ESCUELA SUPERIOR POLITECNICA DEL LITORAL FIEC, 24 Enero 2011

Swarm Intelligence Algorithms
(Algoritmos de Inteligencia de Enjambre)
Sofía Chiriboga Saúl Carpio Ochoa Juan Francisco Lavayen

RESUMEN
La inteligencia de enjambre (Swarm Intelligence) es una técnica de inteligencia artificial que involucra el estudio del comportamiento colectivo en sistemas descentralizados y auto-organizados, el cual surge de las interacciones entre los individuos de una determinada población. Un ejemplo de este fenómeno en la naturaleza, es la realizada por una colonia de hormigas, donde no existe una estructura de control que siga el comportamiento individual, pero a pesar de esto, se logra apreciar un comportamiento global complejo. A continuación expondremos con más detalle las diferentes aplicaciones y definiciones que existen sobre Swarm Intelligence, y algunos casos de algoritmos que emplean esta técnica, además propondremos una aplicación de uno de estos algoritmos para solucionar un problema común del mundo real.

1. INTRODUCCIÓN A pesar de los grandes avances que existen de la tecnología actual, todavía existen problemas que siguen eludiendo a los científicos. Se han desarrollado algoritmos de aprendizaje en conjunto con sistemas de inteligencia artificial, como las redes neuronales, para tratar de resolver problemas como: ruteo de vehículos, mantenimiento de redes y cálculo de rutas, entre otros. En la actualidad los científicos están buscando en los insectos una nueva metodología para afectar problemas complejos, no es la hormiga individual la que llama la atención, pero si su comportamiento colectivo, así mismo el comportamiento de aves en vuelo y rebaños. El comportamiento de grupos complejos surge de la iteraciones de los individuos que exhiben comportamiento simples por sí mismo (Tarasewich 2000).

1

Auto-Organización. Wong J. Tal relación la podemos observar en el caso de la colonia de hormigas donde hacemos uso de algoritmos de búsqueda heurística y otros métodos para establecer el comportamiento de los individuos en determinadas ocasiones. y aunque no exista una estructura de control que siga la actividad de cada uno de ellos.El grupo requiere poca supervisión de individuo a individuo.. En el último simposio de la IEEE sobre la inteligencia de enjambre (2008) se expuso que la inteligencia de enjambre es una técnica de Inteligencia Artificial que envuelve el estudio del comportamiento colectivo en sistemas descentralizados.. notablemente algunos sistemas multirobot y también ciertos programas de computadora. 1989). E. VENTAJAS DE LA INTELIGENCIA DE ENJAMBRE La inteligencia de enjambre proporciona una base con la cual es posible explorar la resolución de problemas colectivamente. que se han escrito para abordar problemas de optimización y análisis de datos. Dorige M. y hace uso de la misma. 2 . tales ejemplos los encontramos en la naturaleza (Beni G. 2. las interacciones locales entre los agentes conduce a un comportamiento global complejo. ya que en los distintos algoritmos que existen de Swarm Intelligence se hace uso de los diferentes componentes de IA. Los agentes se guían de reglas simples. diseñados por una población de individuos interactuando con su entorno. como la heurística o los muy usados algoritmos de búsqueda. sin un control centralizado ni un modelo global de comportamiento. Robustez.. Meyer proponen las siguientes como las 3 ventajas principales de la inteligencia de enjambre: Flexibilidad.El grupo se adapta con rapidez a un ambiente cambiante. y Birattari (2007) definen a la inteligencia de enjambre como una disciplina de tratamiento de sistemas naturales coordinados mediante un control descentralizado y auto-organizado. En particular se enfoca en las conductas colectivas entre los individuos y el ambiente. estos típicamente constituidos de agentes simples que interactúan entre ellos y su ambiente. la Inteligencia de enjambre es una técnica de Inteligencia Artificial.La inteligencia de enjambre se basa en el comportamiento colectivo de sistemas descentralizados y auto-organizados.incluso cuando uno o más individuos fallan. Algunos artefactos caen en el dominio de la Inteligencia de enjambre. el grupo todavía puede realizar sus tareas. Bonabeau y C. En resumen.

