Informace

Ukazují roje inteligenci?


Dokážete kolektivní a rojové chování považovat za „inteligenci“? Vztahuje se taková koncepce na a) kolonie mravenců a b) rybí roje?


Inteligence je něco, co musí mít definici, a existuje jich mnoho, ale opatrně bych řekl, že ne.

Důvod, proč to říkám, je ten, že chování rojení lze do značné míry reprodukovat jednoduchým souborem pravidel - odpovídající vzdálenosti vašim sousedům a také směru a rychlosti. Pro mě to opravdu odstraňuje jakýkoli záměr nebo dokonce vědomý prvek chování roje, ačkoli jeho jasní jedinci se rozhodují, nemusí být inteligentnější než myš hledající jídlo nebo jiné druhy chování zvířat.

Jak již bylo řečeno, ostatní doslova vytvořili definice inteligence inspirované rojením - decentralizovaný druh mysli, která se rozhoduje na základě interakcí jednotlivých osob. Můžete tvrdit, že naše mozky jsou podobným druhem souboru, a proto se neliší od naší vlastní inteligence, pokud se podíváme dostatečně zblízka.

Takže si opravdu vyberte.


Když mluvíme o „umělé inteligenci“, mluvíme o schopnosti řešit problémy, které nejsou přímo specifikovány v kódu. Nemusí mít „úmysl“ ani „svědomí“, jak naznačuje @shigeta. Řekl bych tedy, že roje jsou inteligentní, je to jen další „hardware“, kde se objevuje inteligence. Jak řekl shigeta, naše vlastní mysl se v podstatě neliší od roje (jen mnohokrát rozvinutější).


Jaké chytré včely mohou naučit lidi o kolektivní inteligenci

Včely nejenže projevují kolektivní inteligenci, ale jsou také flexibilní, pokud jde o skupinová rozhodnutí. Kredit: Shutterstock, CC BY

Pokud jde o rozhodování, většina z nás je do určité míry ovlivněna jinými lidmi, ať už jde o výběr restaurace nebo politického kandidáta. Než se rozhodneme, chceme vědět, co si ostatní myslí.

Lidé jsou sociální zvířata. Tak sociální, že jen zřídka můžeme být nezávislí na ostatních, protože máme sklon kopírovat chování a komunikaci - také známé jako sociální učení.

Lidé se navzájem kopírují každý den. Můžete si koupit nejnovější trenéry, protože jsou opravdu populární, i když nevíte, jak kvalitní jsou. A pak můžete tyto informace sdílet a možná zveřejnit recenzi na sociálních médiích. To může vyvolat „chytřejší“ nákupní rozhodnutí, protože obvykle, pokud je produkt populární, se zdá méně pravděpodobné, že by měl nízkou kvalitu. Sociální učení tedy někdy může zlepšit naše rozhodování.

Naše schopnost sociálního učení vedla k mimořádnému technologickému úspěchu. Pokroky v moderní vědě a technologii, od chytrého telefonu po částici Higgs Boson, byly umožněny nejen geniální inovací, ale také schopností lidí učit se od ostatních. Sociální učení je tedy vnímáno jako zdroj kolektivní inteligence - chytré rozhodování mezi skupinami jednotlivců, které zlepšuje schopnost jedné jediné osoby. To může být užitečné v oblastech, jako je management, vývoj produktů a předpovídání voleb.

Opak však může být také pravdou. Davy mohou také trpět kolektivním „šílenstvím“, kdy se neefektivní nebo škodlivé znalosti stávají virálními kvůli kopírování - fenomén nazývaný maladaptivní stádo - což může vyvolat věci jako nestabilitu na akciových trzích.

Proč skupiny lidí někdy projevují kolektivní moudrost a jindy šílenství? Můžeme snížit riziko maladaptivního pasení a zároveň zvýšit možnost kolektivní moudrosti?

Pochopení tohoto zjevného konfliktu je dlouhodobým problémem sociální vědy. Klíčem k této hádance by mohl být způsob, jakým jednotlivci používají informace od ostatních oproti informacím získaným z vlastního řešení problémů pokusů a omylů. Pokud lidé jednoduše kopírují ostatní bez odkazu na vlastní zkušenost, může se šířit jakýkoli nápad - dokonce i špatný. Jak tedy sociální učení může zlepšit naše rozhodování? Klíčové je najít správnou rovnováhu mezi kopírováním ostatních a spoléháním na osobní zkušenost. Přesto stále musíme přesně vědět, jaká je správná rovnováha.

Lidé nejsou jedinými zvířaty, která vykazují kolektivní inteligenci. Včely jsou také dobře známé svou schopností dělat přesná kolektivní rozhodnutí při hledání potravy nebo nových hnízd. A co víc, včely se mohou vyhnout nepřizpůsobivému pasení. Včely zabraňují tomu, aby se špatné informace staly virálními, přestože se navzájem kopírují prostřednictvím komunikace a sociálního učení. Ale jak to dělají?

Na počátku 20. století rakouský behaviorální biolog Karl von Frisch zjistil, že včely medonosné používají ke vzájemné komunikaci jakýsi „kývavý tanec“. Stručně řečeno, tyto vrtivé tance jsou včelími verzemi systémů hodnocení online nakupování. Místo hvězd nebo dobrých recenzí vychází hodnocení včel z doby trvání tance. Když včela najde dobrý zdroj potravy, dlouho tančí. Když najde chudého, délka tance je krátká nebo žádná. Čím delší tanec, tím více včel sleduje jeho návrh krmit se tam.

Výzkumníci prokázali, že včelstva přesunou své úsilí na hojnější stanoviště, i když se již dobře hledá potrava jinde, čímž se zabrání maladaptivnímu stádu. Klíčová je kolektivní flexibilita.

Ne tak flexibilní lidé

Otázkou je, proč nemohou být lidské davy flexibilní jako včely, zvláště když oba mají podobný systém sdílení sociálních informací? Abychom to prozkoumali, vyvinuli jsme matematický model, který byl inspirován kolektivním chováním včel včel.

Pro studium byly identifikovány dva klíčové faktory: konformita - to znamená, do jaké míry jedinec následuje většinový názor a tendence kopírování - míra, do jaké jedinec ignoruje své vlastní osobní znalosti a spoléhá se pouze na následování ostatních.

Spustili jsme jednoduchou online hru jako psychologický experiment. Účastníci si museli opakovaně vybrat jeden ze tří hracích automatů. Jeden slot mohl shodit více peněz než ostatní, ale hráči na začátku nevěděli, který.

Úkolem bylo identifikovat nejlepší slot a vyhrát co nejvíce peněz. Protože se stejného experimentu účastnilo mnoho lidí, hráči mohli vidět, co ostatní účastníci dělají v reálném čase. Pak mohli kopírovat nebo ignorovat volby ostatních.

Výsledky odhalily, že náročný úkol vyvolal větší shodu a kopírování se zvětšovalo s velikostí skupiny. To naznačuje, že na rozdíl od včel, kde jsou velké skupiny konfrontovány s těžkými výzvami, se kolektivní rozhodování stává nepružným a prominentní je maladaptivní pastevecké chování. Populární automat se stal populárnějším, protože lidé sledovali většinový výběr, i když to vlastně nebyl vítězný.

Studie také ukázala, že lidé ve skupinách mohou být flexibilní, jako včely, když byla shoda nebo kopírování nízká. Hráči byli schopni přejít na novou a lepší možnost, když byla velikost skupiny malá nebo byla provedena méně náročná verze úkolu. Díky nízké shodě existovali lidé ochotní prozkoumat méně populární možnosti, kteří nakonec mohli najít tu nejlepší na rozdíl od té, která byla vybrána nejvíce.

Naše výsledky naznačují, že bychom si měli více uvědomovat riziko maladaptivního stáda, když tyto podmínky - velká skupina a obtížný problém - převládají. Měli bychom vzít v úvahu nejen nejoblíbenější názor, ale i další menšinové názory. Díky tomuto způsobu uvažování se dav může vyhnout nepřizpůsobivému chování při pasení. Tento výzkum by mohl informovat o tom, jak je kolektivní inteligence aplikována na situace v reálném světě, včetně trhů online nakupování a predikce.

Stimulace nezávislého myšlení u jednotlivců může snížit riziko kolektivního šílenství. Rozdělení skupiny na podskupiny nebo rozdělení úkolu na malé snadné kroky podporuje flexibilní, ale chytrou, lidskou „rojovou“ inteligenci. Od pokorné včely se můžeme hodně naučit.

Tento článek je znovu publikován z Konverzace pod licencí Creative Commons. Přečtěte si původní článek.


Obsah

V posledních desetiletích se vědci obrátili k modelování chování roje, aby získali hlubší porozumění tomuto chování.

Matematické modely Upravit

Počáteční studie chování roje používaly matematické modely k simulaci a porozumění chování. Nejjednodušší matematické modely zvířecích rojů obecně představují jednotlivá zvířata podle následujících tří pravidel:

  • Pohybujte se stejným směrem jako jejich sousedé
  • Zůstaňte blízko jejich sousedů
  • Vyhněte se kolizím se svými sousedy

Počítačový program boids vytvořený Craigem Reynoldsem v roce 1986 simuluje chování roje podle výše uvedených pravidel. [4] Mnoho následných i současných modelů používá varianty těchto pravidel a často je implementuje pomocí soustředných „zón“ kolem každého zvířete. V „zóně odpudivosti“, velmi blízko zvířete, se ohniskové zvíře bude snažit distancovat od sousedů, aby se vyhlo kolizi. O něco dále, v „zóně zarovnání“, se ohniskové zvíře bude snažit sladit směr pohybu se svými sousedy. V nejvzdálenější „zóně přitažlivosti“, která se rozprostírá tak daleko od ohniska, jak je schopno vnímat, se ohnisko pokusí pohybovat směrem k sousedovi.

Tvar těchto zón bude nutně ovlivněn smyslovými schopnostmi daného zvířete. Například zorné pole ptáka nepřesahuje za jeho tělo. Ryby se spoléhají jak na vidění, tak na hydrodynamické vjemy přenášené přes jejich postranní čáry, zatímco antarktický krill spoléhá jak na vidění, tak na hydrodynamické signály přenášené anténami.

Nedávné studie hejn špačků však ukázaly, že každý pták mění svou polohu vzhledem k šesti nebo sedmi zvířatům, která jej přímo obklopují, bez ohledu na to, jak blízko nebo jak daleko jsou tato zvířata. [5] Interakce mezi hrnoucími se špačky jsou tedy založeny spíše na topologickém než metrickém pravidle. Jestli se to týká i jiných zvířat, se teprve uvidí. Další nedávná studie, založená na analýze vysokorychlostních kamerových záznamů hejn nad Římem a za předpokladu minimálních pravidel chování, přesvědčivě simulovala řadu aspektů chování hejna. [6] [7] [8] [9]

Evoluční modely Upravit

Aby vědci získali přehled o tom, proč se u zvířat vyvíjí rojové chování, obrátili se na evoluční modely, které simulují populace vyvíjejících se zvířat. Tyto studie obvykle používají genetický algoritmus k simulaci evoluce po mnoho generací. Tyto studie zkoumaly řadu hypotéz pokoušejících se vysvětlit, proč se u zvířat vyvíjí rojení, jako je teorie sobeckého stáda [10] [11] [12] [13] efekt záměny predátora, [14] [15] účinek ředění, [16] [17] a teorie mnoha očí. [18]

Agenti Upravit

  • Mach, Robert Schweitzer, Frank (2003). „Multiagentní model biologického rojení“. Pokroky v umělém životě. Přednášky z informatiky. 2801. s. 810–820. CiteSeerX10.1.1.87.8022. doi: 10,1007/978-3-540-39432-7_87. ISBN978-3-540-20057-4.

