Sürü (yığın) zekası (SI), doğal veya yapay, merkezi olmayan, kendi kendini organize eden sistemlerin kolektif davranışıdır. Konsept, yapay zeka üzerine yapılan çalışmalarda kullanılmaktadır. İfade, hücresel robotik sistemler bağlamında Gerardo Beni ve Jing Wang tarafından 1989 yılında tanıtıldı.[1]
SI sistemleri tipik olarak birbirleriyle ve çevreleriyle yerel olarak etkileşime giren basit etmenlerden veya boidlerden oluşan bir popülasyondan oluşur.[2] İlham genellikle doğadan, özellikle biyolojik sistemlerden gelir. Ajanlar çok basit kurallara uyarlar ve bireysel ajanların nasıl davranması gerektiğini dikte eden merkezi bir kontrol yapısı olmamasına rağmen, yerel ve belirli bir dereceye kadar rastgele, bu tür ajanlar arasındaki etkileşimler, birey tarafından bilinmeyen “akıllı” küresel davranışın ortaya çıkmasına yol açar. ajanlar.[3] Doğal sistemlerde sürü zekasına örnek olarak karınca kolonileri, arı kolonileri, kuş sürüsü, şahin avı, hayvan sürüsü, bakteri gelişimi, balık sürüsü ve mikrobiyal zeka verilebilir.
Sürü ilkelerinin robotlara uygulanması, sürü robotları olarak adlandırılırken, sürü zekası daha genel algoritmalar kümesini ifade eder. Sürü tahmini, tahmin problemleri bağlamında kullanılmıştır. Sürü robotları için önerilenlere benzer yaklaşımlar, sentetik kolektif zekada genetiği değiştirilmiş organizmalar için düşünülür.[4]
Sürü davranış modelleri
Boids, 1986’da Craig Reynolds tarafından geliştirilen ve akını simüle eden yapay bir yaşam programıdır ve 1987’de ACM SIGGRAPH konferansının tutanaklarında yayınlanmıştır.[5] “Boid” adı, kuşa benzer bir nesneyi ifade eden “bird-oid object”in kısaltılmış versiyonuna karşılık gelir.[6]
Çoğu yapay yaşam simülasyonunda olduğu gibi, Boids, ortaya çıkan davranışların bir örneğidir; yani Boids’in karmaşıklığı, bir dizi basit kurala bağlı kalarak bireysel etmenlerin (bu durumda boids) etkileşiminden kaynaklanır. En basit Boids dünyasında uygulanan kurallar şu şekildedir:
Ayırma: yerel sürü arkadaşlarının kalabalığından kaçınmak için yönlendirin
Hizalama: yerel sürü arkadaşlarının ortalama yönüne doğru yönlendirin
Uyum: yerel sürü arkadaşlarının ortalama konumuna (kütle merkezi) doğru hareket etmek için yönlendirmek
Engellerden kaçınma ve hedef arama gibi daha karmaşık kurallar eklenebilir.
Kendinden tahrikli parçacıklar (Vicsek ve diğerleri 1995)
Vicsek modeli olarak da adlandırılan kendinden tahrikli parçacıklar (SPP), 1995 yılında Vicsek ve diğerleri tarafından tanıtıldı.[7] 1986’da Reynolds tarafından tanıtılan boids modelinin özel bir durumu olarak.[5] SPP’de bir sürü, sabit bir hızla hareket eden ancak yerel komşuluklarındaki diğer parçacıkların ortalama hareket yönünü her artışta benimseyerek rastgele bir bozulmaya yanıt veren parçacıkların bir koleksiyonu tarafından modellenir.[8] SPP modelleri, sürüdeki hayvanların türü ne olursa olsun, sürü halindeki hayvanların grup düzeyinde belirli özellikleri paylaştığını öngörür.[9] Oğul sistemleri, birçok farklı ölçekte meydana gelen ve bazılarının hem evrensel hem de sağlam olduğu ortaya çıkan ortaya çıkan davranışlara yol açar. Bu davranışları yakalayan minimal istatistiksel modelleri bulmak teorik fizikte bir zorluk haline geldi.[10][11][12]
Metasezgisel
Evrimsel algoritmalar (EA), parçacık sürüsü optimizasyonu (PSO), diferansiyel evrim (DE), karınca kolonisi optimizasyonu (ACO) ve bunların varyantları, doğadan ilham alan metasezgisel alana hakimdir.[13] Bu liste, yaklaşık 2000 yılına kadar yayınlanan algoritmaları içerir. Çok sayıda daha yeni metafordan ilham alan metasezgisel yöntemler, yenilik eksikliğini ayrıntılı bir metaforun arkasına sakladıkları için araştırma camiasında eleştiri almaya başladı. O zamandan beri yayınlanan algoritmalar için bkz. Metafor tabanlı metasezgisel yöntemlerin listesi .
