ผลต่างระหว่างรุ่นของ "ความฉลาดแบบกลุ่ม"
ล r2.4.3) (โรบอต เพิ่ม: zh:群体智能 |
Bongikairu (คุย | ส่วนร่วม) algorithm translation project |
||
| บรรทัด 1: | บรรทัด 1: | ||
[[Image:Metric vs topological distance for animal aggregations.png|right|thumb|400px|ภาพแสดงระยะห่างแบบเมตริก (ซ้าย) เทียบกับระยะห่างเชิงลำดับ (ขวา) ของฝูงปลา ปลาจะเกิดปฏิสัมพันธ์แบบไหนขึ้นอยู่กับระยะห่างในแบบเมตริก แต่ในเชิงลำดับ ปฏิสัมพันธ์จะเกิดขึ้นกับปลาจำนวนหนึ่งรอบๆ โดยไม่สนขอบเขตระยะห่าง]] |
|||
| ⚫ | |||
'''ความฉลาดแบบกลุ่ม''' ({{lang-en|Swarm Intelligence}}) เป็นศาสตร์แขนงหรือกระบวนการหนึ่งที่ถูกรวมเข้าไปใน[[ปัญญาประดิษฐ์]] และเป็นแขนงหนึ่งในสาขา Biologically-inspired computing ศาสตร์แขนงนี้จะเป็นการเลียนแบบวิธีการทางธรรมชาติ เหมือนในกรณีของโครงข่ายประสาทเทียม (Artificial Neural Networks) และ กระบวนการทางพันธุกรรม (Genetic Algorithm) แต่ในกรณีนี้ จะเป็นการสังเกตจากสิ่งมีชิวิตที่ดำรงชีวิตเป็นฝูงหรือกลุ่ม ตัวอย่างเช่น ระบบอาณาจักรมด (Ant colony system) ซึ่งได้รับการดลใจจากการหาอาหารของมด, หน้าที่ต่างๆ ของมัน โดยใช้สารเคมีในตัวมันที่ทิ้งไว้, การทำให้เหมาะสมแบบกลุ่มอนุภาค (Particle Swarm Optimization) ซึ่งได้รับการดลใจจาก การหาอาหารของฝูงนก หรือ ฝูงปลา |
|||
'''ความฉลาดแบบกลุ่ม''' ([[:en:Swarm Intelligence|Swarm Intelligence]]) คือกลุ่มพฤติกรรมของระบบแบบกระจายศูนย์ซึ่งถูกนำมาประยุกต์ใช้ในด้าน[[ปัญญาประดิษฐ์]] ระบบความฉลาดแบบกลุ่มโดยปกติแล้วจะประกอบขึ้นมาด้วย [[เอเจนต์]] ซึ่งสามารถมีปฏิสัมพันธ์กับเอเจนต์ตัวอื่นหรือสภาวะแวดล้อมได้ เอเจนต์ในระบบทุกตัวจะปฏิบัติตัวตามกฎชุดหนึ่ง แม้ว่าจะไม่มีศูนย์สั่งการที่ควบคุมว่าเอเจนต์แต่ละตัวต้องปฏิบัติอย่างไร แต่การที่เอเจนต์แต่ละตัวมีปฏิสัมพันธ์กันก็ก่อให้เกิดรูปแบบความฉลาดในภาพรวมขึ้นมาซึ่งเอเจนต์แต่ละตัวไม่รู้ แรงบันดาลใจที่ช่วยผลักดันความฉลาดแบบกลุ่มนั้นมักจะมาจากธรรมชาติ โดยเฉพาะจากระบบนิเวศวิทยา ตัวอย่างของความฉลาดแบบกลุ่มที่มาจากธรรมชาติได้แก่ [[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด]] ([[:en:Ant colony optimization|Ant colony optimization]]), [[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค]] ([[:en:Particle Swarm Optimization|Particle Swarm Optimization]]), [[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า]] ([[:en:Cuckoo search|Cuckoo search]]) |
|||
นอกจากนี้ยังมี Marriage in honey-bees optimization ซึ่งเลียนแบบระบบการหาอาหารของผึ้ง จะสังเกตว่าทั้งหมดอาศัยหลักการที่สิ่งมีชีวิตซึ่งใช้การร่วมมือกันแทนที่จะแข่งขันกัน และมีการสื่อสารภายในกลุ่ม (Social Behavior) เพื่อแก้ไขปัญหาของมันในธรรมชาติเอง มาประยุกต์ในการแก้ไขปัญหาที่เกิดถึงในโลกจริง ทำให้ประสิทธิภาพในการแก้ปัญหาและประสิทธิผลของคำตอบมีมากขึ้น สำหรับการประยุกต์ใช้งาน วิธีเหล่านี้ส่วนมากมักจะถูกใช้ในงานที่เกี่ยวกับการทำให้เหมาะสมที่สุด (Optimization) |
|||
== ตัวอย่างความฉลาดแบบกลุ่ม == |
|||
=== ขั้นตอนวิธีระบบที่มีการเสียสละ === |
|||
