4 υπολογιστικοί αλγόριθμοι εμπνευσμένοι από τη φύση

Δεν εμπνέεται μόνο η τέχνη από τη φύση αλλά και ο προγραμματισμός. Όταν τα υπολογιστικά προβλήματα γίνονται πολύ σύνθετα, η σοφία της φύσης δείχνει το δρόμο.

Οι περισσότεροι από αυτούς τους αλγόριθμους έχουν εφαρμογές σε συστήματα Τεχνητής Νοημοσύνης, σε τομείς όπως η Ρομποτική, η Μηχανική, η σύγχρονη Ιατρική.

1. Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms)

Εμπνευσμένοι από την Εξέλιξη, υλοποιούν μηχανισμούς εξελικτικών διαδικασιών όπως της αναπαραγωγής, της μετάλλαξης, του ανασυνδυασμού και της φυσικής επιλογής, για να επιλύουν προβλήματα.

Αυτό που κάνουν είναι να δημιουργούν ένα πληθυσµό από πιθανές λύσεις και με την αρχή της «επιβίωσης του καταλληλότερου» επιλέγουν σταδιακά όλο και υψηλότερης ποιότητας λύσεις, ώστε τελικά να προσεγγίσουν τη βέλτιστη λύση.

Σε αυτή την κατηγορία ανήκουν τα παρακάτω συστήματα επίλυσης προβλημάτων:

  1. Στρατηγικές Εξέλιξης (Evolution Strategies)
  2. Εξελικτικός / Γενετικός Προγραμματισμός (Evolutionary / Genetic Programming)
  3. Γενετικοί Αλγόριθμοι (Genetic Algorithms)
  4. Συστήματα Ταξινόμησης (Classifier Systems)

2. Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks)

Οι αρχές λειτουργίας των Τεχνητών Νευρωνικών Δικτύων προσεγγίζουν αυτές του κεντρικού νευρικού μας συστήματος.

Ο υπολογιστής ξεφεύγει από τη βασική λειτουργία επίλυσης πράξεων και μπορεί να προσεγγίζει ένα πρόβλημα με έναν αφηρημένο μαθηματικό τρόπο. Ένα δίκτυο μαθαίνει μέσα από εκπαίδευση, θυμάται ή ξεχνά μια μεταβλητή, όπως το μυαλό μας. Έτσι αφού εκπαιδευτεί αποκτά μια νέα ικανότητα, αυτή της γενίκευσης και έτσι μπορεί να επιλύει νέα προβλήματα.

Οι τεχνητοί νευρώνες, είναι μη-γραμμικά υπολογιστικά στοιχεία που λειτουργούν παράλληλα και οργανώνονται σε μοτίβα, και σε κάθε σύναψη αντιστοιχεί ένα βάρος, το συναπτικό βάρος. Η πληροφορία από την εκμάθηση αποθηκεύεται στα συναπτικά βάρη που προσαρμόζονται με βάση τα δεδομένα εκπαίδευσης.

Τα Τεχνητά Νευρωνικά Δίκτυα χρησιμοποιούνται στην Ιατρική για τη διάγνωση παθήσεων με βάση τα συμπτώματα, στα Αεροσκάφη για τη λειτουργία Αυτόματου Πιλότου, στο Χρηματοπιστωτικό σύστημα, στην αναγνώριση ομιλίας και εικόνας.

3. Νοημοσύνη του Σμήνους (Swarm Intelligence)

Τα Συστήματα νοημοσύνης Σμήνους αποτελούνται από έναν πληθυσμό απλών οντοτήτων που αλληλεπιδρούν τοπικά μεταξύ τους και με το περιβάλλον τους για να εκτελέσουν κάποια ενέργεια. Οι οντότητες λειτουργούν αυτόνομα αλλά εμφανίζουν μια συλλογική συμπεριφορά, έχοντας ελάχιστους βασικούς κανόνες.

Χρησιμοποιούνται για τη βελτιστοποίηση και οργάνωση διαδικασιών, στις Τηλεπικοινωνίες, στη Ρομποτική.