Úpravy vlastní organizace

Emergence Edit

Koncept vzniku-že vlastnosti a funkce nalezené na hierarchické úrovni nejsou přítomny a jsou na nižších úrovních irelevantní-je často základním principem samoorganizujících se systémů. [19] Příklad sebeorganizace v biologii vedoucí ke vzniku v přírodním světě se vyskytuje v koloniích mravenců. Královna nedává přímé rozkazy a neříká mravencům, co mají dělat. [ Citace je zapotřebí ] Místo toho každý mravenec reaguje na podněty ve formě chemických vůní z larev, jiných mravenců, vetřelců, jídla a nahromadění odpadu a zanechává za sebou chemickou stopu, která zase poskytuje podnět ostatním mravencům. Zde je každý mravenec autonomní jednotkou, která reaguje pouze v závislosti na svém místním prostředí a geneticky zakódovaných pravidlech své rozmanitosti. Navzdory nedostatku centralizovaného rozhodování vykazují kolonie mravenců komplexní chování a dokonce dokázaly prokázat schopnost řešit geometrické problémy. Kolonie například běžně zjišťují maximální vzdálenost od všech vchodů do kolonií, aby se zbavily mrtvých těl.

Stigmergy Upravit

Dalším klíčovým konceptem v oblasti rojové inteligence je stigmergie. [20] [21] Stigmergy je mechanismus nepřímé koordinace mezi agenty nebo akcemi. Princip spočívá v tom, že stopa zanechaná v prostředí akcí stimuluje výkon další akce stejným nebo jiným agentem. Tímto způsobem mají následující akce tendenci se navzájem posilovat a stavět, což vede ke spontánnímu vzniku koherentní, zjevně systematické činnosti. Stigmergy je forma sebeorganizace. Vytváří složité, zdánlivě inteligentní struktury, bez potřeby jakéhokoli plánování, řízení nebo dokonce přímé komunikace mezi agenty. Jako takový podporuje efektivní spolupráci mezi extrémně jednoduchými agenty, kterým chybí paměť, inteligence nebo dokonce povědomí o sobě navzájem. [21]

Rojová inteligence Upravit

Rojová inteligence je kolektivní chování decentralizovaných, samoorganizovaných systémů, přirozených nebo umělých. Tento koncept se používá při práci na umělé inteligenci. Tento výraz zavedli Gerardo Beni a Jing Wang v roce 1989 v kontextu buněčných robotických systémů. [22]

Rojové zpravodajské systémy jsou obvykle tvořeny populací jednoduchých agentů, jako jsou boids interagující lokálně mezi sebou navzájem a se svým prostředím. Agenti se řídí velmi jednoduchými pravidly, a přestože neexistuje centralizovaná řídicí struktura, která by určovala, jak by se měli jednotliví agenti chovat, lokální a do určité míry náhodné, interakce mezi takovými agenty vedou ke vzniku inteligentního globálního chování, které je pro jednotlivé agenty neznámé.

Výzkum rojové inteligence je multidisciplinární. Lze jej rozdělit na výzkum přírodních rojů studující biologické systémy a výzkum umělých rojů studující lidské artefakty. Existuje také vědecký proud pokoušející se modelovat rojové systémy samotné a porozumět jejich základním mechanismům a inženýrský proud zaměřený na aplikaci poznatků vyvinutých vědeckým proudem k řešení praktických problémů v jiných oblastech. [23]

Upravit algoritmy

Rojové algoritmy sledují Lagrangeův přístup nebo eulerovský přístup. [24] Eulerianský přístup vidí roj jako pole, pracuje s hustotou roje a odvozuje střední vlastnosti pole. Jedná se o hydrodynamický přístup a může být užitečný pro modelování celkové dynamiky velkých rojů. [25] [26] [27] Většina modelů však pracuje s Lagrangeovým přístupem, což je model založený na agentech, který sleduje jednotlivé agenty (body nebo částice) tvořící roj. Jednotlivé modely částic mohou sledovat informace o záhlaví a mezerách, které jsou ztraceny v Eulerianově přístupu. [24] [28]

Optimalizace kolonie mravenců Upravit

Optimalizace kolonie mravenců je široce používaný algoritmus inspirovaný chováním mravenců a účinně řeší problémy s diskrétní optimalizací související s rojením. [30] Algoritmus původně navrhl Marco Dorigo v roce 1992 [31] [32] a od té doby byl diverzifikován, aby vyřešil širší třídu numerických problémů. Druhy, které mají více královen, mohou mít královnu opouštějící hnízdo spolu s některými dělníky, aby založili kolonii na novém místě, což je proces podobný rojení včel. [33] [34]

  • Mravenci jsou behaviorálně nenároční a kolektivně plní složité úkoly. Mravenci mají vysoce vyvinutou propracovanou komunikaci založenou na znaku.
  • Mravenci komunikují pomocí feromonů, jsou položeny stezky, po kterých mohou následovat další mravenci.
  • Směrování problémových mravenců upouští různé feromony používané k výpočtu „nejkratší“ cesty ze zdroje do cíle.
  • Rauch, EM Millonas, MM Chialvo, DR (1995). „Tvorba vzoru a funkce v modelech roje“. Fyzika Písmena A. 207 (3–4): 185. arXiv: adap-org/9507003. Bibcode: 1995PhLA..207..185R. doi: 10,1016/0375-9601 (95) 00624-c. S2CID120567147.

Částice s vlastním pohonem Upravit

Koncept částic s vlastním pohonem (SPP) představil v roce 1995 Tamás Vicsek a kol. [36] jako zvláštní případ modelu boids představeného v roce 1986 Reynoldsem. [4] Roj SPP je modelován souborem částic, které se pohybují konstantní rychlostí a reagují na náhodné poruchy tím, že v každém časovém kroku přijmou průměrný směr pohybu ostatních částic v jejich místním sousedství. [37]

Simulace ukazují, že vhodné „pravidlo nejbližšího souseda“ nakonec vede k tomu, že se všechny částice rojí společně nebo se pohybují stejným směrem. To se objevuje, i když neexistuje centralizovaná koordinace, a přestože sousedé pro každou částici se v průběhu času neustále mění. [36] Modely SPP předpovídají, že rojící se zvířata sdílejí určité vlastnosti na úrovni skupiny, bez ohledu na typ zvířat v roji. [38] Systémy rojení způsobují vznikající chování, které se vyskytuje v mnoha různých měřítcích, z nichž některé jsou univerzální a robustní. Najít minimální statistické modely, které zachycují toto chování, se stalo v teoretické fyzice výzvou. [39] [40]

Optimalizace roje částic Upravit

Optimalizace částic roje je další algoritmus široce používaný k řešení problémů souvisejících s roje. Byl vyvinut v roce 1995 Kennedym a Eberhartem a byl nejprve zaměřen na simulaci sociálního chování a choreografie ptačích hejn a rybích škol. [41] [42] Algoritmus byl zjednodušen a bylo pozorováno, že provádí optimalizaci. Systém zpočátku nasazuje populaci s náhodnými řešeními. Poté hledá v problémovém prostoru po sobě jdoucích generacích pomocí stochastické optimalizace, aby našla nejlepší řešení. Řešení, která najde, se nazývají částice. Každá částice si uchovává svoji polohu a také nejlepší řešení, kterého dosud dosáhla. Optimalizátor roje částic sleduje nejlepší místní hodnotu, kterou dosud získala jakákoli částice v místním sousedství. Zbývající částice se poté pohybují problémovým prostorem po vedení optimálních částic. Při každé iteraci optimalizátor roje částic zrychluje každou částici směrem k jejím optimálním místům podle jednoduchých matematických pravidel. Optimalizace roje částic byla použita v mnoha oblastech. Má jen málo parametrů k úpravě a verze, která funguje dobře pro konkrétní aplikace, může také dobře fungovat s menšími úpravami v celé řadě souvisejících aplikací. [43] Kniha Kennedyho a Eberharta popisuje některé filozofické aspekty aplikací pro optimalizaci částicového roje a rojové inteligence. [44] Poli provádí rozsáhlý průzkum aplikací.[45] [46]

Altruismus Upravit

Vědci ze Švýcarska vyvinuli algoritmus založený na Hamiltonově pravidle výběru příbuzných. Algoritmus ukazuje, jak se altruismus v roji entit může v průběhu času vyvíjet a vést k efektivnějšímu chování roje. [47] [48]

Nejstarší důkazy o chování rojů u zvířat se datují přibližně 480 milionů let. Fosílie trilobita Ampyx priscus byly nedávno popsány jako seskupené v řadách podél dna oceánu. Všechna zvířata byla dospělá dospělá zvířata a čelila všem stejným směrem, jako by vytvořila čáru conga nebo peloton. Bylo navrženo, aby se takto seřadili k migraci, podobně jako ostnatí humři migrují ve frontách s jedním souborem. [49] Nebo se možná scházejí k páření, [50] jako u mouchy Leptoconops torrens. Zjištění naznačují, že kolektivní chování zvířat má velmi raný evoluční původ. [51]

    národní geografie. Hlavní článek, červenec 2007.
  • Beekman M, Sword GA a Simpson SK (2008) Biological Foundations of Swarm Intelligence. v Rojová inteligence: úvod a aplikace, Eds Blum C a Merkle D. 株式会社 ュ プ リ ン ガ ー ・ ジ ャ パ ン ン 株式会社, Strana 3–43. 978-3-540-74088-9
  • Parrish JK, Edelstein-Keshet L (1999). „Složitost, struktura a evoluční kompromisy v agregaci zvířat“ (PDF). Věda. 284 (5411): 99–101. Bibcode: 1999Sci. 284. 99P. CiteSeerX10.1.1.560.5229. doi: 10,1126/věda.284,5411,99. PMID10102827. Archivováno z originálu (PDF) dne 2011-07-20.

Sociální hmyz Upravit

Chování sociálního hmyzu (hmyz, který žije v koloniích, jako jsou mravenci, včely, vosy a termiti) byl vždy zdrojem fascinace dětí, přírodovědců a umělců. Zdá se, že jednotlivý hmyz dělá svou vlastní věc bez jakékoli centrální kontroly, ale kolonie jako celek se chová vysoce koordinovaně. [64] Vědci zjistili, že spolupráce na úrovni kolonií je do značné míry organizována sama. Koordinace skupiny, která se objeví, je často jen důsledkem způsobu interakce jednotlivců v kolonii. Tyto interakce mohou být pozoruhodně jednoduché, například když jeden mravenec sleduje stopu, kterou zanechal jiný mravenec. Přesto kumulativní účinek takového chování může vyřešit velmi složité problémy, jako je nalezení nejkratší cesty v síti možných cest ke zdroji potravy. Organizovanému chování, které takto vzniká, se někdy říká rojová inteligence, forma biologického vzniku. [64]

Mravenci Upravit

Jednotliví mravenci nevykazují složité chování, přesto kolonie mravenců kolektivně plní složité úkoly, jako je stavba hnízd, péče o mláďata, stavění mostů a hledání potravy. Kolonie mravenců může společně vybrat (tj. Poslat většinu pracovníků směrem) nejlepší nebo nejbližší zdroj potravy z několika blízkých. [65] Takováto kolektivní rozhodnutí se dosahují pomocí mechanismů pozitivní zpětné vazby. Volby nejlepšího zdroje potravy dosahují mravenci podle dvou jednoduchých pravidel. Nejprve se mravenci, kteří najdou potravu, vracejí do hnízda a ukládají feromonovou chemikálii. Více feromonů je kladeno na kvalitnější zdroje potravin. [66] Pokud jsou tedy současně nalezeny dva stejně vzdálené zdroje potravy různých kvalit, bude feromonová stopa k lepšímu silnější. Mravenci v hnízdě dodržují další jednoduché pravidlo, v průměru upřednostňovat silnější stezky. Více mravenců pak následuje silnější stopu, takže více mravenců přichází k vysoce kvalitnímu zdroji potravy a zajišťuje cyklus pozitivní zpětné vazby, což vede ke kolektivnímu rozhodnutí o nejlepším zdroji potravy. Pokud existují dvě cesty od mravenčího hnízda ke zdroji potravy, pak kolonie obvykle volí kratší cestu. Důvodem je, že mravenci, kteří se poprvé vrátí do hnízda ze zdroje potravy, jsou s větší pravděpodobností ti, kteří se vydali kratší cestou. Více mravenců pak ustoupí po kratší cestě a posílí feromonovou stopu. [67]