นักวิจัยจาก[[ประเทศสวิตเซอร์แลนด์]]ได้พัฒนาขั้นตอนวิธีขึ้นมาบนพื้นฐานของ[[กฎของฮามิลทัน]]ว่าด้วยการเลือกเพื่อดำรงเผ่าพันธ์ ([[:en:Kin selection|Hamilton's rule of kin selection]]) ขั้นตอนวิธีนี้ได้แสดงให้เห็นว่าการเสียสละในกลุ่มนั้นจะช่วยให้กลุ่มเจริญเติบโตและมีประสิทธิภาพสูงขึ้นในภาพรวม<ref>[http://genevalunch.com/blog/2011/05/04/altruism-helps-swarming-robots-fly-better-study-shows/ Altruism helps swarming robots fly better] ''genevalunch.com'', 4 May 2011.</ref><ref>Waibel M, Floreano1 D and Keller L (2011) [http://www.plosbiology.org/article/fetchObjectAttachment.action?uri=info%3Adoi%2F10.1371%2Fjournal.pbio.1000615&representation=PDF "A quantitative test of Hamilton's rule for the evolution of altruism"] ''PLoS Biology'', '''9'''(5): e1000615. {{doi|10.1371/journal.pbio.1000615}}</ref> |
|||
=== ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด === |
|||
[[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด]] ([[:en:Ant colony optimization|Ant colony optimization]]) นั้นเป็นขั้นตอนวิธีสำหรับหาค่าเหมาะสมที่สุด ([[:en:Optimization algorithm|Optimization algorithm]]) ที่มีพื้นฐานมาจาก[[ระบบอาณาจักรมด]] ขั้นตอนวิธีนี้เหมาะที่จะนำไปใช้แก้ปัญหาในการหาเส้นทางไปยังจุดหมายที่ต้องการ มดจำลอง (เทียบได้กับ[[เอเจนต์]]) จะหาเส้นทางโดยการเคลื่อนที่ผ่านปริภูมิพรารามิเตอร์ ([[:en:Parameter space|Parameter space]]) ซึ่งเป็น[[เซต]]ที่เก็บวิธีการทุกแบบที่เป็นไปได้ไว้ นอกจากการเคลื่อนที่ปกติแล้ว มดจำลองจะบันทึกเส้นทางที่ตัวเองเดินผ่านเอาไว้เหมือนมดในธรรมชาติที่จะปล่อย[[ฟีโรโมน]]ออกมาในระหว่างเดินทางเพื่อนำทางมดตัวอื่นด้วย การบันทึกเส้นทางนี้ช่วยให้มดจำลองสามารถหาคำตอบที่ดีกว่าเดิมได้เมื่อเวลาผ่านไป<ref>Ant Colony Optimization by Marco Dorigo and Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3</ref> |
|||
=== ระบบภูมิต้านทานประดิษฐ์ === |
|||
[[ระบบภูมิต้านทานประดิษฐ์]] ([[:en:Artificial immune system|Artificial immune system]]) ศึกษาเกี่ยวกับการนำโครงสร้างและหน้าที่ของ[[ระบบภูมิคุ้มกัน]]มาปรับใช้ในด้านคอมพิวเตอร์เพื่อแก้ปัญหาคณิตศาสตร์ วิศวกรรม และเทคโนโลยีสารสนเทศ |
|||
=== ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ === |
|||
[[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ]] ([[:en:Charged system search|Charged system search]]) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่สร้างขึ้นมาจากการนำกฎพื้นฐานของฟิสิกส์และกลศาสตร์บางข้อมาปรับใช้งาน<ref>{{cite journal |first=A. |last=Kaveh |first2=S. |last2=Talatahari |title=A Novel Heuristic Optimization Method: Charged System Search |journal=Acta Mechanica |volume=213 |issue=3-4 |pages=267–289 |year=2010 |doi=10.1007/s00707-009-0270-4 }}</ref> ระบบนี้จะจำลองสภาพแวดล้อมที่เอเจนต์เป็นอนุภาคที่มีประจุ ซึ่งจะมีปฎิสัมพันธ์กันในรูปของการดูดและการผลัก ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุนี้เหมาะกับการนำไปใช้ในการหาค่าเหมาะสมที่สุด โดยเฉพาะเมื่อข้อมูลนำเข้าไม่ลู่ออก |