Metasezgisel bir çözüme güven duymaz.[14] Uygun parametreler belirlendiğinde ve yeterli yakınsama aşamasına ulaşıldığında, genellikle optimal veya optimuma yakın bir çözüm bulurlar – yine de, önceden optimal çözüm bilinmezse, çözümün kalitesi bilinmez. [14] Bu bariz dezavantaja rağmen, bu tür algoritmaların pratikte iyi çalıştığı ve kapsamlı bir şekilde araştırılıp geliştirildiği gösterilmiştir.[15][16][17][18][19] Öte yandan, böyle bir hesabın mümkün olduğu özel bir durum için çözüm kalitesi hesaplanarak bu sakıncanın önüne geçilebilir ve böyle bir çalıştırmadan sonra en az özel bir durumun çözümü kadar iyi olan her çözümün sahip olduğu bilinir. en azından özel bir durumun sahip olduğu bir çözüm güvenine sahiptir. Böyle bir örnek, bunun olasılıksal olarak Monte Carlo algoritmasının Karınca Kolonisi Optimizasyonu tekniği ile hibritleştirilmesi yoluyla elde edildiği Minimum Geri Besleme Yay Kümesi için Ant’tan ilham alan Monte Carlo algoritmasıdır.[20]
Stokastik yayılma araştırması (Bishop 1989)
İlk olarak 1989’da yayınlanan Stokastik difüzyon araması (SDS)[21][22], ilk Swarm Intelligence metasezgisel yöntemiydi. SDS, amaç fonksiyonunun birden çok bağımsız kısmi fonksiyona ayrıştırılabildiği problemler için en uygun ajan tabanlı olasılıksal global arama ve optimizasyon tekniğidir. Her ajan, ajanın mevcut hipotezi tarafından parametrelendirilen rastgele seçilmiş bir kısmi amaç fonksiyonunu değerlendirerek yinelemeli olarak test edilen bir hipotezi sürdürür. SDS’nin standart versiyonunda, bu tür kısmi işlev değerlendirmeleri ikili olup, her aracının aktif veya pasif hale gelmesiyle sonuçlanır. Hipotezlerle ilgili bilgiler, etmenler arası iletişim yoluyla popülasyona yayılır. ACO’da kullanılan stigmerjik iletişimin aksine, SDS’de aracılar, Leptothorax acervorum’da gözlemlenen tandem çalıştırma prosedürüne benzer bire bir iletişim stratejisi aracılığıyla hipotezleri iletir.[23] Pozitif bir geri bildirim mekanizması, zaman içinde bir aracı popülasyonunun küresel en iyi çözüm etrafında sabitlenmesini sağlar. SDS, kapsamlı bir şekilde matematiksel olarak açıklanan hem verimli hem de sağlam bir küresel arama ve optimizasyon algoritmasıdır.[24][25][26] Son çalışmalar, SDS’nin küresel arama özelliklerini diğer sürü zekası algoritmalarıyla birleştirmeyi içeriyordu.[27][28]
Karınca kolonisi optimizasyonu (Dorigo 1992)
Dorigo tarafından doktora tezinde tanıtılan karınca kolonisi optimizasyonu (ACO), bir karınca kolonisinin eylemleri üzerine modellenen bir optimizasyon algoritmaları sınıfıdır. ACO, grafikler aracılığıyla daha iyi yollar bulma ile ilgili problemlerde yararlı olan olasılıksal bir tekniktir. Yapay ‘karıncalar’ -simülasyon ajanları- tüm olası çözümleri temsil eden bir parametre uzayında hareket ederek en uygun çözümleri bulur. Doğal karıncalar çevrelerini keşfederken birbirlerini kaynaklara yönlendiren feromonlar bırakırlar. Simüle edilen ‘karıncalar’ benzer şekilde konumlarını ve çözümlerinin kalitesini kaydeder, böylece daha sonraki simülasyon yinelemelerinde daha fazla karınca daha iyi çözümler için yer bulur.[29]
Parçacık sürüsü optimizasyonu (Kennedy, Eberhart & Shi 1995)
Parçacık sürüsü optimizasyonu (PSO), en iyi çözümün n-boyutlu bir uzayda bir nokta veya yüzey olarak temsil edilebildiği problemlerle uğraşmak için küresel bir optimizasyon algoritmasıdır. Hipotezler bu alanda çizilir ve parçacıklar arasında bir iletişim kanalının yanı sıra bir başlangıç hızıyla tohumlanır.[30][31] Parçacıklar daha sonra çözüm uzayında hareket eder ve her zaman adımından sonra bazı uygunluk kriterlerine göre değerlendirilir. Zamanla parçacıklar, iletişim grupları içinde daha iyi uygunluk değerlerine sahip olan parçacıklara doğru hızlanır. Böyle bir yaklaşımın simüle edilmiş tavlama gibi diğer küresel küçültme stratejilerine göre ana avantajı, parçacık sürüsünü oluşturan çok sayıda üyenin, tekniği yerel minimum sorununa karşı etkileyici bir şekilde dayanıklı hale getirmesidir.