Armádní mravenci, na rozdíl od většiny druhů mravenců, nevytvářejí stálá hnízda, zatímco se armádní mravenčí kolonie po dobu své existence téměř nepřetržitě pohybuje a zůstávají v podstatě neustálém stavu rojení. Několik rodů nezávisle vyvinulo stejný základní behaviorální a ekologický syndrom, často označovaný jako „legionářské chování“, a může být příkladem konvergentní evoluce. [68]

Úspěšné techniky používané koloniemi mravenců byly studovány v počítačové vědě a robotice k výrobě distribuovaných systémů odolných vůči chybám pro řešení problémů. Tato oblast biomimetiky vedla ke studiím pohybu mravenců, vyhledávačům, které využívají „krmné stezky“, algoritmům ukládání a síťovým tolerancím odolným proti chybám. [69]

Včely medonosné Upravit

V mírném podnebí včely medonosné obvykle tvoří roje na konci jara. Roj obvykle obsahuje asi polovinu dělníků spolu se starou královnou, zatímco nová královna zůstává zpět se zbývajícími dělníky v původním úlu. Když včely medonosné vyjdou z úlu a vytvoří roj, mohou se shromáždit na větvi stromu nebo na keři jen pár metrů od úlu. Včely se shlukují kolem královny a vysílají 20–50 skautů, aby našli vhodná nová umístění hnízd. Skauti jsou nejzkušenějšími řezači v klastru. Pokud průzkumník najde vhodné místo, vrátí se do kupy a propaguje ji tancem verze kývavého tance. Tento tanec zprostředkovává informace o kvalitě, směru a vzdálenosti nového webu. Čím více je ze svých zjištění nadšená, tím rázněji tančí. Pokud dokáže přesvědčit ostatní, mohou vzlétnout a zkontrolovat místo, které našla. Pokud to schválí, mohou to také propagovat. V tomto rozhodovacím procesu skauti kontrolují několik webů, často opouštějí své vlastní původní stránky, aby propagovali nadřazené stránky jiného skauta. Různí skauti mohou nejprve propagovat několik různých stránek. Po několika hodinách a někdy i dnech se z tohoto rozhodovacího procesu nakonec objeví preferované místo. Když se všichni skauti dohodnou na konečném umístění, celá hvězdokupa vzlétne a rojí se k němu. Někdy, pokud nedojde k žádnému rozhodnutí, roj se oddělí, některé včely jdou jedním směrem, jiné jdou jiným. To má obvykle za následek selhání, kdy obě skupiny umírají. Nové místo je obvykle kilometr nebo více od původního úlu, ačkoli některé druhy, např. Apis dorsata„[70] může založit nové kolonie do 500 metrů od rodného hnízda. Tento proces kolektivního rozhodování je mimořádně úspěšný při identifikaci nejvhodnějšího nového hnízdiště a udržení neporušeného roje. Dobré místo v úlu musí být dostatečně velké, aby pojalo roj (objem asi 15 litrů), musí být dobře chráněno před živly, přijímat optimální množství slunečního svitu, být v určité výšce nad zemí, mít malý vchod a být schopen odolat napadení mravenci - proto se často vybírají dutiny stromů. [71] [72] [73] [74] [75]

Nespolečenský hmyz Upravit

Na rozdíl od sociálního hmyzu se zdá, že roje nesociálního hmyzu, které byly studovány především, fungují v kontextech, jako je páření, krmení, vyhýbání se predátorům a migrace.

Můry Upravit

Můry mohou vykazovat synchronizované páření, během kterého feromony uvolňované samicemi zahajují u mužů hledání a rojení. [76] Muži cítí feromony s citlivými anténami a mohou sledovat ženy až několik kilometrů daleko. [77] Páření v roji zahrnuje ženskou volbu a mužskou soutěž. Pouze jeden muž v roji - typicky první - úspěšně kopuluje. [78] Ženy maximalizují přínosy pro fitness a minimalizují náklady tím, že řídí nástup a velikost nasazeného feromonu. Zatímco příliš málo feromonu nepřiláká partnera, příliš mnoho umožňuje méně zdatným mužům vnímat signál. [79] Po páření kladou samice vajíčka na hostitelskou rostlinu. Kvalita hostitelské rostliny může být faktorem ovlivňujícím umístění roje a snášky vajec. V jednom případě vědci pozorovali můry růžových pruhovaných dubových červů (Anisota virginiensis) rojení v místě mršiny, kde rozklad pravděpodobně zvýšil hladiny živin v půdě a kvalitu hostitelských rostlin. [80]

Mouchy Upravit

Midges, jako například Tokunagayusurika akamusi, tvoří roje, tančí ve vzduchu. Rojení slouží více účelům, včetně usnadnění páření tím, že přitáhne ženy, aby se přiblížily k roji, což je jev známý jako páření lek. Takové mrakovité roje se často vytvářejí v podvečer, když slunce klesá, na špičce keře, na kopci, nad kaluží vody nebo dokonce někdy nad osobou. Vytváření takových rojů není instinktem, ale adaptivním chováním - „konsensem“ - mezi jednotlivci uvnitř rojů. Rovněž se navrhuje, aby rojení bylo rituálem, protože jen zřídka se zde vyskytuje nějaký samec a ne v roji. To mohlo vzniknout díky výhodě snížení příbuzenského křížení tím, že se muži různých genů shromažďují na jednom místě. [81] Rod Culicoides, také známí jako kousající midges, vykazovali rojení, o kterém se předpokládá, že způsobuje predátory zmatek. [82]

Švábi Upravit

Švábi zanechávají ve svých výkalech chemické stopy a také uvolňují vzdušné feromony pro páření. Ostatní švábi půjdou po těchto stezkách, aby objevili zdroje potravy a vody, a také zjistili, kde se skrývají ostatní švábi. Skupiny švábů tedy mohou vykazovat emergentní chování [83], ve kterém skupinové nebo rojové chování vychází z jednoduchého souboru individuálních interakcí.

Švábi jsou převážně noční a při působení světla utečou. Studie testovala hypotézu, že švábi používají pouze dvě informace k rozhodnutí, kam se za těchto podmínek vydat: jak je tma a kolik dalších švábů existuje. Studie, kterou provedli José Halloy a kolegové ze Svobodné univerzity v Bruselu a dalších evropských institucí, vytvořila soubor drobných robotů, kteří se švábům jeví jako ostatní švábi a mohou tak změnit vnímání kritické masy švábů. Roboti byli také speciálně navoněni, aby je přijali skuteční švábi. [84]

Kobylky Upravit

Kobylky jsou rojicí fází kobylky s krátkými rohy z čeledi Acrididae. Některé druhy se mohou za vhodných podmínek rychle rozmnožovat a následně se stát společenskými a stěhovavými. Jako dospělí vytvářejí pásy jako nymfy a roje - oba mohou cestovat na velké vzdálenosti, rychle svlékat pole a velmi poškozovat úrodu. Největší roje mohou pokrývat stovky čtverečních mil a obsahovat miliardy kobylek. Kobylka může každý den sníst vlastní hmotnost (asi 2 gramy) v rostlinách. To znamená, že jeden milion kobylek může sníst více než jednu tunu jídla každý den a největší roje mohou spotřebovat více než 100 000 tun každý den. [85]

Bylo zjištěno, že rojení kobylek je spojeno se zvýšenými hladinami serotoninu, což způsobuje, že kobylka mění barvu, mnohem více jí, vzájemně se přitahuje a množí se mnohem snáze. Vědci navrhují, že rojení je reakcí na přeplněnost a studie ukázaly, že zvýšená hmatová stimulace zadních nohou nebo u některých druhů prosté setkání s jinými jedinci způsobuje zvýšení hladin serotoninu. Transformaci kobylky na rojivou odrůdu lze vyvolat několika kontakty za minutu po dobu čtyř hodin. [86] [87] [88] [89] Zejména u mláďat kobylky pouštní byla nalezena vrozená predispozice k agregaci, Schistocerca gregaria, nezávisle na jejich rodičovské fázi. [90]

Zdá se, že reakce jednotlivého kobylky na ztrátu zarovnání ve skupině zvyšuje náhodnost jeho pohybu, dokud není opět dosaženo zarovnaného stavu. Toto zarovnání vyvolané hlukem se zdá být vnitřní charakteristikou kolektivního koherentního pohybu. [91]

Migrační chování Upravit

Migrace hmyzu je sezónní pohyb hmyzu, zejména druhů vážek, brouků, motýlů a můr. Vzdálenost se může u jednotlivých druhů lišit, ale ve většině případů tyto pohyby zahrnují velký počet jedinců. V některých případech se jednotlivci, kteří migrují jedním směrem, nemusí vrátit a příští generace může místo toho migrovat opačným směrem. To je podstatný rozdíl od migrace ptáků.

Motýli monarchy jsou obzvláště známí svou zdlouhavou roční migrací. V Severní Americe masivně migrují na jih od srpna až do prvních mrazů. Migrace na sever probíhá na jaře. Monarcha je jediným motýlem, který pravidelně migruje na sever i na jih. Ale ani jeden jedinec neprovede celý zpáteční let. Ženské monarchy ukládají vajíčka pro další generaci během těchto migrací. [92] Délka těchto cest přesahuje běžnou délku života většiny panovníků, což je u motýlů narozených počátkem léta necelé dva měsíce. Poslední generace léta vstupuje do nereprodukční fáze známé jako diapauza a může žít sedm měsíců nebo déle. [93] Během diapauzy létají motýli na jedno z mnoha přezimovacích míst. Generace, která přezimuje, se obecně nerozmnožuje, dokud neopustí přezimovací web někdy v únoru a březnu. Je to druhá, třetí a čtvrtá generace, která se na jaře vrací na svá severní místa v USA a Kanadě. To, jak se druh dokáže během několika generací vrátit na stejná přezimující místa, je stále předmětem výzkumu, přičemž letové vzorce se zdají být zděděné na základě kombinace polohy slunce na obloze [94] a času. -kompenzovaný sluneční kompas, který závisí na cirkadiánních hodinách založených na jejich anténách. [95] [96]

Ptáci Upravit

  • Nagy, M Akos Zs, Biro D Vicsek, T (2010). „Hierarchická skupinová dynamika v holubích hejnech“ (PDF). Příroda. 464 (7290): 890–893. arXiv: 1010,5394. Bibcode: 2010Natur.464..890N. doi: 10,1038/příroda08891. PMID20376149. S2CID4430488. Archivováno z originálu (PDF) dne 6. července 2010. Doplňkové pdf

Migrace ptáků Upravit

Přibližně 1800 z 10 000 druhů ptáků na světě jsou migranti na dlouhé vzdálenosti. [97] Zdá se, že primární motivací migrace je například potrava, někteří kolibříci se rozhodnou nemigrovat, pokud jsou krmeni přes zimu. Také delší dny severního léta poskytují chovným ptákům delší čas na krmení mláďat. To pomáhá denním ptákům vytvářet větší snůšky než související nemigrační druhy, které zůstávají v tropech. Jak se dny na podzim zkracují, ptáci se vracejí do teplejších oblastí, kde se dostupné zásoby potravy v závislosti na ročním období málo liší. Tyto výhody kompenzují vysoký stres, náklady na fyzickou námahu a další rizika migrace, jako je predace.