lo que da como resultado que cada agente se convierta en activo o inactivo. 3.3. Información sobre la hipótesis se difunde en toda la población a través de la comunicación entre agentes. RFD se adapta particularmente bien a los problemas que consiste en la formación de una especie de árbol cubierto (Rubio 2009). en SDS los agentes comunican las hipótesis vía una estrategia análoga de comunicación uno-a-uno. Rubio 2008). Como el agua se transforma en el entorno. Optimización del enjambre de la partícula La optimización del enjambre de la partícula (PSO) es un algoritmo de optimización global para hacer frente a problemas en los que la mejor solución puede ser representa como un punto o la superficie en un espacio n-dimensional. ALGUNOS ALGORITMOS QUE USAN INGENIERÍA DE ENJAMBRE 3. y se evalúan de acuerdo a algún criterio de conveniencia después de cada paso de tiempo. De esta manera. Un 3 . Las partículas se mueven a través del espacio de soluciones. 3. En la versión estándar de la SDS las evaluaciones de la función parcial son binarias. las altitudes de los lugares son modificadas dinámicamente. así como un canal de comunicación entre las partículas (Parsopulos 2002). el problema de encontrar las distancias mínimas de árboles y la búsqueda de un árbol de expansión mínimo en un gráfico de costos variables) (Rodríguez. basándose en la copia de como el agua forma ríos por la erosión del suelo y el depósito de los sedimentos. Este método se lo ha aplicado para solucionar diferentes problemas NP-completos (por ejemplo. y gradientes decrecientes se construyen.1. Las hipótesis se trazan en este espacio y sembradas con velocidad inicial.3. A diferencia de la comunicación que se usa en ACO. La orientación del gradiente de RFD es especialmente adecuado para la solución de estos problemas y proporciona una buena solución entre la búsqueda de buenos resultados y no gastar mucho tiempo de cálculo. Con el tiempo las partículas son aceleradas hacia aquellas partículas dentro de su grupo de comunicación que tienen mejores valores de fitness. Los gradientes son seguidos por caídas posteriores para crear nuevos gradientes.2. las mejores soluciones se dan en forma de altura decreciente. Formación dinámica de ríos (RFD) La formación dinámica de ríos (RFD) es un método heurístico similar al de la optimización de colonia de hormigas (ACO). RFD puede ser visto como una versión gradiente de ACO. De hecho. De hecho. reteniendo los mejores. La principal ventaja de este enfoque en otras estrategias de minimización mundial tales como el recocido simulado es que el gran número de miembros que componen el enjambre de partículas que la técnica impresionantemente resistente al problema de los mínimos locales (Clerc 2006). Búsqueda de difusión estocástica La búsqueda de difusión estocástica (SDS) es un agente basado en la búsqueda probabilística global y técnica de optimización más adecuadas a los problemas donde la función objetivo puede descomponerse en múltiples independiente parcial de funciones.