Βελτιστοποίηση Αποικίας Μυρμηγκιών (Ant Colony Optimization)

Ένας χαρακτηριστικός αλγόριθμος αυτής της κατηγορίας είναι η βελτιστοποίηση προσομοιάζοντας το μηχανισμό των μυρμηγκιών να βρίσκουν την καλύτερη διαδρομή ανάμεσα στη φωλιά τους και στην πηγή τροφής που εντοπίζουν. Είναι μία πιθανολογική τεχνική για επίλυση προβλημάτων όταν χρειάζεται να βρεθεί η βέλτιστη διαδρομή σε ένα γράφο, μέσα από έναν αριθμό άλλων πιθανών διαδρομών.

ant colony optimization

εικόνα (wikimedia.org)

Υπάρχουν πολλές εναλλακτικές πορείες που μπορεί να ακολουθήσουν τα μυρμήγκια για να μεταφέρουν την τροφή στη φωλιά τους. Δύο μυρμήγκια φεύγουν από τη φωλιά την ίδια στιγμή και το καθένα ακολουθεί διαφορετικό μονοπάτι, αφήνοντας ίχνη φερορμόνης. Το μυρμήγκι που επέλεξε το συντομότερο μονοπάτι επιστρέφει πρώτο. Έτσι σε αυτό το μονοπάτι υπάρχει τώρα διπλάσια φερομόνη σε σχέση με το άλλο που έχει εξατμιστεί και τα υπόλοιπα μυρμήγκια προσελκύονται στη σωστή διαδρομή.

Άλλα χαρακτηριστικά παραδείγματα συμπεριφοράς σμήνους είναι τα σμήνη πουλιών, η βακτηριακή ανάπτυξη, τα κοπάδια ζώων και ψαριών, οι μέλισσες.

4. Τεχνητά Ανοσοποιητικά Συστήματα (Artificial Immune Systems)

Όπως μαρτυρά και το όνομά τους είναι εμπνευσμένοι από το ανοσοποιητικό σύστημα των ανώτερων οργανισμών. Μιμούνται τις βασικές λειτουργίες του ανοσοποιητικού συστήματος όπως η αναγνώριση, η καταστροφή, η εκμάθηση και η μνήμη παθογόνων εισβολέων.

Πρόκειται για αλγόριθμους:

  1. Επιλογής Κλώνων (Clonal Selection), με εφαρμογές στη βελτιστοποίηση και στην αναγνώριση προτύπων.
  2. Αρνητικής Επιλογής (Negative Selection), με εφαρμογές όπως η αναγνώριση προτύπων, η ασφάλεια πληροφοριακών συστημάτων, η ανίχνευση σφαλμάτων και η διάγνωση βλαβών.
  3. που βασίζονται σε Ανοσοποιητικά Δίκτυα (Immune Networks)
  4. Δενδριτικών Κυττάρων (Dendritic Cell Algorithm)

 

--

Πηγές:

η εικόνα ανήκει στο: wikipedia.org

Fogel, D. B. (1994). An introduction to simulated evolutionary optimization.Neural Networks, IEEE Transactions on, 5(1), 3-14.

Anderson, D., & McNeill, G. (1992). Artificial neural networks technology.Kaman Sciences Corporation, 258, 13502-462.

Mehrotra, K., Mohan, C. K., & Ranka, S. (1997). Elements of artificial neural networks. MIT press.

Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm intelligence: from natural to artificial systems (No. 1). Oxford university press.

Aickelin, U., Dasgupta, D., & Gu, F. (2014). Artificial immune systems. InSearch Methodologies (pp. 187-211). Springer US.

Basic Immune Inspired Algorithms (artificial-immune-systems.org)

Χρησιμοποιούμε cookies που μας επιτρέπουν μια σειρά από λειτουργίες που ενισχύουν την εμπειρία σας στην ιστοσελίδα μας.
Κάνοντας κλικ στο "Συμφωνώ" ή συνεχίζοντας να χρησιμοποιείται την ιστοσελίδα bioximikos.gr συμφωνείτε με τη χρήση cookies.