Yapay Sürü Zekası (2015)
Yapay Sürü Zekası (ASI), doğal sürülerden sonra modellenen kontrol algoritmalarını kullanarak ağ bağlantılı insan gruplarının kolektif zekasını güçlendirme yöntemidir. Bazen İnsan Sürüsü veya Sürü Yapay Zekası olarak adlandırılan teknoloji, insan katılımcı gruplarını, aynı anda bir soru ile sunulduğunda dinamik sürüler olarak çözümler üzerinde düşünen ve birleşen gerçek zamanlı sistemlere bağlar[32][33][34] ASI kullanılmıştır iş ekiplerinin son derece doğru finansal tahminler oluşturmasını sağlamaktan[35] spor hayranlarının Vegas bahis pazarlarından daha iyi performans göstermesini sağlamaya kadar geniş bir uygulama yelpazesi için.[36] ASI, doktor gruplarının geleneksel yöntemlerden önemli ölçüde daha yüksek doğrulukta teşhisler üretmesini sağlamak için de kullanılmıştır.[37][38] ASI, Birleşmiş Milletler Gıda ve Tarım Örgütü (FAO) tarafından dünyanın dört bir yanındaki sıcak noktalardaki kıtlıkların tahmin edilmesine yardımcı olmak için kullanılmıştır.[39]
Uygulamalar
Sürü Zekasına dayalı teknikler bir dizi uygulamada kullanılabilir. ABD ordusu, insansız araçları kontrol etmek için sürü tekniklerini araştırıyor. Avrupa Uzay Ajansı, kendi kendine montaj ve interferometri için bir yörünge sürüsü düşünüyor. NASA, gezegen haritalama için sürü teknolojisinin kullanımını araştırıyor. M. Anthony Lewis ve George A. Bekey’nin 1992 tarihli bir makalesi, kanser tümörlerini öldürmek amacıyla vücut içindeki nanobotları kontrol etmek için sürü zekasını kullanma olasılığını tartışıyor.[40] Tersine, al-Rifaie ve Aber, tümörlerin yerini belirlemeye yardımcı olmak için stokastik difüzyon araştırmasını kullandılar.[41][42] Sürü zekası, veri madenciliği[43] ve küme analizi[44] için de uygulanmıştır. Karınca tabanlı modeller ayrıca modern yönetim teorisinin konusudur.[45]
Karınca tabanlı yönlendirme
Sürü zekasının telekomünikasyon ağlarında kullanımı da karınca tabanlı yönlendirme şeklinde araştırılmıştır. Buna Dorigo ve diğerleri tarafından ayrı ayrı öncülük edilmiştir. ve 1990’ların ortalarında Hewlett Packard, bir dizi varyant mevcut. Temel olarak, bu, ağı dolduran her bir “karınca” (küçük bir kontrol paketi) tarafından başarıyla geçilen rotayı ödüllendiren/güçlendiren olasılıksal bir yönlendirme tablosu kullanır. Güzergahın ileri, geri yönde ve her ikisinde aynı anda güçlendirilmesi araştırılmıştır: geriye doğru güçlendirme simetrik bir ağ gerektirir ve iki yönü birbirine bağlar; ileri takviye, sonuç bilinmeden önce bir rotayı ödüllendirir (ancak filmin ne kadar iyi olduğunu bilmeden önce sinema için ödeme yapılır). Sistem stokastik olarak davrandığından ve bu nedenle tekrarlanabilirlikten yoksun olduğundan, ticari dağıtımın önünde büyük engeller vardır. Mobil medya ve yeni teknolojiler, sürü zekası nedeniyle toplu eylem eşiğini değiştirme potansiyeline sahiptir (Rheingold: 2002, P175).
Kablosuz iletişim ağları için iletim altyapısının konumu, birbiriyle yarışan hedefleri içeren önemli bir mühendislik problemidir. Kullanıcılar için yeterli alan kapsamı sağlanmasına bağlı olarak, minimum konum (veya site) seçimi gereklidir. Karıncalardan ilham alan çok farklı bir sürü zekası algoritması olan stokastik difüzyon araması (SDS), daire paketleme ve set kaplama ile ilgili bu problem için genel bir model sağlamak üzere başarıyla kullanılmıştır. SDS’nin büyük problem örnekleri için bile uygun çözümleri belirlemek için uygulanabileceği gösterilmiştir.[46]
Havayolları ayrıca, uçak gelişlerini havaalanı kapılarına atamak için karınca tabanlı yönlendirme kullandı. Southwest Airlines’da bir yazılım programı, sürü teorisini veya sürü zekasını kullanır; bu, bir karınca kolonisinin tek başına bir karınca kolonisinden daha iyi çalıştığı fikridir. Her pilot, en iyi havaalanı kapısını arayan bir karınca gibi davranır. Douglas A. Lawson, “Pilot, deneyimlerinden kendisi için en iyisinin ne olduğunu öğrenir ve havayolu için en iyi çözümün bu olduğu ortaya çıkar,” diye açıklıyor. Sonuç olarak, pilotların “kolonisi” her zaman hızlı bir şekilde varabilecekleri ve ayrılabilecekleri kapılara giderler. Program, bir pilotu uçak yedekleri olmadan önce bile uyarabilir. Lawson, “Bunun olacağını tahmin edebiliyoruz, bu nedenle uygun bir kapımız olacak,” diyor.[47]
Kalabalık simülasyonu
Sanatçılar, karmaşık etkileşimli sistemler oluşturmak veya kalabalıkları simüle etmek için sürü teknolojisini kullanıyor.