|||
=== ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า === |
|||
[[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า]] ([[:en:Cuckoo search|Cuckoo search]]) เลียนแบบพฤติกรรมการฝากลูกให้คนอื่นเลี้ยงของนกดุเหว่าในแต่ละรุ่น มาปรับใช้ในการค้นหาคำตอบที่ต้องการ การศึกษาเร็วๆ นี้พบว่า CS ทำงานได้เร็วกว่าขั้นตอนวิธีอื่นอย่างเช่น PSO<ref>P. Civicioglu and E. Besdok, 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 July (2011).</ref> |
|||
=== ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อย === |
|||
[[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อย]] ([[:en:Firefly algorithm|Firefly algorithm]]) เป็นอีกหนึ่งขั้นตอนวิธีความฉลาดแบบกลุ่มที่ได้แรงบันดาลใจมาจากพฤติกรรมการเปล่งแสงของหิ่งห้อย ความเข้มของแสงจะผูกกับความน่าดึงดูดของตัวหิ่งห้อย ซึ่งทำให้หิ่งห้อยตัวรอบๆ บินเข้าไปหา ก่อเกิดเป็นกลุ่มย่อยๆ ดังนั้นขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อยนี้จึงค่อนข้างเหมาะกับโจทย์ปัญหาหาค่าเหมาะสมที่สุดที่มีผลเฉลยหลายแบบ<ref>Yang X. S., (2008). Nature-Inspired Metaheuristic Algorithms. Frome: Luniver Press. ISBN 1905986106.</ref> แต่ก็สามารถนำไปประยุกต์กับปัญหาหาค่าเหมาสมที่สุดที่ข้อมูลนำเข้าเป็นค่าต่อเนื่องเช่น[[ปัญหาการเดินทางของพนักงานขาย]] ([[:en:Traveling Salesman Problem|Travelling Salesman Problem]]) |
|||
=== ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วง === |
|||
[[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วง]] ([[:en:Gravitational search algorithm|Gravitational search algorithm]]) นั้นมีลักษณะคล้ายๆ กับขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ โดยแตกต่างกันที่ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุจะใช้กฎด้านไฟฟ้า ส่วนขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วงจะใช้กฎด้านแรงโน้มถ่วง เอเจนต์แต่ละตัวจะมีมวลต่างกัน ซึ่งเมื่อเสี้ยวเวลาผ่านไป เอเจนต์แต่ละตัวก็จะดึงดูดซึ่งกันและกัน ทำให้ระบบเคลื่อนที่ไป |
|||
=== ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสม === |
|||
[[ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสม]] ([[:en:Intelligent Water Drops|Intelligent Water Drops]]) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดโดยใช้ความฉลาดแบบกลุ่มซึ่งได้รับแรงบันดาลใจมาจากการไหลของน้ำในแม่น้ำที่จะเลือกเส้นทางการไหลที่ดีที่สุดเสมอ เอเจนต์แต่ละตัวจะมีปฏิสัมพันธ์กันเหมืนหยดน้ำในแม่น้ำ ซึ่งจะทำให้ได้ผลเฉลยที่ดีขึ้นเรื่อยๆ เมื่อเวลาผ่านไป ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสมนี้เป็นขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบเพิ่มพูนและอิงประชากร<ref>{{cite journal |first=Hamed |last=Shah-Hosseini |title=The intelligent water drops algorithm: a nature-inspired swarm-based optimization algorithm |url=http://www.inderscience.com/filter.php?aid=22775 |journal=International Journal of Bio-Inspired Computation |volume=1 |issue=1/2 |pages=71–79 |year=2009 }}</ref> |