Mnoho ptáků migruje v hejnech. U větších ptáků se předpokládá, že létání v hejnech snižuje náklady na energii. Formace V má často zvýšit účinnost a dosah létajících ptáků, zejména na dlouhých migračních trasách. Všichni ptáci kromě prvního létají ve výplachu z jednoho z vírů křídel ptáka vpředu. Upwash pomáhá každému ptákovi podporovat jeho vlastní váhu za letu, stejným způsobem může kluzák stoupat nebo udržovat výšku neomezeně v stoupajícím vzduchu. Husy létající ve formaci V šetří energii létáním ve stoupavém proudu víru na konci křídla generovaného předchozím zvířetem ve formaci. Ptáci létající za sebou tedy nemusí pracovat tak tvrdě, aby dosáhli vztlaku. Studie ukazují, že ptáci ve formaci V se umisťují zhruba na optimální vzdálenost předpovídanou jednoduchou aerodynamickou teorií. [98] Husy ve V-formaci mohou ušetřit 12–20% energie, kterou by potřebovaly k létání samy. [99] [100] V radarových studiích bylo zjištěno, že červené uzly a dunliny létají v hejnech o 5 km za hodinu rychleji, než když letěly samy. [101] Ptáci létající na špičkách a vpředu se střídají včas a cyklicky, aby rovnoměrně rozložili letovou únavu mezi členy hejna. Formace také usnadňuje komunikaci a umožňuje ptákům udržovat vzájemný vizuální kontakt.

Ostatní zvířata mohou při migraci používat podobné kreslící techniky. Humři například migrují v úzkých souborech „humrových vlaků“, někdy i stovky mil.

Středozemní a další moře představují hlavní překážku pro vznášení ptáků, kteří musí překročit v nejužších místech. V době migrace prochází oblastmi jako Gibraltar, Falsterbo a Bospor obrovské množství velkých dravců a čápů. Běžnější druhy, například káně medonosnou evropskou, lze na podzim počítat ve stovkách tisíc. Jiné bariéry, jako jsou pohoří, mohou také způsobit tryskání, zejména u velkých denních migrantů. To je pozoruhodný faktor středoamerického migračního zúžení. Tato koncentrace ptáků během migrace může ohrozit druhy. Někteří velkolepí migranti již vyhynuli, nejpozoruhodnější je holub cestující. Během migrace byla hejna široká 1,6 kilometru a 500 kilometrů dlouhá, trvalo několik dní a obsahovala až miliarda ptáků.

Mořský život Upravit

Úpravy ryb

Termín „hejno“ lze použít k popisu jakékoli skupiny ryb, včetně skupin smíšených druhů, zatímco „škola“ se používá pro těsnější skupiny stejných druhů, které plavou vysoce synchronizovaným a polarizovaným způsobem.

Ryby získávají mnoho výhod plynoucích z hejnového chování, včetně obrany proti predátorům (díky lepší detekci predátorů a rozmělnění šance na zajetí), zlepšeného úspěchu při hledání potravy a vyššího úspěchu při hledání partnera. [103] Je také pravděpodobné, že ryby mají prospěch z členství v hejnech díky zvýšené hydrodynamické účinnosti. [104]

Ryby používají při výběru shoalmátů mnoho vlastností. Obecně dávají přednost větším mělčinám, shoalmátům vlastního druhu, shoalmátům podobným co do velikosti a vzhledu, zdravým rybám a příbuzným (pokud jsou rozpoznáni). „Efekt zvláštnosti“ předpokládá, že jakýkoli člen hejna, který vyniká vzhledem, bude přednostně zaměřen predátory. To může vysvětlovat, proč ryby dávají přednost hejnu s jedinci, kteří se jim podobají. Efekt zvláštnosti by tedy měl tendenci homogenizovat mělčiny. [105]

Jedním záhadným aspektem výběru mělčin je to, jak se ryba může rozhodnout připojit k hejnu zvířat, která jsou jí podobná, vzhledem k tomu, že nemůže znát svůj vlastní vzhled. Experimenty se zebrafish ukázaly, že preference mělčiny je naučená schopnost, ne vrozená. Zebřička má tendenci spojovat se s mělčinami, které připomínají mělčiny, ve kterých byla chována, což je forma otisku. [106]

Mezi další otevřené otázky chování hejna patří identifikace osob, které jsou zodpovědné za směr pohybu hejna. Zdá se, že v případě migračního pohybu většina členů hejna ví, kam jdou.V případě pasteveckého chování vede zajaté hejna zlatavého lesku (druh střevle) malý počet zkušených jedinců, kteří věděli, kdy a kde je k dispozici jídlo. [107]

Radakov odhaduje, že školy sleďů v severním Atlantiku mohou zabírat až 4,8 kubických kilometrů s hustotou ryb mezi 0,5 a 1,0 rybou/kubický metr. To je několik miliard ryb v jedné škole. [108]

  • Partridge BL (1982) „Struktura a funkce rybích škol“Scientific American, Červen: 114–123.
  • Parrish JK, Viscido SV, Grunbaum D (2002). „Samoorganizované rybí školy: Zkoumání naléhavých vlastností“ (PDF). Biol. Býk. 202 (3): 296–305. CiteSeerX10.1.1.116.1548. doi: 10,2307/1543482. JSTOR1543482. PMID12087003. S2CID377484.

Migrace ryb Upravit

V období od května do července se v chladných vodách Agulhas Bank rozmnožuje obrovské množství sardinek a poté následuje proud studené vody na sever podél východního pobřeží Jižní Afriky. Tato velká migrace, nazývaná sardinkový běh, vytváří podél pobřeží velkolepé krmné horečky, protože na školy útočí mořští predátoři, jako jsou delfíni, žraloci a ganety.

Krill Edit

Většina krillů, malých korýšů podobných krevetám, tvoří velké roje, někdy dosahující hustoty 10 000–60 000 jednotlivých zvířat na metr krychlový. [110] [111] [112] Rojení je obranný mechanismus, který mate menší dravce, kteří by chtěli vytipovat jednotlivé jedince. Největší roje jsou viditelné z vesmíru a lze je sledovat pomocí satelitu. [113] Byl pozorován jeden roj, který pokrýval plochu 450 kilometrů čtverečních (175 čtverečních mil) oceánu do hloubky 200 metrů (650 stop) a podle odhadů obsahoval přes 2 miliony tun krilu. [114] Nedávné výzkumy naznačují, že krill v těchto proudech jednoduše neuniká pasivně, ale ve skutečnosti je modifikuje. [114] Krill obvykle sleduje denní vertikální migraci. Tím, že se roje pohybují svisle oceánem v 12hodinovém cyklu, hrají hlavní roli při míchání hlubší vody bohaté na živiny s vodou chudou na živiny na povrchu. [114] Až donedávna se předpokládalo, že tráví den ve větších hloubkách a během noci stoupají k povrchu. Zjistilo se, že čím hlouběji jdou, tím více snižují svoji aktivitu, [115] zřejmě aby omezili setkání s predátory a šetřili energii.

Pozdější práce naznačovaly, že plavání v krillu se měnilo s plností žaludku. Nasycená zvířata, která se krmila na hladině, plavou méně aktivně, a proto klesají pod smíšenou vrstvu. [116] Když se potápějí, produkují fekálie, což může znamenat, že hrají důležitou roli v antarktickém uhlíkovém cyklu. Bylo zjištěno, že Krill s prázdným žaludkem plave aktivněji, a tak míří k hladině. To znamená, že vertikální migrace může být dvoudenní nebo třídenní. Některé druhy vytvářejí během dne povrchové roje ke krmení a reprodukčním účelům, přestože je takové chování nebezpečné, protože je činí extrémně zranitelnými vůči predátorům. [117] Husté roje mohou vyvolat krmné šílenství mezi rybami, ptáky a predátory savců, zejména v blízkosti povrchu. Když je roj vyrušen, rozptýlí se a u některých jedinců bylo dokonce pozorováno okamžité línání, takže exuvia zůstala jako návnada. [118] V roce 2012 Gandomi a Alavi představili něco, co se jeví jako úspěšný stochastický algoritmus pro modelování chování rojů krillů. Algoritmus je založen na třech hlavních faktorech: „(i) pohyb vyvolaný přítomností dalších jedinců (ii) činnost při hledání potravy a (iii) náhodná difúze“. [119]

Copepods Upravit

Copepods je skupina drobných korýšů nacházejících se v moři a jezerech. Mnoho druhů je planktonických (unášených v mořských vodách) a jiné jsou bentické (žijí na dně oceánu). Copepods jsou obvykle 1 až 2 milimetry (0,04 až 0,08 palce) dlouhý, s tělem ve tvaru slzy a velkými anténami. Ačkoli jako ostatní korýši mají obrněný exoskelet, jsou tak malé, že u většiny druhů je toto tenké brnění a celé tělo téměř zcela průhledné. Kopepody mají ve středu průhledné hlavy sloučeninu, střední jediné oko, obvykle jasně červené.

Rojí se i kopepodi. Například monospecifické roje byly pravidelně pozorovány kolem korálových útesů a mořské trávy a v jezerech. Hustota rojů byla asi jeden milion kopepodů na metr krychlový. Typické roje měly průměr jeden nebo dva metry, ale některé přesahovaly 30 metrů krychlových. Kopepodové potřebují vizuální kontakt, aby byli pohromadě, a v noci se rozcházejí. [120]

Jaro vytváří květy rojícího se fytoplanktonu, které poskytují potravu pro copepods. Planktonické kopepody jsou obvykle dominantními členy zooplanktonu a jsou zase hlavními potravními organismy pro mnoho dalších mořských živočichů. Zejména kopepody jsou kořistí pro krmení ryb a medúz, které se oba mohou shromáždit v obrovských milionových rojích. Některé kopepody mají extrémně rychlé únikové reakce, když je predátor vnímán a dokáže skákat vysokou rychlostí přes několik milimetrů (viz animovaný obrázek níže).

Foto: Škola sledě berana krmícího se rojem kopepodů.

Animace ukazující, jak mohou sledi synchronizovaným způsobem zachytit velmi ostražitý a vyhýbavý copepod (kliknutím zobrazíte).

Roje medúz loví také kopepody

Planktonické kopepody jsou důležité pro uhlíkový cyklus. Někteří vědci tvrdí, že tvoří největší živočišnou biomasu na Zemi. [121] O tento titul soutěží s antarktickým krillem. Vzhledem ke svým menším rozměrům a relativně rychlejším tempům růstu a protože jsou rovnoměrněji rozloženy ve více světových oceánech, kopepody téměř jistě mnohem více přispívají k sekundární produktivitě světových oceánů a ke globálnímu propadu uhlíku v oceánech, než krill a možná více než všechny ostatní skupiny organismů dohromady. Povrchové vrstvy oceánů jsou v současné době považovány za největší světový záchyt uhlíku, který absorbuje asi 2 miliardy tun uhlíku ročně, což odpovídá snad třetině lidských emisí uhlíku, čímž se snižuje jejich dopad. Mnoho planktonních kopepodů se v noci živí blízko povrchu a během dne se ponoří do hlubší vody, aby se vyhnuli vizuálním predátorům. Jejich svinuté exoskeletony, fekální pelety a dýchání do hloubky přináší uhlík do hlubokého moře.

Kvetoucí řasy Upravit

Mnoho jednobuněčných organismů zvaných fytoplankton žije v oceánech a jezerech. Pokud jsou přítomny určité podmínky, jako jsou vysoké hladiny živin nebo světla, tyto organismy se reprodukují výbušně. Výsledný hustý roj fytoplanktonu se nazývá řasový květ. Květy mohou pokrývat stovky kilometrů čtverečních a jsou snadno vidět na satelitních snímcích. Jednotlivé fytoplanktony zřídka žijí déle než několik dní, ale květy mohou trvat týdny. [122] [123]

Rostliny Upravit

Vědci připisují chování rojů rostlinám po stovky let. Ve své knize z roku 1800 Phytologia: aneb filozofie zemědělství a zahradničeníErasmus Darwin napsal, že růst rostlin připomínal roje pozorované jinde v přírodě. [124] Zatímco hovořil o širších pozorováních morfologie rostlin a soustředil se na chování kořenů i výhonků, nedávný výzkum toto tvrzení podpořil.

