swarm intelligence (tsz. swarm intelligences)
Swarm Intelligence (rajintelligencia) egy természet inspirálta mesterséges intelligencia paradigma, amely decentralizált, önszerveződő rendszerek kollektív viselkedését utánozza. Az elmélet alapja, hogy egyszerű szabályok szerint működő egyedek (pl. hangyák, méhek, madarak) képesek intelligens, hatékony, adaptív viselkedést tanúsítani kollektívan, anélkül, hogy központi irányítás lenne.
Az egyedek külön-külön egyszerűek, de egymással kölcsönhatva képesek összetett problémákat megoldani – ezt hívjuk emergens kollektív intelligenciának.
| Példa | Leírás |
|---|---|
| Hangyakolónia | Feromon alapján keresnek legrövidebb utat |
| Méhkolónia | Nektárforrás felfedezése és kiaknázása |
| Madárcsapat | Röptematikák, rajformáció (boids) |
| Halraj | Dinamikus formációban úszás |
| Algoritmus | Inspiráció | Alkalmazás |
|---|---|---|
| Ant Colony Optimization (ACO) | Hangyák | TSP, routing, ütemezés |
| Particle Swarm Optimization (PSO) | Madarak, halak | Folytonos optimalizálás |
| Artificial Bee Colony (ABC) | Méhek | Globális keresés |
| Glowworm Swarm Optimization | Fényalapú kommunikáció | Lokális optimumkeresés |
| Firefly Algorithm | Vonzás fényesség szerint | Optimalizáció |
| Bat Algorithm | Echolokáció | Optimalizáció |
| Cuckoo Search | Élősködő madár viselkedés | Optimalizáció |
| Terület | Példa |
|---|---|
| Optimalizálás | Folytonos / diszkrét problémák |
| Routing | Adatátviteli útvonalak, járműlogisztika |
| Robotika | Csoportos robotirányítás, drónraj |
| Mesterséges intelligencia | Hiperparaméter-keresés |
| Klaszterezés | Adatbányászat |
| Energiarendszerek | Hálózatvezérlés, elosztás |
| Bioinformatika | Fehérjestruktúra, génkeresés |
| ✅ Előnyök | ❌ Hátrányok |
|---|---|
| Nem igényel derivált | Lassabb konvergencia lehet |
| Robusztus zajos környezetben | Paraméterérzékenység |
| Skálázható, párhuzamosítható | Nem mindig garantált optimum |
| Adaptív, önszervező | Stagnálás lokális optimumnál |
import numpy as np
def f(x):
return sum(x**2)
def pso(f, dim=2, n_particles=30, max_iter=100):
X = np.random.uniform(-5, 5, (n_particles, dim))
V = np.random.uniform(-1, 1, (n_particles, dim))
P = X.copy()
g = P)]
for _ in range(max_iter):
for i in range(n_particles):
r1, r2 = np.random.rand(), np.random.rand()
V = 0.5*V + 2*r1*(P-X) + 2*r2*(g-X)
X += V
if f(X) < f(P):
P = X
g = P)]
return g, f(g)
| Fogalom | Leírás |
|---|---|
| Rajintelligencia | Decentralizált kollektív tanulás |
| Alapötlet | Egyedek kölcsönhatása → intelligens viselkedés |
| Algoritmusok | ACO, PSO, ABC, Firefly, Bat |
| Területek | Optimalizáció, robotika, AI |
| Kulcsmechanizmus | Feltárás ↔ Kiaknázás egyensúly |