Örnekler
Yüzüklerin Efendisi film üçlemesi, savaş sahnelerinde Massive (yazılım) olarak bilinen benzer bir teknolojiden yararlandı. Swarm teknolojisi ucuz, sağlam ve basit olduğu için özellikle caziptir.
Stanley ve Stella: Breaking the Ice, Bids sistemini kullanarak balık ve kuş gruplarının hareketlerini gerçekçi bir şekilde betimleyen, işleme için sürü teknolojisinden yararlanan ilk filmdi.[kaynak belirtilmeli]
Tim Burton’ın Batman Dönüyor filmi de bir grup yarasanın hareketlerini göstermek için sürü teknolojisinden yararlandı. [48]
Havayolları, uçağa binen yolcuları simüle etmek için sürü teorisini kullandı. Southwest Airlines araştırmacısı Douglas A. Lawson, çeşitli biniş yöntemlerini kullanarak uçağa biniş sürelerini değerlendirmek için yalnızca altı etkileşim kuralı kullanan karınca tabanlı bir bilgisayar simülasyonu kullandı.(Miller, 2010, xii-xviii).[49]
insan sürüsü
Dağıtılmış kullanıcıların ağları, gerçek zamanlı kapalı döngü kontrol sistemlerinin uygulanması yoluyla “insan sürüleri” halinde organize edilebilir.[50][51] İnsan sürüsü, çevrimiçi olarak birbirine bağlı insan gruplarının kolektif zekasının kullanılmasına olanak tanır. Grubun kolektif zekası, genellikle grubun herhangi bir üyesinin yeteneklerini aşar.[52]
Stanford Üniversitesi Tıp Fakültesi, 2018’de, gerçek zamanlı kalabalık algoritmalarla birbirine bağlandıklarında insan doktor gruplarının, geleneksel kitle kaynak yöntemleri kullanarak birlikte çalışan bireysel doktorlara veya doktor gruplarına göre tıbbi durumları önemli ölçüde daha yüksek doğrulukla teşhis edebildiğini gösteren bir çalışma yayınladı. . Böyle bir çalışmada, birbirine bağlı insan radyolog sürülerine göğüs röntgenlerini teşhis etme görevi verildi ve geleneksel insan yöntemlerine kıyasla teşhis hatalarında %33 azalma ve geleneksel makine öğrenimine göre %22 gelişme gösterdi.[37] [53][54][38]
California San Francisco Üniversitesi (UCSF) Tıp Fakültesi, 2021’de işbirliği yapan doktorlardan oluşan küçük gruplar tarafından MRI görüntülerinin teşhisi hakkında bir ön baskı yayınladı. Çalışma, çoğunluk oylamasına kıyasla Yapay Sürü Zekası (ASI) teknolojisi kullanıldığında teşhis doğruluğunda %23’lük bir artış gösterdi.[55]
Sürü gramerleri
Sürü gramerleri, sanat ve mimaride bulunanlar gibi karmaşık özellikleri tanımlamak için geliştirilebilen stokastik gramer sürüleridir.[56] Bu gramerler, sürü zekası kurallarına göre davranan ajanlar olarak etkileşime girer. Bu tür davranışlar, özellikle bu tür sürülerin nöral devrelere eşlenmesi düşünüldüğünde, derin öğrenme algoritmaları önerebilir.[57]
Sürü sanatı
Bir dizi çalışmada, al-Rifaie ve ark.[58] biri bir karınca türünün (Leptothorax acervorum) yiyecek arama davranışını taklit eden (stokastik difüzyon araması, SDS) ve diğeri sürü halindeki kuşların davranışını taklit eden (parçacık sürüsü optimizasyonu, PSO) olmak üzere iki sürü zekası algoritmasını başarıyla kullanmışlardır. PSO’nun yerel arama özelliklerini küresel SDS davranışıyla kullanan yeni entegrasyon stratejisi. Ortaya çıkan hibrit algoritma, giriş taslağını takip etmeye çalıştıkları sırada ‘akın akın eden kuşların’ yerel davranışı ile “toplayıcı karıncaların” küresel davranışı arasındaki sanatsal gerilimden yararlanarak, bir girdi görüntüsünün yeni çizimlerini çizmek için kullanılır. sürüyü tuvalin yeni bölgelerini keşfetmeye teşvik etmeye çalışırken. Bu melez sürü sisteminin “yaratıcılığı”, Deleuze’ün “Orkide ve Yaban Arısı” metaforu bağlamında “köksap”ın felsefi ışığı altında analiz edilmiştir.[59]
al-Rifaie ve diğerlerinin daha yakın tarihli bir çalışması olan “Swarmic Sketches and Attention Mechanism”[60], SDS’yi dijital bir tuvalin ayrıntılı alanlarına seçici bir şekilde dikkat çekmek üzere uyarlayarak ‘dikkat’ mekanizmasını devreye sokan yeni bir yaklaşım sunar. Sürünün dikkati tuval içindeki belirli bir çizgiye çekildiğinde, PSO’nun yeteneği, dikkat edilen çizginin ‘sürü halindeki bir taslağını’ üretmek için kullanılır. Sürüler, uygunluk işlevleri aracılığıyla kendileriyle ilişkilendirilen dinamik rollerini (daha fazla ayrıntı içeren alanlara dikkat) tatmin etme girişiminde dijital tuval boyunca hareket eder. Oluşturma sürecini dikkat kavramlarıyla ilişkilendirdikten sonra, katılan sürülerin performansı, ‘sanatçı’ sürüleri girdi çizimlerini yorumlamaya her giriştiğinde benzersiz, özdeş olmayan bir eskiz yaratır. Diğer çalışmalarda eskiz sürecinden PSO sorumluyken, SDS sürünün dikkatini kontrol eder.