|||
=== พลศาสตร์การก่อตัวของลำน้ำ === |
|||
[[พลศาสตร์การก่อตัวของลำน้ำ]] ([[:en:River formation dynamics|River formation dynamics]])<ref>[http://springerlink.com/content/w2453h31g9527157/ Using River Formation Dynamics to Design Heuristic Algorithms] by Pablo Rabanal, Ismael Rodríguez and Fernando Rubio, Springer, 2007. ISBN 978-3-540-73553-3</ref> คือวิธีการแบบฮิวริสติกที่คล้ายคลึงกับขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด หรืออาจกล่าวได้ว่าพลศาสตร์การก่อตัวของลำน้ำคือขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมดที่ค่าต่างๆ ไล่ระดับได้ แนวคิดของวิธีการนี้ได้มาจากการกัดเซาะผืนดินของแม่น้ำในระหว่างการก่อตัว วิธีการนี้ยังได้ถูกนำไปใช้ในการแก้ปัญหา[[เอ็นพีบริบูรณ์]]หลายๆ อย่างเช่น ปัญหาการค้นหาต้นไม้แผ่กว้างน้อยที่สุดบน[[กราฟ]]ที่มีน้ำหนักแปรผันได้ |
|||
=== ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค === |
|||
[[ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค]] ([[:en:Particle Swarm Optimization|Particle Swarm Optimization]]) เป็นขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่ใช้ได้กับทุกปัญหาที่ผลเฉลยสามารถแทนด้วยจุดหรือระนาบบนปริภูมิขนาด n มิติ เอเจนต์จะถูกวางไว้ในปริภูมิพร้อมกับความเร็วต้นค่าหนึ่งและช่องทางในการติดต่อกับเอเจนท์อื่น<ref>{{cite journal |doi=10.1023/A:1016568309421 |title=Recent Approaches to Global Optimization Problems Through Particle Swarm Optimization |last=Parsopoulos |first=K. E. |last2=Vrahatis |first2=M. N. |journal=Natural Computing |volume=1 |issue=2-3 |pages=235–306 |year=2002 }}</ref><ref>[http://www.iste.co.uk/?searchtext=clerc&ACTION=Search&cat=&ACTION=Search Particle Swarm Optimization] by Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.</ref> เอเจนต์จะเคลื่อนที่ไปเรื่อยๆบนปริภูมิผลเฉลย โดยถ้าเอเจนต์ตัวใดเข้าใกล้ผลเฉลยก็จะยิ่งมีความสำคัญมากขึ้น ดึงดูดให้เอเจนต์ตัวอื่นๆ ค่อยๆ เบนเส้นทางมาทางเดียวกัน ข้อดีหลักของขั้นตอนวิธีนี้ต่อขั้นตอนวิธีอื่นที่ใช้ได้กับทุกปัญหาคือขั้นตอนวิธีนี้สามารถหลีกเลี่ยงปัญหา[[ค่าเหมาะสมที่สุดสัมพัทธ์]] ([[:en:Local minima|Local minima]]) ได้จากการที่สามารถมีจำนวนเอเจนต์เยอะ |
|||
=== ขั้้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่ม === |
|||
[[ขั้้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่ม]] ([[:en:Stochastic diffusion search|Stochastic diffusion search]]) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่อาศัย[[ความน่าจะเป็น]]ในการแก้โจทย์ปัญหาประเภทที่ฟังก์ชั่นค่านำเข้าสามารถแยกย่อยเป็นฟังก์ชั่นย่อยๆ ได้ เอเจนต์แต่ละตัวจะมีสมมติฐานของตัวเองว่าผลลัพธ์ใดถูกต้อง ซึ่งสมมติฐานนี้จะถูกทดสอบเรื่อยๆ โดยนำเป้าหมายยย่อยมาพิจารณา ในขั้นตอนวิธีแบบมาตราฐาน ฟังก์ชั่นย่อยแต่ละตัวสามารถให้ผลการทดสอบที่เป็นจริงหรือเท็จเท่านั้น ทำให้เอเจนต์แต่ละตัวมี 2 สถานะคือสถานะทำงานและสถานะไม่ทำงาน ข้อมูลของสมมติฐานจะถูกส่งผ่านไปยังเอเจนต์ตัวอื่นในแบบเดียวกับการแพร่ ขั้้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่มถือเป็นขั้นตอนวิธีที่มีประสิทธิภาพสูงในด้านการหาค่าเหมาะสมที่สุดตัวหนึ่ง |
