن همسایگی و بهترین مکانی که آن نقطه تاکنون در آن قرار داشته است، حرکت می کند. برای حل یک مسئله چند متغیر بهینه سازی می توان از چند Swarmاستفاده کرد که هر یک از Swarmها کار مخصوصی را انجام می دهند. این همان ایده ای است که Ant colony از آن ریشه می گیرد. از آنجا که دانش Swarm intelligence بسیار جدید است در حال حاضر کاربردهای کمی از آن شناخته شده است. ولی صاحبنظران معتقدند با این رشد روزافزون، Swarm intelligence می تواند نقش مهمی را در علوم مختلف از جمله مهندسی نفت ایفا کند.