Benzer bir çalışma olan “Swarmic Tablolar ve Renk Dikkati”nde[61], bu çalışma kapsamında renk dikkatinden sorumlu olan SDS algoritması kullanılarak fotogerçekçi olmayan görüntüler üretilmektedir.
Yukarıda belirtilen sistemlerin “hesaplamalı yaratıcılığı” [58][62][63]’te, sürü zekasının iki rezil keşif ve sömürü aşaması içindeki yaratıcılığın iki ön koşulu (yani özgürlük ve kısıtlamalar) aracılığıyla tartışılmaktadır.
Michael Theodore ve Nikolaus Correll, sistemleri gerçeğe yakın görünecek şekilde tasarlamak için gerekenleri keşfetmek için sürü akıllı sanat enstalasyonunu kullanıyor.[64]
Kaynak:
https://en.wikipedia.org/wiki/Swarm_intelligence
Wiki Kaynaklar:
Beni, G., Wang, J. (1993). “Swarm Intelligence in Cellular Robotic Systems”. Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989). Berlin, Heidelberg: Springer. pp. 703–712. doi:10.1007/978-3-642-58069-7_38. ISBN 978-3-642-63461-1.
Hu, J.; Turgut, A.; Krajnik, T.; Lennox, B.; Arvin, F., “Occlusion-Based Coordination Protocol Design for Autonomous Robotic Shepherding Tasks” IEEE Transactions on Cognitive and Developmental Systems, 2020.
Hu, J.; Bhowmick, P.; Jang, I.; Arvin, F.; Lanzon, A., “A Decentralized Cluster Formation Containment Framework for Multirobot Systems” IEEE Transactions on Robotics, 2021.
Solé R, Rodriguez-Amor D, Duran-Nebreda S, Conde-Pueyo N, Carbonell-Ballestero M, Montañez R (October 2016). “Synthetic Collective Intelligence”. BioSystems. 148: 47–61. doi:10.1016/j.biosystems.2016.01.002. PMID 26868302.
Reynolds, Craig (1987). “Flocks, herds and schools: A distributed behavioral model”. Proceedings of the 14th annual conference on Computer graphics and interactive techniques – SIGGRAPH ’87. SIGGRAPH ’87: Proceedings of the 14th Annual Conference on Computer Graphics and Interactive Techniques. Association for Computing Machinery. pp. 25–34. CiteSeerX 10.1.1.103.7187. doi:10.1145/37401.37406. ISBN 978-0-89791-227-3. S2CID 546350.
Banks, Alec; Vincent, Jonathan; Anyakoha, Chukwudi (July 2007). “A review of particle swarm optimization. Part I: background and development”. Natural Computing. 6 (4): 467–484. CiteSeerX 10.1.1.605.5879. doi:10.1007/s11047-007-9049-5. S2CID 2344624.
Vicsek, T.; Czirok, A.; Ben-Jacob, E.; Cohen, I.; Shochet, O. (1995). “Novel type of phase transition in a system of self-driven particles”. Physical Review Letters. 75 (6): 1226–1229. arXiv:cond-mat/0611743. Bibcode:1995PhRvL..75.1226V. doi:10.1103/PhysRevLett.75.1226. PMID 10060237. S2CID 15918052.
Czirók, A.; Vicsek, T. (2006). “Collective behavior of interacting self-propelled particles”. Physica A. 281 (1): 17–29. arXiv:cond-mat/0611742. Bibcode:2000PhyA..281…17C. doi:10.1016/S0378-4371(00)00013-3. S2CID 14211016.
Buhl, J.; Sumpter, D.J.T.; Couzin, D.; Hale, J.J.; Despland, E.; Miller, E.R.; Simpson, S.J.; et al. (2006). “From disorder to order in marching locusts” (PDF). Science. 312 (5778): 1402–1406. Bibcode:2006Sci…312.1402B. doi:10.1126/science.1125142. PMID 16741126. S2CID 359329. Archived from the original (PDF) on 2011-09-29. Retrieved 2011-10-07.