|||
== อ้างอิง == |
|||
| ⚫ | |||
== แหล่งข้อมูลอื่น == |
|||
[http://jusci.net/node/1811 วิวัฒนาการของหุ่นยนต์ช่วยไขปริศนาพฤติกรรมการเสียสละ] จาก Jusci |
|||
[[หมวดหมู่:ปัญญาประดิษฐ์]] |
[[หมวดหมู่:ปัญญาประดิษฐ์]] |
||
[[หมวดหมู่:ขั้นตอนวิธี]] |
|||
{{โครงคอม}} |
{{โครงคอม}} |
||
รุ่นแก้ไขเมื่อ 16:57, 29 กันยายน 2554
ความฉลาดแบบกลุ่ม (Swarm Intelligence) คือกลุ่มพฤติกรรมของระบบแบบกระจายศูนย์ซึ่งถูกนำมาประยุกต์ใช้ในด้านปัญญาประดิษฐ์ ระบบความฉลาดแบบกลุ่มโดยปกติแล้วจะประกอบขึ้นมาด้วย เอเจนต์ ซึ่งสามารถมีปฏิสัมพันธ์กับเอเจนต์ตัวอื่นหรือสภาวะแวดล้อมได้ เอเจนต์ในระบบทุกตัวจะปฏิบัติตัวตามกฎชุดหนึ่ง แม้ว่าจะไม่มีศูนย์สั่งการที่ควบคุมว่าเอเจนต์แต่ละตัวต้องปฏิบัติอย่างไร แต่การที่เอเจนต์แต่ละตัวมีปฏิสัมพันธ์กันก็ก่อให้เกิดรูปแบบความฉลาดในภาพรวมขึ้นมาซึ่งเอเจนต์แต่ละตัวไม่รู้ แรงบันดาลใจที่ช่วยผลักดันความฉลาดแบบกลุ่มนั้นมักจะมาจากธรรมชาติ โดยเฉพาะจากระบบนิเวศวิทยา ตัวอย่างของความฉลาดแบบกลุ่มที่มาจากธรรมชาติได้แก่ ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด (Ant colony optimization), ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (Particle Swarm Optimization), ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า (Cuckoo search)
ตัวอย่างความฉลาดแบบกลุ่ม
ขั้นตอนวิธีระบบที่มีการเสียสละ
นักวิจัยจากประเทศสวิตเซอร์แลนด์ได้พัฒนาขั้นตอนวิธีขึ้นมาบนพื้นฐานของกฎของฮามิลทันว่าด้วยการเลือกเพื่อดำรงเผ่าพันธ์ (Hamilton's rule of kin selection) ขั้นตอนวิธีนี้ได้แสดงให้เห็นว่าการเสียสละในกลุ่มนั้นจะช่วยให้กลุ่มเจริญเติบโตและมีประสิทธิภาพสูงขึ้นในภาพรวม[1][2]
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด (Ant colony optimization) นั้นเป็นขั้นตอนวิธีสำหรับหาค่าเหมาะสมที่สุด (Optimization algorithm) ที่มีพื้นฐานมาจากระบบอาณาจักรมด ขั้นตอนวิธีนี้เหมาะที่จะนำไปใช้แก้ปัญหาในการหาเส้นทางไปยังจุดหมายที่ต้องการ มดจำลอง (เทียบได้กับเอเจนต์) จะหาเส้นทางโดยการเคลื่อนที่ผ่านปริภูมิพรารามิเตอร์ (Parameter space) ซึ่งเป็นเซตที่เก็บวิธีการทุกแบบที่เป็นไปได้ไว้ นอกจากการเคลื่อนที่ปกติแล้ว มดจำลองจะบันทึกเส้นทางที่ตัวเองเดินผ่านเอาไว้เหมือนมดในธรรมชาติที่จะปล่อยฟีโรโมนออกมาในระหว่างเดินทางเพื่อนำทางมดตัวอื่นด้วย การบันทึกเส้นทางนี้ช่วยให้มดจำลองสามารถหาคำตอบที่ดีกว่าเดิมได้เมื่อเวลาผ่านไป[3]
ระบบภูมิต้านทานประดิษฐ์
ระบบภูมิต้านทานประดิษฐ์ (Artificial immune system) ศึกษาเกี่ยวกับการนำโครงสร้างและหน้าที่ของระบบภูมิคุ้มกันมาปรับใช้ในด้านคอมพิวเตอร์เพื่อแก้ปัญหาคณิตศาสตร์ วิศวกรรม และเทคโนโลยีสารสนเทศ
