Inteligence hejna

Inteligence hejna je na jednu stranu významný náhled na implementaci adaptivních systémů. V tomto smyslu se jedná o rozšíření evolučních algoritmů. Na druhou stranu lze tuto ideu považovat za rozšíření celulárních automatů.[4] O technikách bližším evolučním algoritmům existuje mnoho vědeckých článků, zmíněný druhý pohled je v tomto směru novější a méně prozkoumaný.

Většina současných postupů využívajících paradigmatu hejna optimalizuje účelovou funkci, v závislosti na definici se pak snažíme najít globální minimum nebo maximum dané funkce. Algoritmy často nabízejí i vícero řešení. To má význam, pokud existuje globálních optim více a nás nezajímá jen jedno. Potom hovoříme o multimodální optimalizaci.

Tyto postupy lze považovat za metaheuristiky prohledávající prostor odpovídající definičnímu oboru účelové funkce. Jejím definičním oborem je typicky n-dimenzionální eukleidovský prostor, nejedná se však o podmínku, protože mnoho z algoritmů prohledává i diskrétní prostor. Prohledávací prostor není obvykle prohledán celý, nejedná se tedy o úplné prohledávání a většinou nelze nic zaručit o nalezeném řešení.

Výhodou těchto metod je obvykle rychlost a nízká výpočetní náročnost oproti metodám jiným. Významným přínosem je schopnost poskytnout alespoň přibližné řešení tam, kde nám často ani není známo, zda existuje nějaký exaktní postup jak řešení najít.

Průběh prohledávání lze ve většině případů takto neformálně zjednodušit: K prohledávání prostoru máme k dispozici nějaké hejno, které sestává z jednotlivých členů. Členové hejna jsou na počátku v prostoru náhodně rozmístěni. Následně se iteruje zlepšovací krok, který se buď provádí konstantně-krát, nebo dokud nenalezneme uspokojivé řešení, nebo dokud se daří řešení zlepšovat. Během zlepšovacího kroku se pozmění poloha členů hejna v závislosti na informacích, které zatím dohromady nasbírali. Právě v tomto sociálním chování spočívá síla tohoto přístupu. Často jsou méně úspěšní členové lákáni k pozici těch úspěšnějších. Ve skutečnosti však nemusí nutně docházet k jakýmkoliv zlepšením, nicméně i takové kroky mohou být nutné, aby hejno neuvízlo v lokálním minimu (resp. maximu).

Problém zachycení v lokálním optimu je často označován i jako problém předčasné konvergence. Pokud bychom se dívali na polohu každého člena hejna v čase jako na řadu, některé algoritmy (například optimalizace hejnem částic) postupně s časem zmenšují změny poloh částic, aby se ustálila jejich poloha. Pokud je toto zpomalení příliš prudké, hrozí uvíznutí v lokálním optimu. Naopak nedostatečné ustálení polohy částic může vést ke zbytečně nepřesnému řešení, které stačilo malými opatrnými změnami zlepšit. Toto je známo i jako problém explorace versus exploatace.

Následující seznam používaných technik nelze považovat za úplný, neboť tento obor se stále vyvíjí a neustále vzniká hojně modifikací původních algoritmů, hybridní metody a i zcela nové přístupy.

• Optimalizace hejnem částic
• Optimalizace mravenčí kolonií
• Optimalizace včelím rojem
• Optimalizace hejnem světlušek
• Kolektivní inteligence
• Celulární automat
• Diferenční evoluce
• Vznik
• Evoluční výpočty
• Sdružování (chování)