Toner, J.; Tu, Y.; Ramaswamy, S. (2005). “Hydrodynamics and phases of flocks” (PDF). Annals of Physics. 318 (1): 170–244. Bibcode:2005AnPhy.318..170T. doi:10.1016/j.aop.2005.04.011. Archived from the original (PDF) on 2011-07-18. Retrieved 2011-10-07.
Bertin, E.; Droz, M.; Grégoire, G. (2009). “Hydrodynamic equations for self-propelled particles: microscopic derivation and stability analysis”. J. Phys. A. 42 (44): 445001. arXiv:0907.4688. Bibcode:2009JPhA…42R5001B. doi:10.1088/1751-8113/42/44/445001. S2CID 17686543.
Li, Y.X.; Lukeman, R.; Edelstein-Keshet, L.; et al. (2007). “Minimal mechanisms for school formation in self-propelled particles” (PDF). Physica D: Nonlinear Phenomena. 237 (5): 699–720. Bibcode:2008PhyD..237..699L. doi:10.1016/j.physd.2007.10.009. Archived from the original (PDF) on 2011-10-01.
Lones, Michael A. (2014). “Metaheuristics in Nature-Inspired Algorithms”. Proceedings of the 2014 conference companion on Genetic and evolutionary computation companion – GECCO Comp ’14 (PDF). GECCO ’14. pp. 1419–1422. CiteSeerX 10.1.1.699.1825. doi:10.1145/2598394.2609841. ISBN 9781450328814. S2CID 14997975.
Silberholz, John; Golden, Bruce; Gupta, Swati; Wang, Xingyin (2019), Gendreau, Michel; Potvin, Jean-Yves (eds.), “Computational Comparison of Metaheuristics”, Handbook of Metaheuristics, International Series in Operations Research & Management Science, Cham: Springer International Publishing, pp. 581–604, doi:10.1007/978-3-319-91086-4_18, ISBN 978-3-319-91086-4, S2CID 70030182
Burke, Edmund; De Causmaecker, Patrick; Petrovic, Sanja; Berghe, Greet Vanden (2004), Resende, Mauricio G. C.; de Sousa, Jorge Pinho (eds.), “Variable Neighborhood Search for Nurse Rostering Problems”, Metaheuristics: Computer Decision-Making, Applied Optimization, Boston, MA: Springer US, pp. 153–172, doi:10.1007/978-1-4757-4137-7_7, ISBN 978-1-4757-4137-7
Fu, Michael C. (2002-08-01). “Feature Article: Optimization for simulation: Theory vs. Practice”. INFORMS Journal on Computing. 14 (3): 192–215. doi:10.1287/ijoc.14.3.192.113. ISSN 1091-9856.
Dorigo, Marco; Birattari, Mauro; Stutzle, Thomas (November 2006). “Ant colony optimization”. IEEE Computational Intelligence Magazine. 1 (4): 28–39. doi:10.1109/MCI.2006.329691. ISSN 1556-603X.
Hayes-RothFrederick (1975-08-01). “Review of “Adaptation in Natural and Artificial Systems by John H. Holland”, The U. of Michigan Press, 1975″. ACM SIGART Bulletin (53): 15. doi:10.1145/1216504.1216510. S2CID 14985677.
Resende, Mauricio G.C.; Ribeiro, Celso C. (2010), Gendreau, Michel; Potvin, Jean-Yves (eds.), “Greedy Randomized Adaptive Search Procedures: Advances, Hybridizations, and Applications”, Handbook of Metaheuristics, International Series in Operations Research & Management Science, Boston, MA: Springer US, pp. 283–319, doi:10.1007/978-1-4419-1665-5_10, ISBN 978-1-4419-1665-5
Kudelić, Robert; Ivković, Nikola (2019-05-15). “Ant inspired Monte Carlo algorithm for minimum feedback arc set”. Expert Systems with Applications. 122: 108–117. doi:10.1016/j.eswa.2018.12.021. ISSN 0957-4174. S2CID 68071710.
Bishop, J.M., Stochastic Searching Networks, Proc. 1st IEE Int. Conf. on Artificial Neural Networks, pp. 329-331, London, UK, (1989).
Nasuto, S.J. & Bishop, J.M., (2008), Stabilizing swarm intelligence search via positive feedback resource allocation, In: Krasnogor, N., Nicosia, G, Pavone, M., & Pelta, D. (eds), Nature Inspired Cooperative Strategies for Optimization, Studies in Computational Intelligence, vol 129, Springer, Berlin, Heidelberg, New York, pp. 115-123.
Mglich, M.; Maschwitz, U.; Hlldobler, B. (1974). “Tandem Calling: A New Kind of Signal in Ant Communication”. Science. 186 (4168): 1046–1047. Bibcode:1974Sci…186.1046M. doi:10.1126/science.186.4168.1046. PMID 4469698. S2CID 31118090.
Nasuto, S.J., Bishop, J.M. & Lauria, S., Time complexity analysis of the Stochastic Diffusion Search, Proc. Neural Computation ’98, pp. 260-266, Vienna, Austria, (1998).