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ (Charged system search) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่สร้างขึ้นมาจากการนำกฎพื้นฐานของฟิสิกส์และกลศาสตร์บางข้อมาปรับใช้งาน[4] ระบบนี้จะจำลองสภาพแวดล้อมที่เอเจนต์เป็นอนุภาคที่มีประจุ ซึ่งจะมีปฎิสัมพันธ์กันในรูปของการดูดและการผลัก ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุนี้เหมาะกับการนำไปใช้ในการหาค่าเหมาะสมที่สุด โดยเฉพาะเมื่อข้อมูลนำเข้าไม่ลู่ออก
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า (Cuckoo search) เลียนแบบพฤติกรรมการฝากลูกให้คนอื่นเลี้ยงของนกดุเหว่าในแต่ละรุ่น มาปรับใช้ในการค้นหาคำตอบที่ต้องการ การศึกษาเร็วๆ นี้พบว่า CS ทำงานได้เร็วกว่าขั้นตอนวิธีอื่นอย่างเช่น PSO[5]
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อย
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อย (Firefly algorithm) เป็นอีกหนึ่งขั้นตอนวิธีความฉลาดแบบกลุ่มที่ได้แรงบันดาลใจมาจากพฤติกรรมการเปล่งแสงของหิ่งห้อย ความเข้มของแสงจะผูกกับความน่าดึงดูดของตัวหิ่งห้อย ซึ่งทำให้หิ่งห้อยตัวรอบๆ บินเข้าไปหา ก่อเกิดเป็นกลุ่มย่อยๆ ดังนั้นขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อยนี้จึงค่อนข้างเหมาะกับโจทย์ปัญหาหาค่าเหมาะสมที่สุดที่มีผลเฉลยหลายแบบ[6] แต่ก็สามารถนำไปประยุกต์กับปัญหาหาค่าเหมาสมที่สุดที่ข้อมูลนำเข้าเป็นค่าต่อเนื่องเช่นปัญหาการเดินทางของพนักงานขาย (Travelling Salesman Problem)
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วง
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วง (Gravitational search algorithm) นั้นมีลักษณะคล้ายๆ กับขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ โดยแตกต่างกันที่ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุจะใช้กฎด้านไฟฟ้า ส่วนขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วงจะใช้กฎด้านแรงโน้มถ่วง เอเจนต์แต่ละตัวจะมีมวลต่างกัน ซึ่งเมื่อเสี้ยวเวลาผ่านไป เอเจนต์แต่ละตัวก็จะดึงดูดซึ่งกันและกัน ทำให้ระบบเคลื่อนที่ไป
ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสม
ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสม (Intelligent Water Drops) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดโดยใช้ความฉลาดแบบกลุ่มซึ่งได้รับแรงบันดาลใจมาจากการไหลของน้ำในแม่น้ำที่จะเลือกเส้นทางการไหลที่ดีที่สุดเสมอ เอเจนต์แต่ละตัวจะมีปฏิสัมพันธ์กันเหมืนหยดน้ำในแม่น้ำ ซึ่งจะทำให้ได้ผลเฉลยที่ดีขึ้นเรื่อยๆ เมื่อเวลาผ่านไป ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสมนี้เป็นขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบเพิ่มพูนและอิงประชากร[7]
พลศาสตร์การก่อตัวของลำน้ำ
พลศาสตร์การก่อตัวของลำน้ำ (River formation dynamics)[8] คือวิธีการแบบฮิวริสติกที่คล้ายคลึงกับขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด หรืออาจกล่าวได้ว่าพลศาสตร์การก่อตัวของลำน้ำคือขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมดที่ค่าต่างๆ ไล่ระดับได้ แนวคิดของวิธีการนี้ได้มาจากการกัดเซาะผืนดินของแม่น้ำในระหว่างการก่อตัว วิธีการนี้ยังได้ถูกนำไปใช้ในการแก้ปัญหาเอ็นพีบริบูรณ์หลายๆ อย่างเช่น ปัญหาการค้นหาต้นไม้แผ่กว้างน้อยที่สุดบนกราฟที่มีน้ำหนักแปรผันได้