Zejména kořeny vykazují pozorovatelné chování roje, rostoucí ve vzorcích, které překračují statistický práh pro náhodnou pravděpodobnost, a indikují přítomnost komunikace mezi jednotlivými kořenovými vrcholy. Primární funkcí kořenů rostlin je příjem živin v půdě a právě tento účel řídí chování roje. Rostliny rostoucí v těsné blízkosti přizpůsobily svůj růst tak, aby byla zajištěna optimální dostupnost živin. Toho je dosaženo pěstováním ve směru, který optimalizuje vzdálenost mezi blízkými kořeny, čímž se zvyšuje jejich šance na využití nevyužitých zásob živin. Akce tohoto chování má dvě formy: maximalizaci vzdálenosti od sousedních kořenových vrcholů a odpuzování. [125] Přechodová zóna kořene je do značné míry zodpovědná za monitorování přítomnosti půdních hormonů a podle potřeby signalizuje citlivé vzorce růstu. Odpovědi rostlin jsou často složité a integrují více vstupů, aby informovaly o autonomní reakci. Mezi další vstupy, které informují o růstu roje, patří světlo a gravitace, oba jsou také monitorovány v přechodové zóně vrcholu kořene. [126] Tyto síly působí na informování libovolného počtu rostoucích „hlavních“ kořenů, které vykazují svá vlastní nezávislá uvolňování inhibičních chemikálií, aby vytvořily vhodné mezery, čímž přispívají k chování roje. Horizontální růst kořenů, ať už v reakci na vysoký obsah minerálů v půdě nebo v důsledku růstu stolonů, vytváří rozvětvený růst, který vytváří také vlastní, nezávislé kořenové roje. [127]

Bakterie Upravit

Rojení také popisuje seskupení některých druhů dravých bakterií, jako jsou myxobakterie. Myxobakterie se rojí společně ve „vlčích smečkách“, aktivně se pohybují pomocí procesu známého jako bakteriální klouzání a drží se pohromadě pomocí mezibuněčných molekulárních signálů. [56] [128]

Savci Upravit

  • Parrish JK, Edelstein-Keshet L (1999). „Složitost, struktura a evoluční kompromisy v agregaci zvířat“ (PDF). Věda. 284 (5411): 99–101. Bibcode: 1999Sci. 284. 99P. CiteSeerX10.1.1.560.5229. doi: 10,1126/věda.284,5411,99. PMID10102827. Archivováno z originálu (PDF) dne 2011-07-20.

Sbírka lidí může také projevovat chování roje, například chodci [131] nebo vojáci rojící parapety [131] pochybný - diskutujte ]. V německém Kolíně nad Rýnem dva biologové z University of Leeds prokázali chování podobné hejnu u lidí. Skupina lidí vykazovala podobný vzorec chování jako hejno, kde kdyby pět procent stáda změnilo směr, ostatní by ho následovali. Pokud byla jedna osoba označena za predátora a všichni ostatní se mu měli vyhnout, hejno se chovalo velmi podobně jako hejno ryb. [132] [133] Pochopení interakce lidí v davu je důležité, má -li správa davu účinně zabránit obětem na fotbalových hřištích, hudebních koncertech a stanicích metra. [134]

Matematické modelování chování vločkování je běžnou technologií a našlo využití v animaci. V mnoha filmech [135] byly použity simulace vločkování ke generování davů, které se pohybují realisticky. Tima Burtona Batman se vrací byl první film, který k vykreslení použil technologii roje, realisticky zobrazující pohyby skupiny netopýrů pomocí systému boids. Pán prstenů filmová trilogie využívala během bitevních scén podobnou technologii, známou jako Massive. Technologie Swarm je obzvláště atraktivní, protože je levná, robustní a jednoduchá.

K vyhodnocení chování při nastupování do letadla byla použita také počítačová simulace na bázi mravenců využívající pouze šest pravidel interakce. [136] Letecké společnosti také používaly směrování na základě mravenců při přiřazování příletů letadel k letištním branám. Systém leteckých společností vyvinutý Douglasem A. Lawsonem využívá teorii roje nebo inteligenci roje - myšlenku, že kolonie mravenců funguje lépe než samotná. Každý pilot se chová jako mravenec, který hledá nejlepší letištní bránu. „Pilot se ze své zkušenosti učí, co je pro něj nejlepší, a ukazuje se, že je to nejlepší řešení pro leteckou společnost,“ vysvětluje Lawson. Výsledkem je, že „kolonie“ pilotů vždy jde k branám, kam mohou rychle dorazit a odejít. Program může dokonce upozornit pilota na zálohování letadel, než k nim dojde. „Můžeme předvídat, že se to stane, takže budeme mít k dispozici bránu,“ říká Lawson. [137]

Rojové chování se vyskytuje také v dynamice toku dopravy, jako je například dopravní vlna. V mravenčích stezkách lze pozorovat obousměrný provoz. [138] [139] V posledních letech bylo toto chování zkoumáno za účelem nahlédnutí do modelů chodců a provozu. [140] [141] Simulace založené na modelech pro chodce byly také použity na davy, které se kvůli panice tlačí. [142]

Chování stáda v marketingu bylo použito k vysvětlení závislostí vzájemného chování zákazníků. Ekonom informoval o nedávné konferenci v Římě na téma simulace adaptivního lidského chování. [143] Sdílelo mechanismy ke zvýšení impulzivního nákupu a přimělo lidi „kupovat více hraním na instinkt stáda“. Základní myšlenkou je, že lidé budou kupovat více produktů, které jsou považovány za populární, a je zmíněno několik mechanismů zpětné vazby, které mají spotřebitelům získat informace o popularitě produktů, včetně technologie čipových karet a používání technologie Radio Frequency Identification Tag. Model „rojových tahů“ představil výzkumný pracovník Floridského technologického institutu, který je pro supermarkety přitažlivý, protože může „zvýšit tržby bez nutnosti poskytovat lidem slevy“.

  • Helbing D, Keltsch J, Molnar P (1997). „Modelování vývoje systémů lidských stop“. Příroda. 388 (6637): 47–50. arXiv: cond-mat/9805158. Bibcode: 1997Natur.388. 47H. doi: 10,1038/40353. PMID9214501. S2CID4364517.
  • Helbing D, Farkas I, Vicsek T (2000). „Simulace dynamických vlastností únikové paniky“. Příroda. 407 (6803): 487–490. arXiv: cond-mat/0009448. Bibcode: 2000Natur.407..487H. doi: 10,1038/35035023. PMID11028994. S2CID310346.
  • Helbing D, Farkas IJ, Vicsek T (2000). „Zmrazení zahříváním v řízeném mezoskopickém systému“. Fyzické revizní dopisy. 84 (6): 1240–1243. arXiv: cond-mat/9904326. Bibcode: 2000PhRvL..84.1240H. doi: 10,1103/PhysRevLett.84.1240. PMID11017488. S2CID18649078.

Aplikace principů roje na roboty se nazývá rojová robotika, zatímco rojová inteligence se týká obecnější sady algoritmů.

Externí video
Roj nano kvadrotorů - Youtube [144]
Pochod mikroskopických robotů Nature Video, Youtube

Vědci, částečně inspirovaní koloniemi hmyzu, jako jsou mravenci a včely, modelují chování rojů tisíců malých robotů, kteří společně plní užitečný úkol, například najít něco skrytého, vyčistit nebo špehovat. Každý robot je docela jednoduchý, ale vznikající chování roje je složitější. [1] Celou sadu robotů lze považovat za jeden jediný distribuovaný systém, stejně tak lze kolonii mravenců považovat za superorganismus vykazující rojovou inteligenci. Největší dosud vytvořené roje je 1024 robotický roj Kilobot. [145] Mezi další velké roje patří roj iRobot, projekt SRI International/ActivMedia Robotics Centibots, [146] a roj Open-source Micro-robotic Project, který se používá k výzkumu kolektivního chování. [147] [148] Roje jsou také odolnější vůči selhání. Zatímco jeden velký robot může selhat a zničit misi, roj může pokračovat, i když několik robotů selže. To by je mohlo zatraktivnit pro vesmírné průzkumné mise, kde je selhání obvykle extrémně nákladné. [149] Kromě pozemních vozidel zahrnuje rojová robotika také výzkum rojů leteckých robotů [144] [150] a heterogenních týmů pozemních a leteckých vozidel. [151] [152]

Vojenské rojení je chování, při kterém autonomní nebo částečně autonomní akční jednotky útočí na nepřítele z několika různých směrů a poté se přeskupují. Pulzující, kde jednotky přesouvají bod útoku, je také součástí vojenského rojení. Vojenské rojení zahrnuje použití decentralizované síly proti soupeři způsobem, který zdůrazňuje mobilitu, komunikaci, autonomii jednotky a koordinaci nebo synchronizaci. [153] Historicky vojenské síly používaly principy rojení, aniž by je skutečně výslovně zkoumaly, ale nyní aktivní výzkum vědomě zkoumá vojenské doktríny, které čerpají myšlenky z rojení.

Pouze proto, že se na cíl sbíhá více jednotek, nemusí se nutně rojit. Obléhací operace nezahrnují rojení, protože neexistuje žádný manévr, dochází ke sbližování, ale na obléhané opevnění. Ani přepadení partyzány nepředstavují roje, protože jsou „zasaženi“. I když přepadení může mít několik bodů útoku na nepřítele, partyzáni se stáhnou, když buď způsobí dostatečné poškození, nebo když jsou ohroženi.

V roce 2014 zveřejnil americký úřad námořního výzkumu video, které ukazuje testy roje malých autonomních útočných člunů dronů, které mohou jako skupina řídit a provádět koordinované útočné akce. [154]

Salpy uspořádané v řetězech tvoří obrovské roje. [155]

Lidé rojící se východem se nechovají vždy jako tekutina. [156] [157]


Reference

Amador-Angulo L, Mendoza O, Castro JR, Rodríguez-Díaz A, Melin P, Castillo O (2016) Fuzzy sady v dynamické adaptaci parametrů optimalizace včelstva pro řízení trajektorie autonomního mobilního robota. Senzory 16: 1458

Amador-Angulo L, Castillo O et al (2018) Nová optimalizace fuzzy včelstev s dynamickou adaptací parametrů pomocí fuzzy logiky intervalu typu 2 pro ladění fuzzy regulátorů. Soft Comput 22 (2): 571–594

Angeline PJ (1998) Použití selekce ke zlepšení optimalizace částicového roje. IEEE, Anchorage, str. 84–89

Angeline PJ (2005) Evoluční optimalizace versus optimalizace částicového roje: rozdíly ve filozofii a výkonu, evoluční programování. In: VII, poznámky z přednášek z informatiky, sv. 1447, s. 601–610

Beni G (1988) Koncept buněčného robotického systému. IEEE Computer Society Press, Los Alamitos, s. 57–62

Beni G, Hackwood S (1992) Stacionární vlny v cyklických rojích. IEEE Computer Society Press, Los Alamitos, s. 234–242

Beni G, Wang J (1989) Rojová inteligence. RSJ Press, Tokio, s. 425–428

Bonabeau E, Dorigo M, Theraulaz G (1997) Rojová inteligence. Oxford University Press, Oxford

Caraveo C, Valdez F, Castillo O (2017) Nová meta-heuristika optimalizace s dynamickou adaptací parametrů pomocí fuzzy logiky typu 2 pro řízení trajektorie mobilního robota. Algoritmy 10 (3): 85

Caraveo C, Valdez F, Castillo O et al (2018) Nový optimalizační meta-heuristický algoritmus založený na sebeobranném mechanismu rostlin se třemi operátory reprodukce. Soft Comput 22 (15): 4907–4920

Castillo O, Amador-Angulo L (2018) Zobecněný fuzzy logický přístup typu 2 pro dynamickou adaptaci parametrů při optimalizaci včelstva aplikovaného na fuzzy regulátor. Inf Sci 460–461: 476–496

Castillo O, Melin P (2002) Hybridní inteligentní systémy pro predikci časových řad pomocí neuronových sítí, fuzzy logiky a fraktální teorie. IEEE Trans Neural Netw 13: 1395–1408

Castillo O, Neyoy H, Soria J, García M, Valdez F (2013) Dynamické ladění parametrů fuzzy logiky pro ACO a jeho aplikace v řízení fuzzy logiky autonomního mobilního robota. Int J Adv Robot Syst 10 (1): 51