Nasuto, S.J., & Bishop, J.M., (1999), Convergence of the Stochastic Diffusion Search, Parallel Algorithms, 14:2, pp: 89-107.
Myatt, D.M., Bishop, J.M., Nasuto, S.J., (2004), Minimum stable convergence criteria for Stochastic Diffusion Search, Electronics Letters, 22:40, pp. 112-113.
al-Rifaie, M.M., Bishop, J.M. & Blackwell, T., An investigation into the merger of stochastic diffusion search and particle swarm optimisation, Proc. 13th Conf. Genetic and Evolutionary Computation, (GECCO), pp.37-44, (2012).
al-Rifaie, Mohammad Majid, John Mark Bishop, and Tim Blackwell. “Information sharing impact of stochastic diffusion search on differential evolution algorithm.” Memetic Computing 4.4 (2012): 327-338.
Ant Colony Optimization by Marco Dorigo and Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3
Parsopoulos, K. E.; Vrahatis, M. N. (2002). “Recent Approaches to Global Optimization Problems Through Particle Swarm Optimization”. Natural Computing. 1 (2–3): 235–306. doi:10.1023/A:1016568309421. S2CID 4021089.
Particle Swarm Optimization by Maurice Clerc, ISTE, ISBN 1-905209-04-5, 2006.
Rosenberg, Louis (2015-07-20). “Human Swarms, a real-time method for collective intelligence”. 07/20/2015-07/24/2015. Vol. 27. pp. 658–659. doi:10.7551/978-0-262-33027-5-ch117. ISBN 9780262330275.
Rosenberg, Louis; Willcox, Gregg (2020). Bi, Yaxin; Bhatia, Rahul; Kapoor, Supriya (eds.). “Artificial Swarm Intelligence”. Intelligent Systems and Applications. Advances in Intelligent Systems and Computing. Springer International Publishing. 1037: 1054–1070. doi:10.1007/978-3-030-29516-5_79. ISBN 9783030295165. S2CID 195258629.
Metcalf, Lynn; Askay, David A.; Rosenberg, Louis B. (2019). “Keeping Humans in the Loop: Pooling Knowledge through Artificial Swarm Intelligence to Improve Business Decision Making”. California Management Review. 61 (4): 84–109. doi:10.1177/0008125619862256. ISSN 0008-1256. S2CID 202323483.
Schumann, Hans; Willcox, Gregg; Rosenberg, Louis; Pescetelli, Niccolo (2019). “”Human Swarming” Amplifies Accuracy and ROI when Forecasting Financial Markets”. 2019 IEEE International Conference on Humanized Computing and Communication (HCC). pp. 77–82. doi:10.1109/HCC46620.2019.00019. ISBN 978-1-7281-4125-1. S2CID 209496644.
Bayern, Macy (September 4, 2018). “How AI systems beat Vegas oddsmakers in sports forecasting accuracy”. TechRepublic. Retrieved 2018-09-10.
Scudellari, Megan (2018-09-13). “AI-Human “Hive Mind” Diagnoses Pneumonia”. IEEE Spectrum: Technology, Engineering, and Science News. Retrieved 2019-07-20.
Rosenberg, Louis; Lungren, Matthew; Halabi, Safwan; Willcox, Gregg; Baltaxe, David; Lyons, Mimi (November 2018). “Artificial Swarm Intelligence employed to Amplify Diagnostic Accuracy in Radiology”. 2018 IEEE 9th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON). Vancouver, BC: IEEE: 1186–1191. doi:10.1109/IEMCON.2018.8614883. ISBN 9781538672662. S2CID 58675679.
Rosenberg, Louis (October 13, 2021). “Swarm intelligence: AI inspired by honeybees can help us make better decisions”. Big Think.
Lewis, M. Anthony; Bekey, George A. “The Behavioral Self-Organization of Nanorobots Using Local Rules”. Proceedings of the 1992 IEEE/RSJ International Conference on Intelligent Robots and Systems.
al-Rifaie, M.M.; Aber, A. “Identifying metastasis in bone scans with Stochastic Diffusion Search”. Proc. IEEE Information Technology in Medicine and Education, ITME. 2012: 519–523.
al-Rifaie, Mohammad Majid, Ahmed Aber, and Ahmed Majid Oudah. “Utilising Stochastic Diffusion Search to identify metastasis in bone scans and microcalcifications on mammographs[dead link].” In Bioinformatics and Biomedicine Workshops (BIBMW), 2012 IEEE International Conference on, pp. 280-287. IEEE, 2012.
Martens, D.; Baesens, B.; Fawcett, T. (2011). “Editorial Survey: Swarm Intelligence for Data Mining”. Machine Learning. 82 (1): 1–42. doi:10.1007/s10994-010-5216-5.
Thrun, M.; Ultsch, A. (2021). “Swarm Intelligence for Self-Organized Clustering”. Artificial Intelligence. 290: 103237. arXiv:2106.05521. doi:10.1016/j.artint.2020.103237. S2CID 213923899.