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (Particle Swarm Optimization) เป็นขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่ใช้ได้กับทุกปัญหาที่ผลเฉลยสามารถแทนด้วยจุดหรือระนาบบนปริภูมิขนาด n มิติ เอเจนต์จะถูกวางไว้ในปริภูมิพร้อมกับความเร็วต้นค่าหนึ่งและช่องทางในการติดต่อกับเอเจนท์อื่น[9][10] เอเจนต์จะเคลื่อนที่ไปเรื่อยๆบนปริภูมิผลเฉลย โดยถ้าเอเจนต์ตัวใดเข้าใกล้ผลเฉลยก็จะยิ่งมีความสำคัญมากขึ้น ดึงดูดให้เอเจนต์ตัวอื่นๆ ค่อยๆ เบนเส้นทางมาทางเดียวกัน ข้อดีหลักของขั้นตอนวิธีนี้ต่อขั้นตอนวิธีอื่นที่ใช้ได้กับทุกปัญหาคือขั้นตอนวิธีนี้สามารถหลีกเลี่ยงปัญหาค่าเหมาะสมที่สุดสัมพัทธ์ (Local minima) ได้จากการที่สามารถมีจำนวนเอเจนต์เยอะ
ขั้้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่ม
ขั้้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่ม (Stochastic diffusion search) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่อาศัยความน่าจะเป็นในการแก้โจทย์ปัญหาประเภทที่ฟังก์ชั่นค่านำเข้าสามารถแยกย่อยเป็นฟังก์ชั่นย่อยๆ ได้ เอเจนต์แต่ละตัวจะมีสมมติฐานของตัวเองว่าผลลัพธ์ใดถูกต้อง ซึ่งสมมติฐานนี้จะถูกทดสอบเรื่อยๆ โดยนำเป้าหมายยย่อยมาพิจารณา ในขั้นตอนวิธีแบบมาตราฐาน ฟังก์ชั่นย่อยแต่ละตัวสามารถให้ผลการทดสอบที่เป็นจริงหรือเท็จเท่านั้น ทำให้เอเจนต์แต่ละตัวมี 2 สถานะคือสถานะทำงานและสถานะไม่ทำงาน ข้อมูลของสมมติฐานจะถูกส่งผ่านไปยังเอเจนต์ตัวอื่นในแบบเดียวกับการแพร่ ขั้้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่มถือเป็นขั้นตอนวิธีที่มีประสิทธิภาพสูงในด้านการหาค่าเหมาะสมที่สุดตัวหนึ่ง
อ้างอิง
- ↑ Altruism helps swarming robots fly better genevalunch.com, 4 May 2011.
- ↑ Waibel M, Floreano1 D and Keller L (2011) "A quantitative test of Hamilton's rule for the evolution of altruism" PLoS Biology, 9(5): e1000615. doi:10.1371/journal.pbio.1000615
- ↑ Ant Colony Optimization by Marco Dorigo and Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3
- ↑ 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.
- ↑ P. Civicioglu and E. Besdok, 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 July (2011).
- ↑ Yang X. S., (2008). Nature-Inspired Metaheuristic Algorithms. Frome: Luniver Press. ISBN 1905986106.
- ↑ 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.
- ↑ Using River Formation Dynamics to Design Heuristic Algorithms by Pablo Rabanal, Ismael Rodríguez and Fernando Rubio, Springer, 2007. ISBN 978-3-540-73553-3
- ↑ 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.
- ↑ Particle Swarm Optimization by Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.
แหล่งข้อมูลอื่น
วิวัฒนาการของหุ่นยนต์ช่วยไขปริศนาพฤติกรรมการเสียสละ จาก Jusci
 | บทความคอมพิวเตอร์ อุปกรณ์ต่าง ๆ หรือเครือข่ายนี้ยังเป็นโครง คุณสามารถช่วยวิกิพีเดียได้โดยการเพิ่มเติมข้อมูล |