Castillo O, Amador-Angulo L, Castro JR, Valdez MG et al (2016) Srovnávací studie fuzzy logických systémů typu 1, intervalových fuzzy logických systémů typu 2 a generalizovaných fuzzy logických systémů typu 2 v řídících problémech. Inf Sci 354: 257–274

Castillo O, Melin P, Valdez F, Soria J, Ontiveros-Robles E, Peraza C, Ochoa P et al (2019a) Stínované fuzzy systémy typu 2 pro dynamickou adaptaci parametrů v algoritmech pro hledání harmonie a diferenciální evoluci. Algoritmy 12 (1): 17

Castillo O, Valdez F, Soria J, Amador-Angulo L, Ochoa P, Peraza C et al (2019b) Srovnávací studie v optimalizaci fuzzy řadiče pomocí algoritmů včelstva, diferenciální evoluce a harmonie. Algoritmy 12 (9): 1–21

Castro JR, Castillo O, Melin P, Díaz AR et al (2008) Budování fuzzy inferenčních systémů s novým intervalovým fuzzy logickým souborem nástrojů typu 2. Trans Comput Sci 1: 104–114

Cervantes L, Castillo O, Hidalgo D, Martínez-Soto R et al (2018) Fuzzy dynamická adaptace generování mezery a mutace v genetické optimalizaci fuzzy regulátorů typu 2. Adv Oper Res 2018: 1–13

Cheung NJ, Ding XM, Shen HB (2014) Algoritmus adaptivní světlušky: analýza parametrů a její aplikace. PloS 9 (11): 112634

Chu S-C, Tsai PW, Pan J-S (2006) Optimalizace kočičího roje. In: PRICAI

Colorni A, Dorigo M, Maniezzo V (1992) Distribuovaná optimalizace koloniemi mravenců. MIT Press, Cambridge, str. 134–142

Cupal et al (1996) Dynamický programovací algoritmus pro hustotu stavů sekundárních struktur RNA. Comput Sci Biol 184–186

Dorigo M (1992) Optimalizace, učení a přirozené algoritmy. Ph.D. Diplomová práce, Politecnico di Milano, Milano

Dorigo M (1994) Učení pomocí pravděpodobnostních booleovských sítí. In: Proceedings of 1994 IEEE international conference on neurural networks (ICNN'94), vol 2. Orlando, FL, USA, pp 887–891. https://doi.org/10.1109/ICNN.1994.374297

Dorigo M, Caro GD (1999a) Optimalizace kolonie mravenců: nová metaheuristika, sv. 2, s. 1477

Dorigo M, Caro GD (1999b) Metheuristická optimalizace kolonií mravenců. In: Corne D, Dorigo M, Glover F (eds) Nové nápady v optimalizaci. McGraw-Hill, New York City, str. 11–32

Dorigo M, Gambardella L (1996) Studie některých vlastností mravence-Q, str. 656–665

Dorigo M, Gambardella L (1997) Mravenčí kolonie pro problém obchodního cestujícího. Biosystems 43 (2): 73–81

Filho CJAB, Neto FL, Lins AJCC, Nascimento AIS, Lima MP (2008) Nový vyhledávací algoritmus založený na chování školy ryb. In: Mezinárodní konference IEEE o systémech, člověku a kybernetice. SMC 2008, s. 2646–2651

Fogel LJ (1962) Autonomní automaty. Ind Res 4: 14–19

Frumen O, Fevrier V, Castillo O, Gonzalez CI, Martinez G, Melin P et al (2017) Optimalizace kolonií mravenců s dynamickou adaptací parametrů na základě intervalových fuzzy logických systémů typu 2. Appl Soft Comput 53: 74–87

Gaxiola F, Melin P, Valdez F, Castro JR, Manzo-Martínez A et al (2019) PSO s dynamickou adaptací parametrů pro optimalizaci v neuronových sítích s váhami fuzzy čísel typu 2. Axiomy 8:14

Glover F (1989) Tabu search — part I. ORSA J Comput 1 (3): 190–206

Goel N, Gupta D, Goel S et al (2013) Výkon algoritmu světlušek a netopýrů pro neomezené problémy s optimalizací. Int J Adv Res Comput Sci Softw Eng 31: 1405–1409

Gonzalez CI, Melin P, Castro JR, Castillo O, Mendoza O (2016) Optimalizace intervalových fuzzy systémů typu 2 pro detekci hran obrazu. Appl Soft Comput 47: 631–643

Grobler J, Engelbrecht AP et al (2018) Aritmetické a rodičovské operátory bezhlavého kuřecího crossoveru pro algoritmy pro optimalizaci dynamického roje částic. Soft Comput 22 (18): 5965–5976

Havens TC, Španělsko CJ, Salmon NG, Keller JM (2008) Optimalizace zamoření plotice. In: Sympózium rojové inteligence IEEE, SIS 2008

Hedayatzadeh R, Salmassi FA, Keshtgari M, Akbari R, Ziarati K et al (2010) Optimalizace kolonií termitů: nový přístup k optimalizaci souvislých problémů. In: 2010 18. íránská konference o elektrotechnice, s. 553–558

Hernández H, Blum C (2012) Distribuované barvení grafu: přístup založený na chování volání japonských rosniček. Swarm Intell 6 (2): 117–150

Holland JH (1975) Adaptace v přírodních a umělých systémech: úvodní analýza s aplikacemi v biologii, řízení a umělé inteligenci. Ann Arborová

Holland J, Selfridge O, Rissland E, Arbib M et al (1984) Genetické algoritmy a adaptace. In: Adaptivní řízení špatně definovaných systémů. Konferenční řada NATO (II systems science), vol. 16. Springer, Boston, MA

Juang C, Hung C (2016) Fuzzy systémy evolučního intervalu typu 2 využívající algoritmy optimalizace kontinuálních kolonií mravenců. In: 2016 IEEE 11. konference o průmyslové elektronice a aplikacích (ICIEA), s. 26. – 31

Kaur A, Kaur A, Sharma S (2018) Víceobjektivní optimalizace založená na PSO pro přizpůsobení parametrů v IoT založených na CR. In: 2018 4th international conference on computational intelligence communication technology (CICT), pp 1–7

Kaveh A, Farhoudi N (2013) Nová metoda optimalizace: echolokace delfínů. Adv Eng Softw 59: 53–70

Kennedy J, Eberhart RC (1995a) Optimalizace roje částic. In: Sborník z mezinárodní konference IEEE o neuronových sítích, s. 1942–1948

Kennedy J, Eberhart RC (1995b) Optimalizace roje částic, str. 1942–1948

Kirkpatrick S, Gelatt CD, Vecchi MP (1983) Optimalizace simulovaným žíháním. Věda 220 (4598): 671–680

Krishnanand KN, Ghose D (2009) Optimalizace roje Glowworm pro současné zachycení více lokálních optim multimodálních funkcí. Swarm Intell 3: 87–124

Lagunes ML, Castillo O, Valdez F, Soria J (2019) Multi-metaheuristický konkurenční model pro optimalizaci fuzzy regulátorů. Algoritmy 12 (5): 90

Li SG, Rong YL (2009) Spolehlivá konstrukce jednodílného systému pro produkci toku využívající optimalizaci fuzzy mravenčí kolonie. Comput Oper Res 36 (5): 1656–1663

Li X, Yin M et al (2015) Upravený algoritmus vyhledávání kukačky s metodou adaptivních parametrů. Inf Sci 298: 80–97

Lučić P, Teodorović D (2001) Včelí systém: modelování kombinatorické optimalizace dopravních technických problémů pomocí rojové inteligence. In: Předtisky tříletého sympozia RISTAN IV o dopravní analýze, Sao Miguel, Azory. Portugalsko, str. 441–445

Lučić P, Teodorović D (2002) Transportation modeling: an umelý životní přístup, Washington, DC, s. 216–223

Lučić P, Teodorović D (2003) Problém směrování vozidla s nejistou poptávkou v uzlech: včelí systém a fuzzy logický přístup. In: Verdegay JL (ed) Fuzzy sady v optimalizaci. Springer, Heidelberg, str. 67–82

Marković G, Teodorović D, Aćimović-Raspopović V (2007) Směrování a přiřazení vlnových délek ve všech optických sítích na základě optimalizace včelstva. AI Commun 20: 273–285

Mehta VK, Dasgupta B (2012) Omezený optimalizační algoritmus založený na metodě simplexového vyhledávání. Eng Optim 44 (5): 537–550

Melin P, Olivas F, Castillo O, Valdez F, Soria J, Valdez JMG et al (2013) Optimální návrh fuzzy klasifikačních systémů využívajících PSO s dynamickou adaptací parametrů pomocí fuzzy logiky. Expert Syst Appl 40 (8): 3196–3206

Mozaffari A, Fathi A, Behzadipour S et al (2012) The Great Salmon Run: nový bioinspirovaný algoritmus pro návrh a optimalizaci umělého systému. Int J Bio-Inspired Comput 4 (5): 286-301

Mukherjee A, Roy K, Jana D, Hossain SA (2019) Kvalitativní optimalizace modelu mandlí (Terminalia catappa) olej využívající extrakci Soxhlet ve fuzzy prostředí typu 2. Soft Comput. https://doi.org/10.1007/s00500-019-04158-1

Olivas F, Valdez F, Castillo O, Melin P (2016) Dynamická adaptace parametrů při optimalizaci roje částic pomocí fuzzy logiky intervalu typu 2. Soft Comput 20 (3): 1057–1070

Olivas F, Amador-Angulo L, Pérez J, Caraveo C, Valdez F, Castillo O et al (2017) Srovnávací studie algoritmů fuzzy částice roje typu 2, včelstva a netopýrů v optimalizaci fuzzy regulátorů. Algoritmy 10 (3): 101

Olivas F, Valdez F, Melin P, Sombra A, Castillo O et al (2019) Intervalová fuzzy logika typu 2 pro dynamickou adaptaci parametrů v modifikovaném algoritmu gravitačního vyhledávání. Inf Sci 476: 159–175

Peraza C, Valdez F, Valdez MG, Melin P, Castillo O (2016) Nový algoritmus pro hledání fuzzy harmonie využívající fuzzy logiku pro dynamickou adaptaci parametrů. Algoritmy 9 (4): 69

Peraza C, Valdez F, Castro JR, Castillo O (2018) Fuzzy dynamická adaptace parametrů v algoritmu hledání harmonie pro optimalizaci kulového a paprskového ovladače. Adv Oper Res 2018: 1–16

Pérez J, Valdez F, Castillo O (2015) Nové rozšíření algoritmu bat pomocí fuzzy logiky pro dynamickou adaptaci parametrů. In: Proceedings of pokroky v umělé inteligenci a soft computingu - 14. mexická mezinárodní konference o umělé inteligenci, MICAI, 2015, Cuernavaca, Morelos, Mexiko, 25. – 31. Října 2015, část I, s. 433–442

Pérez J, Valdez F, Castillo O et al (2017a) Modifikace netopýřího algoritmu pomocí fuzzy logiky typu 2 pro dynamickou adaptaci parametrů

Pérez J, Valdez F, Castillo O, Melin P, González CI, Martinez G et al (2017b) Intervalová fuzzy logika typu 2 pro dynamickou adaptaci parametrů v netopýřím algoritmu. Soft Comput 21 (3): 667–685

Reynolds RG (1994) Úvod do kulturních algoritmů, str. 131–139

Rodrigues D, Pereira LAM, Nakamura R, Costa KAP, Yang X-S, de Souza AN, Papa JP (2013) Obalový přístup pro výběr funkcí na základě netopýřího algoritmu a lesa optimálních cest. Expert Syst Appl 41: 2250–2258

Sakoe H, Chiba S et al (1978) Optimalizace algoritmu dynamického programování pro rozpoznávání mluveného slova. Proces přenosu signálu IEEE Trans Acoust 26: 43–49