ya que permite a los agentes que convergen en el primer lugar. Si la feromona no se evapora. La feromona debe tener un período de evaporación. La retro alimentación positiva provoca autocatálisis. por lo tanto tiene tanta probabilidad de ir en una dirección como en otra. 4 . mayor será la probabilidad para que una hormiga tome esa ruta. en este caso la optimización de rutas de transporte terrestre para ciertos sectores de la ciudad de Guayaquil. Las hormigas dejan su nido en busca de comida. al evaporarse. A medida que aumentan las convergencias de los agentes en un camino. emplearemos el algoritmo de optimización de colonia de hormigas para tratar un problema real. (Lavayen 2010) Tenemos entonces que. las hormigas siguen caminos aleatorios al inicio de su recorrido.mecanismo de retroalimentación positiva asegura que con el tiempo la población de agentes se estabiliza alrededor de la mejor solución global. los agentes siempre tendrán la elección entre los múltiples caminos que parecen igual de populares. pero la colonia no sabe dónde se encuentra cualquier alimento actualmente. SDS es un algoritmo de optimización y de búsqueda eficiente que ha sido descrito matemáticamente (Fisher 2009). (Fedoriw 2002) Las hormigas que encuentran la fuente más cercana de alimentación serán capaces de dejar más cantidad de feromonas ya que su tiempo de viaje es inferior a las otras hormigas. Optimización de colonia de hormigas Uno de los comportamientos complejos que naturalmente surge de cualquier comportamiento individual es la capacidad de determinar el camino más corto entre dos puntos.4. hasta que se produce un rastro tan fuerte que todas las hormigas emplean dicha ruta. En el presente trabajo. es decir el más usado por las otras hormigas. Cada hormiga puede ser representada por un agente en el programa que solo tiene una capacidad limitada. Cuanta más fuerte será el olor de la feromona. a continuación. (Dorigo 2004) Hay un par de condiciones que deben cumplirse para que los agentes puedan navegar con éxito. cada vez más hormigas se irán sumando a este y aumentando su “atractivo”. lo que significa que una pequeña cantidad de comentarios positivos resultan en más de retroalimentación positiva y así sucesivamente. y una memoria para que cualquier agente pueda rastrear sus pasos con el fin de determinar la duración de la gira. y. hasta hallar la comida. dado que. debe verse cada vez menos influenciada por otros. luego regresan por el camino que resulte más atractivo en términos de feromonas. Individualmente cada una toma decisiones al azar. ya no presentan un atractivo tan fuerte para los agentes como la de la ruta con mayor convergencia. como la detección y la dispersión de feromonas. ya que las feromonas de los mismos. es entonces cuando se ha encontrado la solución. el mejor camino es el más corto. siendo capaz de encontrar el camino más corto a través de un gráfico que a menudo se ofrece la solución más sencilla y rápida para el problema. 3. Como la mayoría de problemas se puede reducir a un gráfico.

es decir. Se debe observar que la sumatoria no incluye la distancia que recorre el transporte cuando regresa de la última zona hasta la zona de la cual partió. que se va a minimizar mediante una serie de permutaciones π. ∑ representa la suma de todas las distancias existentes entre una zona y la siguiente a ser visitada. o universidades. mediante una serie de transiciones entre las diferentes zonas que se debe visitar. es por esto que se suma (distancia entre la última zona y el origen del recorrido). es que estos vehículos no optimizan su ruta. escuelas. etc. 5 . y finalmente ir a su destino sin tener que visitar cada zona más de una vez. es decir es la distancia total recorrida en el tour. ∈ N. donde N representa una matriz de nodos (zonas) y A representa arcos (distancias). Para mejorar este problema lo que se necesita es encontrar el camino más corto a través de las zonas donde se encuentran las personas que se va a recoger. La información heurística se da como el inverso de las distancias entre ciudades. Una solución óptima se puede encontrar de la siguiente manera: = + La función f representa la longitud recorrida. tiene un valor que representa la distancia entre las zonas . Cada . esto es: = . En una forma más sencilla. La única restricción. Para esto representamos las rutas en una matriz = . APLICACIÓN DEL ALGORITMO DE OPTIMIZACIÓN DE COLONIA DE HORMIGAS PARA EL PROBLEMA DE OPTIMIZACIÓN DE RUTAS DE TRANSPORTE PRIVADO EN GUAYAQUIL Para el presente problema nos hemos basado en el desarrollo del algoritmo ACO (Optimización de colonia de hormigas) presentado por Cruz y Viteri de la Escuela Politécnica Nacional en el 2007. El problema que se encuentra en el transporte privado de las empresas. es la suma de las distancias existentes entre cada ciudad visitada. colegios. principalmente en la ciudad de Guayaquil. . Los rastros de feromona se refieren a la deseabilidad de visitar una zona j justo después de visitar la zona i.4. condiciona a la colonia de hormigas a visitar cada zona una sola vez. En nuestro caso las distancias entre zonas son independientes de la dirección del recorrido. ∈ A. ocasionando desperdicio de tiempo y recursos como combustible.

para la representación de este problema se ha planteado un grafo totalmente conexo. la feromona es un valor asignado también a los arcos. Mapa de Guayaquil con zonas (vértices) y rutas (arcos) En efecto la aplicación del algoritmo de colonia de hormigas. para determinar que arcos son probablemente más atractivos. para recorrer.1. nos daría una optimización del recorrido del bus a través de la ciudad de Guayaquil. 6 . donde los vértices representan cada una de las zonas que deben ser visitadas por el transporte y los arcos representan las rutas entre cada una de ellas.4. y sus pesos las respectivas distancias.