Fladerer, Johannes-Paul; Kurzmann, Ernst (November 2019). THE WISDOM OF THE MANY : how to create self -organisation and how to use collective… intelligence in companies and in society from mana. BOOKS ON DEMAND. ISBN 9783750422421.
Whitaker, R.M., Hurley, S.. An agent based approach to site selection for wireless networks. Proc ACM Symposium on Applied Computing, pp. 574–577, (2002).
“Planes, Trains and Ant Hills: Computer scientists simulate activity of ants to reduce airline delays”. Science Daily. April 1, 2008. Archived from the original on November 24, 2010. Retrieved December 1, 2010.
Mahant, Manish; Singh Rathore, Kalyani; Kesharwani, Abhishek; Choudhary, Bharat (2012). “A Profound Survey on Swarm Intelligence”. International Journal of Advanced Computer Research. 2 (1). Retrieved 3 October 2022.
Miller, Peter (2010). The Smart Swarm: How understanding flocks, schools, and colonies can make us better at communicating, decision making, and getting things done. New York: Avery. ISBN 978-1-58333-390-7.
Oxenham, Simon. “Why bees could be the secret to superhuman intelligence”. Retrieved 2017-01-20.
Rosenberg, L.; Pescetelli, N.; Willcox, G. (October 2017). Artificial Swarm Intelligence amplifies accuracy when predicting financial markets. 2017 IEEE 8th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON). pp. 58–62. doi:10.1109/UEMCON.2017.8248984. ISBN 978-1-5386-1104-3. S2CID 21312426.
Rosenberg, Louis (2016-02-12). “Artificial Swarm Intelligence, a human-in-the-loop approach to A.I.” Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence. AAAI’16. Phoenix, Arizona: AAAI Press: 4381–4382.
“Unanimous AI achieves 22% more accurate pneumonia diagnoses”. VentureBeat. 2018-09-10. Retrieved 2019-07-20.
“A Swarm of Insight – Radiology Today Magazine”. www.radiologytoday.net. Retrieved 2019-07-20.
Shah, Rutwik; Astuto, Bruno; Gleason, Tyler; Fletcher, Will; Banaga, Justin; Sweetwood, Kevin; Ye, Allen; Patel, Rina; McGill, Kevin; Link, Thomas; Crane, Jason (2021-09-06). “Utilizing a digital swarm intelligence platform to improve consensus among radiologists and exploring its applications”. arXiv:2107.07341 [cs.HC].
vonMammen, Sebastian; Jacob, Christian (2009). “The evolution of swarm grammars — growing trees, crafting art and bottom-up design”. IEEE Computational Intelligence Magazine. 4 (3): 10–19. CiteSeerX 10.1.1.384.9486. doi:10.1109/MCI.2009.933096. S2CID 17882213.
du Castel, Bertrand (15 July 2015). “Pattern Activation/Recognition Theory of Mind”. Frontiers in Computational Neuroscience. 9 (90): 90. doi:10.3389/fncom.2015.00090. PMC 4502584. PMID 26236228.
al-Rifaie, MM; Bishop, J.M.; Caines, S. (2012). “Creativity and Autonomy in Swarm Intelligence Systems” (PDF). Cognitive Computation. 4 (3): 320–331. doi:10.1007/s12559-012-9130-y. S2CID 942335.
Deleuze G, Guattari F, Massumi B. A thousand plateaus. Minneapolis: University of Minnesota Press; 2004.
Al-Rifaie, Mohammad Majid; Bishop, John Mark (2013). “Swarmic Sketches and Attention Mechanism” (PDF). Evolutionary and Biologically Inspired Music, Sound, Art and Design (PDF). Lecture Notes in Computer Science. Vol. 7834. pp. 85–96. doi:10.1007/978-3-642-36955-1_8. ISBN 978-3-642-36954-4.
Al-Rifaie, Mohammad Majid; Bishop, John Mark (2013). “Swarmic Paintings and Colour Attention” (PDF). Evolutionary and Biologically Inspired Music, Sound, Art and Design (PDF). Lecture Notes in Computer Science. Vol. 7834. pp. 97–108. doi:10.1007/978-3-642-36955-1_9. ISBN 978-3-642-36954-4.
al-Rifaie, Mohammad Majid, Mark JM Bishop, and Ahmed Aber. “Creative or Not? Birds and Ants Draw with Muscle.” Proceedings of AISB’11 Computing and Philosophy (2011): 23-30.
al-Rifaie MM, Bishop M (2013) Swarm intelligence and weak artificial creativity. In: The Association for the Advancement of Artificial Intelligence (AAAI) 2013: Spring Symposium, Stanford University, Palo Alto, California, U.S.A., pp 14–19
N. Correll, N. Farrow, K. Sugawara, M. Theodore (2013): The Swarm Wall: Toward Life’s Uncanny Valley. In: K. Goldberg, H. Knight, P. Salvini (Ed.): IEEE International Conference on Robotics and Automation, Workshop on Art and Robotics: Freud’s Unheimlich and the Uncanny Valley.