Shi Y (2011) Algoritmus optimalizace mozkové bouře. In: ICSI

Smith J, Fogarty TC (1997) Operátor a adaptace parametrů v genetických algoritmech. Soft Comput 1 (2): 81–87

Spendley W, Hext GR, Himsworth FR (1962) Sekvenční aplikace simplexových návrhů v optimalizaci a evolučním provozu. Technometrics 4 (4): 441–461

Sur C, Sharma S, Shukla A, Meesad P, Unger H, Boonkrong S et al (2013) Egyptský algoritmus optimalizace supů-nová meta-heuristika inspirovaná přírodou inspirovaná problémem batohu. In: 9. mezinárodní konference o výpočetní a informační technologii (IC2IT2013). Pokroky v inteligentních systémech a výpočetní technice, díl 209. Springer, Berlin

Tang R, Fong S, Yang X, Deb S (2012) Algoritmus pro vyhledávání vlků s pomíjivou pamětí. In: 7. mezinárodní konference o správě digitálních informací (ICDIM 2012), s. 165–172

Teodorović D (2003) Transportní modelování systémy s více agenty: přístup rojové inteligence. Transp Plan Technol 26: 289–312

Teodorović D, Dell’Orco M (2005) Optimalizace včelstva - kooperativní učební přístup ke komplexním dopravním problémům. In: Advanced OR and AI methods in transport, Poznan, Poland, pp 51–60

Teodorović D, Šelmić M (2007) Algoritmus BCO pro střední problém. (v srbštině)

Teodorović D, Lučić P, Marković G, Dell’Orco M (2006) Optimalizace včelstva: principy a aplikace. University of Belgrade, Belgrade, pp 151–156

Thangaraj R, Pant M, Abraham A, Bouvry P et al (2011) Optimalizace roje částic: perspektivy hybridizace a experimentální ilustrace. Matematický výpočet Appl 217 (12): 5208–5226

Tongchim S, Chongstitvatana P (2002) Paralelní genetický algoritmus s adaptací parametrů. Inf Process Lett 82 (1): 47–54

Valdez F, Melin P, Castillo O (2010) Fuzzy řízení parametrů pro dynamické přizpůsobení algoritmů PSO a GA. In: International conference on fuzzy systems, pp 1–8

Valdez F, Melin P, Castillo O (2012) Optimalizace roje paralelních částic s přizpůsobením parametrů pomocí fuzzy logiky. In: Advances in computational intelligence — 11. mexická mezinárodní konference o umělé inteligenci, MICAI, 2012, San Luis Potosí, Mexiko, 27. října - 4. listopadu 2012. revidované vybrané příspěvky, část II, str. 374–385

Valdez F, Melin P, Castillo O et al (2014) Průzkum optimalizačních algoritmů inspirovaných přírodou s fuzzy logikou pro dynamickou adaptaci parametrů. Expert Syst Appl 41 (14): 6459–6466

Wansheng ZRT (2008) Opičí algoritmus pro globální numerickou optimalizaci. J Nejistá Syst 2 (3): 164–175

Wu T, Yao M, Yang J (2016) Algoritmus roje delfínů. Front Inf Technol Electron Eng 17 (8): 717–729

Yang XS (2010) Nový metaheuristický algoritmus inspirovaný netopýry. Cambridge 2: 1

Yang X-S (2013) Algoritmus opylování květin pro globální optimalizaci. e-výtisky arXiv

Yang XS, Deb S (2009) Hledání kukačky prostřednictvím letů s odvody. In: Sborník ze světového kongresu o přírodě biologicky inspirovaných počítačů, NaBIC, Indie. IEEE Publications, str. 210–214

Zhang LM, Dahlmann C, Zhang Y (2009) Algoritmy inspirované lidmi pro kontinuální optimalizaci funkcí. In: 2009 Mezinárodní konference IEEE o inteligentních počítačích a inteligentních systémech, sv. 1, s. 318–321


Inteligentní analýza

Vědci také navrhli několik dalších hypotéz, které vysvětlují individuální variace lidské inteligence. Rozmanitost navrhovaných mechanismů podtrhuje vědeckou nejistotu ohledně toho, jak vzniká inteligence. Níže jsou uvedeny tři z těchto hypotéz, z nichž každá je podložena experimentálními důkazy a výpočetním modelováním:

Miller má podezření, že tyto vlny „usměrňují provoz“ v mozku a zajišťují, aby se nervové signály dostaly k příslušným neuronům, kdykoli to potřebují. "Gamma je zdola nahoru-nese obsah toho, o čem přemýšlíš." A beta je shora dolů-nese řídicí signály, které určují, o čem si myslíte, “říká. "Pokud tvoje beta není dost silná na to, aby ovládala gama, dostaneš mozek, který nedokáže filtrovat rušivé vlivy."

Celkový vzor mozkové komunikace je dalším kandidátem na vysvětlení inteligence. Začátkem tohoto roku navrhl Aron Barbey, výzkumník psychologie na University of Illinois v Urbana-Champaign, tuto myšlenku, kterou nazývá teorie síťové neurovědy, 5 citující studie, které ke sledování spojení mezi oblastmi mozku používaly techniky jako difuzní tenzor MRI . Barbey není zdaleka první, kdo naznačuje, že schopnost různých částí mozku komunikovat mezi sebou je ústředním bodem inteligence, ale celo mozková povaha teorie síťové neurovědy kontrastuje se zavedenějšími modely, jako je teorie parieto-frontální integrace , které se zaměřují na konkrétní regiony. "Obecná inteligence pochází z individuálních rozdílů v topologii a dynamice lidského mozku v celém systému," říká Barbey Vědec.

Obecná inteligence vychází z individuálních rozdílů v celosystémové topologii a dynamice lidského mozku.

Emiliano Santarnecchi z Harvardské univerzity a Simone Rossi z Univerzity v Sieně v Itálii také tvrdí, že inteligence je vlastností celého mozku, ale jako klíč k chytrosti vidí celkovou plasticitu. Plasticitu, schopnost mozku reorganizovat, lze měřit pomocí povahy mozkové aktivity generované v reakci na transkraniální magnetickou nebo elektrickou stimulaci, říká Santarnecchi. "Existují jednotlivci, kteří vytvářejí odezvu pouze u ostatních uzlů stejné sítě, na které se zaměřujeme," říká. A pak jsou lidé, v jejichž mozcích "se signál začíná šířit všude." Jeho skupina zjistila, že vyšší inteligence, měřená testy IQ, odpovídá odezvě specifické pro síť, což Santarnecchi předpokládá „odráží nějaký druh“. . . vyšší účinnost v inteligentnějších mozcích. “

Navzdory odhaleným radám ohledně toho, jak vzniká inteligence, je Santarnecchi frustrovaný z toho, že výzkum nepřinesl konkrétnější odpovědi na to, co považuje za jeden z ústředních problémů neurovědy. Aby tento nedostatek vyřešil, nyní stojí v čele konsorcia kognitivních neurovědců, inženýrů, evolučních biologů a výzkumníků z jiných oborů, aby diskutovali o přístupech k získání biologického základu inteligence. Santarnecchi by rád viděl manipulace s mozkem - například prostřednictvím neinvazivní stimulace - aby se dostal do příčinných vztahů mezi mozkovou aktivitou a kognitivním výkonem. "Víme teď hodně o inteligenci," říká, "ale myslím, že je načase zkusit odpovědět na otázku jiným způsobem."


Informace o autorovi

Přidružení

Neurochirurgické oddělení, Cancer Center Amsterdam, Amsterdam UMC, VU University Medical Center, Amsterdam, Nizozemsko

Myron G. Best, Sjors G. J. G. In ’t Veld & amp; Thomas Wurdinger

Ústav patologie, Cancer Center Amsterdam, Amsterdam UMC, VU University Medical Center, Amsterdam, Nizozemsko

Brain Tumor Center Amsterdam, Amsterdam UMC, VU University Medical Center, Amsterdam, Nizozemsko

Myron G. Best, Sjors G. J. G. In ’t Veld, Nik Sol & amp Thomas Wurdinger

Neurologické oddělení, Cancer Center Amsterdam, Amsterdam UMC, VU University Medical Center, Amsterdam, Nizozemsko

Tohoto autora můžete také vyhledat v PubMed Google Scholar

Tohoto autora můžete také vyhledat v PubMed Google Scholar

Tohoto autora můžete také vyhledat v PubMed Google Scholar

Tohoto autora můžete také vyhledat v PubMed Google Scholar

Příspěvky

M.G.B. a T.W. navrhl potrubí thromboSeq a napsal rukopis. S.G.J.G.I.t.V. a N. S. přispěl k návrhu protokolu suché a mokré laboratoře.

Odpovídající autoři


Nový biologický organismus

Rozdíl mezi těmito projekty a xenoboty spočívá v tom, že tyto projekty jednoduše nevyužívají technologické komponenty k posílení schopností biologického organismu, ale vytvářejí zcela nový biologický organismus, který lze — nebo přinejmenším bude ovládat#8212 jako zcela umělý robot.

"Xenoboti navržení A.I. rozebírají definice robota i organismu, protože ztělesňují rysy obou," řekl Josh Bongard, profesor katedry počítačových věd University of Vermont, pro Digital Trends. "Jsou jako roboti, protože jsou navrženi tak, aby vykonávali nějakou užitečnou funkci pro lidi samostatně." Ale jsou to také organismy v tom smyslu, že jsou to geneticky nemodifikované žáby, jen tlačené do velmi odlišných forem a funkcí. “

Živé robotické roje

Xenoboti, jejich tvůrci slibují, pravděpodobně budou mít řadu různých aplikací, a to jak dlouhodobých, tak blízkých. Levin navrhl, že krátkodobé možnosti mohou zahrnovat čištění a snímání životního prostředí, protože použití obojživelných buněk používaných k životu ve vodě o venkovní teplotě, které jsou biologicky rozložitelné zhruba za týden, by je mohlo dokonale přizpůsobit těmto scénářům. Roboti dokážou metabolizovat nebezpečné chemikálie a cítit malé množství znečišťujících látek.Mají dokonce základní, v současné době primitivní způsoby zaznamenávání zkušeností s životním prostředím — zářením červené barvy a změnou tvaru, když jsou vystaveni určitým podmínkám.

"Z hlediska životního prostředí by mohly být použity pro biologickou detekci a bioremediaci," řekl Blackiston. "Mohli bychom naprogramovat živé roboty tak, aby vnímali znečišťující látky, a doufejme, že je vyhledáme a zničíme." Jakmile dokončí svou práci, [pak] se mohou neškodně rozkládat v životním prostředí [aniž by po sobě zanechali jakýkoli umělý odpad “.

Dlouhodobější vize je zaměřena na regenerativní medicínu. "Téměř všechny problémy biomedicíny — traumatické poranění, stárnutí, rakovina, vrozené vady — by bylo možné porazit, kdybychom věděli, jak motivovat buněčné kolektivy k budování komplexních orgánů, které chceme," řekl Levin.

Vědci spekulují, že pro různé případy použití bude možné postavit roboty z různých různých typů buněk. "Dokážete si představit použití podobného systému k dodávání léků u lidského pacienta nebo pomoci v procesu opravy po zranění," řekl Blackiston. "Pokud by byly vyrobeny z vlastních kmenových buněk pacienta, umožnilo by nám to vytvořit biokompatibilní roboty, které by se od pacienta přirozeně odstranily poté, co dokončí svou práci."


Srovnávací analýza technik rojové inteligence pro výběr funkcí při klasifikaci rakoviny

Výběr funkcí v klasifikaci rakoviny je ústřední oblastí výzkumu v oblasti bioinformatiky a slouží k výběru informačních genů z tisíců genů mikročipu. Geny jsou seřazeny podle T-statistiky, poměr signálu k šumu (SNR) a F-testovací hodnoty. Technika rojové inteligence (SI) zjišťuje informativní geny z nejvýše umístěných genů. Tyto vybrané geny se používají ke klasifikaci. V tomto příspěvku je pro výběr funkcí navržena zamíchaná žába skákající letem Lévy (SFLLF). V SFLLF je zahrnut let Lévy, aby se zabránilo předčasné konvergenci algoritmu SFL (shuffled frog leaping). K výběru funkcí, které identifikují informativní geny pro klasifikaci, se používají techniky SI, jako je optimalizace částicového roje (PSO), kukačkové vyhledávání (CS), SFL a SFLLF. The k-nejbližší soused (k-NN) se používá ke klasifikaci vzorků. Navrhovaná práce je aplikována na 10 různých srovnávacích datových souborech a zkoumána pomocí technik SI. Experimentální výsledky ukazují, že výsledky získané z k-NN klasifikátor prostřednictvím metody výběru funkcí SFLLF překonává PSO, CS a SFL.