entre otros. CONCLUSIONES Hemos analizado los conceptos y definiciones aportados sobre algunos investigadores acerca de la inteligencia de enjambre. Ciertamente esta técnica de la Inteligencia Artificial es de mucha utilidad cuando se tienen grandes poblaciones de individuos. podemos decir que el Swarm Intelligence es una técnica de la inteligencia artificial que. o es muy difícil establecer un patrón de comportamiento global y es necesario que cada uno se guíe por reglas simples e interactúe con los demás. sobre la actividad de la población total. 7 . en una población de individuos. Encontramos que existe la ventaja de. independiente del método empleado. es por eso que se los usa en problemas muy conocidos como el del agente viajero. concluimos que estos algoritmos son muy útiles en problemas de optimización. principalmente en ellos en que se buscan los mejores caminos a recorrer para los sujetos involucrados.5. Así. en las cuales no se puede. logrando así un comportamiento colectivo complejo para alcanzar la solución. y hemos observado los ejemplos de aplicación de las mismas en la naturaleza. se tiene que la solución global se construye a partir de cada solución individual de cada individuo. Además. al usar Inteligencia de enjambre reducir los impactos que puedan provocar el comportamiento erróneo de uno o más miembros del grupo. el de la mochila. se basan en el comportamiento de los individuos para analizar el impacto sobre el comportamiento global. para los problemas que pueden resolverse con estos algoritmos.

(1999).S. pp 3-12. (2006). Cambridge MA Eberthat R. (2000).. “Inteligncia de Enjambre. Wang J.epn. Chiarandini M.. V Congreso de Ingeniería del Transporte. Technical Report TR-12-04. (2004). E. Harvard Bussiness Review Cruz H..REFERENCIAS BIBLIOGRÁFICAS • Alonso S.. Dorigo M. (2005). P. Galleria 2. “Algoritmo basado en la optimización mediante colonias de hormigas para la resolución del problema del transporte de carga desde varios orígenes a varios destino”. Fehr C. Cordón O.. Fernández I. issue 8. Keown S. Metaheuristics for the vehicle routing problem with stochastic demands. (2004). Bonabeu E. Good M. Tuscany. Bianchi L. Italy. Dorigo M. “Application of Swarm Intelligence” University of Calgary Kennedy J. Ingen. Mastrolilli M.. Switzerland. Viteri V. Santander. Fedoriw G. Herrera F. IDSIA. pp 62-67 • • • • • • • • • • • • 8 . pp 3-10. McMullen. Álvarez J. Oliverio F. Montemanni R. Stuzle T.. España... ISBN 0-19-513159-2 Bonabeu E. “Ant Colony Optimisation for vehicle routing problems: from theory to applications”. Manno. serie de Morgan Kauffman” ISBN-13 / EAN: 9781558605954... (2002). “Swarm Intelligence power in numbers” Comunications of the ACM vol 45. Beni G. Tarasewich.T.. RossiDoria O. Gambardella L. (2001). Escuela Politécnica Nacional. Inteligencia del enjambre: De natural a los sistemas artificiales. ISTE Rizzoli A. (2007).edu. “Swarm Intelligence in cellular robotic systems”.. Paquete L. Meyer C. NATO Advanced Workshop on Robots.. Disponible en: http://biee. Clerc M. pp 20-35.. Schiavinotto T.. Barcos L..ec/dspace/handle/123456789/1169. 6928. (2004). Theraulaz. Manfrin M. Rodríguez V... “La Metaheurística de Optimización Basada en Colonias de Hormigas: Modelos y Nuevos Enfoques”. Birattari M. MIT Press.. (1989).. “Ant Colony Optimization”.. (2002).. Departamento de Ciencias de la Computación e Inteligencia Artificial. Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA). (2001).. “Swarm Intelligence: A Whole New way to Think about Bussiness”... “Optimización del Enjambre de la Partícula”. “Optimización de problemas combinatorios y multiobjetivo utilizando el método de colonia de hormigas (OCH)”..

Sign up to vote on this title
UsefulNot useful