1. Úvod

Byly navrženy hojné metody a techniky pro klasifikaci rakoviny pomocí dat exprese genů microarray. Rychlé a nedávné pokroky v technologii genové exprese mikročipů usnadnily současné měření expresních úrovní desítek tisíc genů v jednom experimentu za rozumnou cenu. Profil genové exprese metodou microarray se ukázal jako schopná technika pro klasifikaci a diagnostickou predikci rakoviny.

Surová data mikročipů jsou obrazy, které jsou transformovány do matic genové exprese. Řádky v matici odpovídají genům a sloupce představují vzorky nebo zkušební podmínky. Číslo v každé buňce označuje úroveň exprese konkrétního genu v konkrétním vzorku nebo stavu. Úrovně výrazu mohou být absolutní nebo relativní. Pokud jsou dva řádky podobné, znamená to, že příslušné geny jsou spoluregulované a možná funkčně příbuzné. Porovnáním vzorků lze identifikovat různě exprimované geny. Hlavním omezením údajů o genové expresi je její vysoká dimenze, která obsahuje větší počet genů a velmi málo vzorků. Byla zavedena řada metod selekce genů pro výběr informativních genů pro predikci a diagnostiku rakoviny. Metody výběru funkcí nebo genů odstraňují irelevantní a nadbytečné funkce, aby se zlepšila přesnost klasifikace. Z dat mikročipů jsou identifikační geny identifikovány na základě jejich

PSO je jednou z technik SI navržených Kennedym a Eberhartem [1], které simulují chování ptáků. Yang a Deb [2] navrhli CS inspirovaný chovatelským chováním kukačky. SFL je memetická metaheuristika, která je kombinací dvou vyhledávacích technik: lokálního vyhledávání PSO a konkurenceschopného míchání promíchané komplexní evoluce [3]. Náhodnost v SFL někdy nepokryje efektivní oblast vyhledávacího prostoru nebo bude odrážet stejné nejhorší řešení. Aby se tomu zabránilo, navrhovaná práce přijímá Lévyho let pro změnu polohy. Pro výběr funkcí se používají techniky SI, jako je PSO, CS, SFL a SFLLF.

1.1. Související práce

V této části jsou diskutovány práce související s výběrem genu a klasifikací rakoviny pomocí údajů o genové expresi microarray. Jirapech-Umpai a Stuart [4] používají evoluční algoritmus k identifikaci téměř optimálního souboru prediktivních genů, které data klasifikují. Vanichayobon a kol. [5] použili samoorganizující se mapu pro shlukování dat o rakovině složenou z důležitého kroku výběru genu. Hrubý soubor konceptu se závislými stupni navrhli Wang a Gotoh [6]. Při této metodě testovali malý počet informativních párů jednotlivých genů a genů na základě jejich závislých stupňů.

Algoritmus výběru funkce rojové inteligence byl navržen na základě inicializace a aktualizace pouze podmnožiny částic v roji Martinezem a kol. [7]. Koncept genových dubletů zavedli Chopra et al. [8] na základě kombinací genových párů. Liu et al. [9] vybrat pro účely klasifikace více podmnožin genů, kde byl významný stupeň genu měřen podmíněnou vzájemnou informací nebo její normalizovanou formou.

Chuang et al. Navrhl hybridní metodu. [10], který se skládá z výběru funkcí založeného na korelaci a chaotického binárního PSO Taguchi. Dagliyan a kol. [11] navrhli metodu hyperbox enclosure (HBE) založenou na smíšeném celočíselném programování pro klasifikaci některých typů rakoviny s minimální sadou prediktorových genů. Wang a Simon [12] zkoumali použití jediného genu pro konstrukci klasifikačního modelu. Tato metoda nejprve identifikovala geny s nejsilnější univariační schopností rozlišování tříd a vytvořila jednoduchá klasifikační pravidla pro predikci tříd pomocí jediného genu.

Chandra a Gupta navrhli přístup efektivní selekce funkcí založený na statisticky definovaném efektivním rozsahu funkcí pro každou třídu označovanou jako efektivní výběr genů založený na efektivním rozsahu (ERGS) [13]. Biomarker identifier (BMI), který identifikoval rysy se schopností rozlišit dvě zájmové skupiny dat, navrhli Lee et al. [14]. Analýza vlivu marže (MIA) byla přístupem navrženým pro práci s SVM pro výběr informačních genů od Li et al. [15]. Mishra a Sahu navrhli model pro výběr funkcí pomocí hodnocení poměru signálu k šumu (SNR).

Huang a kol. [17] představili vylepšenou polozkontrolovanou lokální Fisherovu diskriminační (iSELF) analýzu klasifikace dat genové exprese. Alonso-González a kol. [18] navrhli metodu, která uvolnila kritérium maximální přesnosti pro výběr kombinace výběru atributů a klasifikačního algoritmu. Maji [19] navrhl kvantitativní opatření založené na vzájemných informacích, které zahrnuje informace o kategoriích vzorků pro měření podobnosti mezi atributy. Sharma et al. Navrhl algoritmus výběru funkce, který rozděluje geny do podmnožin, aby našel informativní geny. [20].

2. Materiály a metody

2.1. Metody výběru genu
2.1.1. -Statistika

Geny, které mají značně odlišné výrazy zahrnující normální a nádorové tkáně, jsou vstupujícími pro výběr. Jednoduché -statistické měřítko uvedené v (1) používá Yendrapalli et al. [21] zjistit stupeň rozdílu genové exprese mezi normálními a nádorovými tkáněmi. Vrchol-

geny s největšími -statistiky jsou vybrány pro zahrnutí do diskriminační analýzy. Zvážit


Svatojánský mor

Kobylky se nacházejí na všech kontinentech kromě Antarktidy. V Severní Americe kobylka Rocky Mountain (Melanoplus spretus) vyhynul po celé století, ale jiné druhy kobylky zůstávají v Mexiku. V závislosti na druhu může létající roj kobylky cestovat stovky mil při hledání potravy.

Například v roce 1988 letěl roj ze západní Afriky do Karibiku, což je cesta více než 3 000 mil (5 000 kilometrů) za pouhých 10 dní, uvádí National Geographic. Schopnost překonat takové vzdálenosti činí ze sarančat „kontinentální výzvu“ jako zemědělského škůdce, uvedla Arianne Cease, ředitelka iniciativy Global Locust Initiative na Arizonské státní univerzitě. Účinné monitorování a správa kobylek vyžaduje mezinárodní spolupráci.

Sarančata jsou býložravci, přestože existují zprávy o svatojánském kanibalismu, když je jiné potravy málo, řekl Song. Kobylka může každý den sníst vlastní hmotnost v rostlinné hmotě, což je jen asi 2 gramy. Ale největší rojové kobylky, nazývané morové rány, se mohou počítat v miliardách a dohromady může mor kobylky spotřebovat tolik rostlinného materiálu, že před pokračováním vymaže několikaměsíční růst, což má dlouhodobý dopad na zdraví a finance celé regiony.

Například mor pouštních kobylek, který vznikl v západní Africe v roce 2003 a trval až do roku 2005, zasáhl 22 zemí a podle zprávy Organizace OSN pro výživu a zemědělství údajně zničil více než 80% plodin. V době, kdy mor počátkem roku 2005 konečně klesl, dosáhly celkové náklady na kontrolu škod půl miliardy dolarů.

Některé druhy kobylky, jako kobylka pouštní, normálně žijí v divočině, řekl Cease. Monitorování malých ohnisek těchto populací sarančat může pomoci udržet problémy zvládnutelné potlačením kobylky dříve, než jejich roj naroste do velikosti dostatečně velké, aby způsobil národní nebo mnohonárodní katastrofy.

Jiné kobylky, například kobylka sengalská (Oedaleus senegalensis), může žít v zemědělských oblastech, i když je v osamělé fázi. Pečlivé hospodaření s půdou, jako je pečlivý výběr plodin a způsob jejich pěstování a kontrola živin v půdě, může pomoci odradit tvorbu rojů svatojánského chovu, řekl Cease.

Svatojánské rány mohou trvat roky, jakmile jsou v plném proudu, s několika generacemi rojivých kobylek. Ale nejhorší rány jsou obecně vzácné a některé druhy procházejí mezi hlavními populačními explozemi desítky let. Odborníci však tvrdí, že je to další výzva pro připravenost na katastrofy, protože hrozba svatojánského roje se může zdát méně kritická, pokud již mnoho let není problémem.


Přístup k dokumentu

  • APA
  • Standard
  • Harvard
  • Vancouver
  • Autor
  • BIBTEX
  • RIS

Výstup z výzkumu: Příspěvek do časopisu ›Článek› peer-review

T1 - Nový algoritmus rojové inteligence pro hledání motivů DNA

N2-Objevování motivů DNA ze společně exprimovaných nebo společně regulovaných genů je důležitým krokem k rozluštění složitých genových regulačních sítí a porozumění genovým funkcím. Navzdory výraznému zlepšení v posledním desetiletí stále zůstává jedním z nejnáročnějších problémů ve výpočetní molekulární biologii. V této práci navrhujeme nový algoritmus pro hledání motivů, který nalezne konsensuální vzorce pomocí techniky stochastické optimalizace založené na populaci s názvem Particle Swarm Optimization (PSO), která se ukázala být účinná při optimalizaci obtížných vícerozměrných problémů v spojitých doménách. Navrhujeme použít graf odlišnosti slov k přemapování sousedské struktury prostoru řešení motivů DNA a navrhnout úpravu naivního algoritmu PSO tak, aby vyhovoval diskrétním proměnným. Abychom zvýšili efektivitu, navrhujeme také několik strategií pro útěk z místních optim a pro automatické určování kritérií ukončení. Experimentální výsledky týkající se problémů simulovaných výzev ukazují, že naše metoda je efektivnější a přesnější než několik stávajících algoritmů. Aplikace na několik sad skutečných sekvencí promotoru také ukazují, že náš přístup je schopen detekovat známá vazebná místa transkripčního faktoru a překonává dva z nejpopulárnějších existujících algoritmů.

AB-Objevování motivů DNA ze společně exprimovaných nebo společně regulovaných genů je důležitým krokem k rozluštění složitých genových regulačních sítí a porozumění genovým funkcím. Navzdory výraznému zlepšení v posledním desetiletí stále zůstává jedním z nejnáročnějších problémů ve výpočetní molekulární biologii. V této práci navrhujeme nový algoritmus pro hledání motivů, který nalezne konsensuální vzorce pomocí techniky stochastické optimalizace založené na populaci s názvem Particle Swarm Optimization (PSO), která se ukázala být účinná při optimalizaci obtížných vícerozměrných problémů v spojitých doménách. Navrhujeme použít graf odlišnosti slov k přemapování sousední struktury prostoru řešení motivů DNA a navrhnout úpravu naivního algoritmu PSO tak, aby vyhovoval diskrétním proměnným. Abychom zvýšili efektivitu, navrhujeme také několik strategií pro útěk z lokálních optim a pro automatické určování kritérií ukončení. Experimentální výsledky na problémech simulovaných výzev ukazují, že naše metoda je efektivnější a přesnější než několik stávajících algoritmů. Aplikace na několik sad skutečných sekvencí promotoru také ukazují, že náš přístup je schopen detekovat známá vazebná místa transkripčního faktoru a překonává dva z nejpopulárnějších existujících algoritmů.