Роевой интеллект и групповая робототехника в решении различных задач



В статье рассматривается вопрос применения методов роевого интеллекта и групповой робототехники при решении различных практических задач, сформулированные в рамках НИР проводившейся в ИФ ГУАП. Приводятся основные классы задач. Рассматриваются вопросы практического применения.

Ключевые слова: искусственный интеллект, роевой интеллект, групповая робототехника, моделирование, прогнозирование.

В современном мире в технических, программных и имитационных решениях различных задач всё чаще обращаются к физическим явлениям и законам природы. Имитация поведения роя насекомых, косяка рыб, стаи птиц, скатывающихся по наклонной поверхности капель воды, процесса самосборки сложных надмолекулярных структур — все это легло в основу множества алгоритмов оптимизации на базе децентрализованной самоорганизации. К сожалению, основное применение всех этих алгоритмов — имитационное моделирование.

Проблемы реализации алгоритмов этого класса в качестве физических моделей, например в робототехнике (групповая робототехника) сводятся, в основном, к одному — необходимости реализации задачи на множестве псевдоинтеллектуальных агентов. Каждый агент обладает рядом параметров, в т. ч. габаритные размеры, себестоимость и т. д. В случае же моделирования агенты представляют собой от групп ячеек памяти, до сложных функций, которые хранятся только в описательном виде. [1] [2]

Если рассматривать основные алгоритмы организации роевого интеллекта, то большинство из них имеет свой набор дополнительных ограничений, которые мешают их физической реализации, подробнее приведено в [2]. Основные алгоритмы роевого интеллекта:

− муравьиный алгоритм;

− пчелиный алгоритм;

− метод роя частиц;

− искусственная иммунная система;

− другие.

В то же самое время часть этих алгоритмов или похожих на них моделей поведения вполне возможны к реализации в виде группы роботов. В данном случае речь идет, в первую очередь, о пчелином алгоритме или, если точнее, алгоритме пчелиной колонии. Существует несколько основных ролей, каждый робот выполняет одну из них и, потенциально, может взять на себя другую роль. Такой подход позволяет относительно дешево реализовать алгоритм на достаточно небольшом количестве конечных агентов.

Но применение тех или иных моделей роевого интеллекта и групповой робототехники тесно связано с решаемой задачей. Здесь стоит еще раз отметить, что основное назначение данного класса методов — это оптимизация.

Задачи, имеющие в своей основе цель поиска, нуждаются в сокращении времени, затраченного на достижение результата, что в свою очередь прямо пропорционально количеству направлений для одновременного исследования пространства. Задачи поиска по своей природе и механике, аналогичны процессам оцифровки различных объектов или построении карт местности.

Изучение задач, использующих механизмы организации колонии или системы юнитов, позволяет выделить две группы: задачи в области вычислительных систем на уровне дополнительных абстракций (потоков выполнения или узлов, слоев нейросети) и задачи применения системы юнитов в качестве программной оболочки, управляющей физической реализацией. Как упоминалось ранее, эти задачи имеют общие признаки: масштабируемость, единый алгоритм работы каждого из юнитов, повышенная надежность системы в целом.

Исходя из того, что алгоритмы роевого типа построены по образу и подобию биологических систем (колонии насекомых), то метод и способ поведения юнитов, находящихся под управлением подобного алгоритма, будет аналогичен их прототипу. Одной из базовых задач биологического прототипа роевых систем, является защита колонии, контроль территории и добыча ресурсов. Такие задачи выполняются одновременно множеством самостоятельных агентов на различных направлениях или участках местности. В жизнедеятельности человека подобные задачи находят прямое применение в сферах, осуществляющих охранную и поисковую деятельность. [3]

Пространственные задачи групповой робототехники

Фактор одновременного скоординированного воздействия множеством копий (агентов) может использоваться в качестве системы получения информации об объекте или его тестировании. Проведение испытаний с участием множества участников снижает время получения возможной коллизии, позволяет проанализировать пропускную способность исследуемого объекта.

Методика получения и обработки статистических данных при исследовании или тестировании может повторять процедуры обучения в нейронных сетях, а факторы параллельного выполнения и легкость в масштабируемости позволяют провести аналогию в методике подхода к выполнению задачи и охарактеризовать системы, управляемые роевым интеллектом, как возможный элемент нейронной сети.

Одной из возможных конечных задач, является оцифровка трехмерных объектов или построение карты местности. Данная задача делится на две:

− задача с большим процентом выбытия или поломки;

− задачи, имеющие большое пространственное покрытие.

Такими задачами являются случаи применения технических устройств в зонах с агрессивными средами или непрогнозируемыми условиями работы. Второй вариант имеет базовое требование по снижению времени работы для выполнения поставленной задачи, что достигается одновременной активностью в разных секторах области оцифровки или поиска. Помимо задач поиска и оцифровки к данной группе можно отнести задачу мониторинга сложных объектов, территорий или целей. Подобная задача комбинирует в себе функции наблюдения, получения информации, ведение и слежение за объектом, контроль местоположения.

Моделирование химических процессов

Природные материалы имеют свойства меняться в процессе существования, а значит, что прогнозирование долговременной эксплуатации материалов требует дополнительных средств. Исходя из того, что химические соединения — это композиция из мельчайших частиц (молекул) — то формирование долговременного поведения на основе алгоритмов роевого типа позволяет продемонстрировать возможные изменения. Группе молекул, как и воздействующему фактору, задается модель поведения, свойства, характеристики, пороговые значения для реализации переходных состояний. Формирование подобным образом системы, состоящей из двух и более наборов алгоритмических реализаций, позволит смоделировать процессы коррозии, влияния ультрафиолета, реактивов или теплового излучения.

Физические явления

Размеры вселенной не представляют возможности исследования стандартными методами. Процессы формирования, существования и трансформации материи в пространстве космоса от уровня субатомных частиц до уровня галактик требует воссоздания сложных взаимосвязей, действующих по определенным законам. Использование роевого алгоритма по причине определенного уровня идентичности в сравнении агента и, например, атома в молекуле, или звезды в галактике. Основываясь на базовой механике работы роевых алгоритмов, возможно моделирование изучения космического пространства на основе этой концепции.

Прогнозирование погодных явлений

Концепция роевого интеллекта применяется и для имитаций таких физических процессов, которые проецируются в погодные явления. Атмосфера формируется газообразной средой с различным содержанием воды и различных газов в ее слоях, а степень нагрева поверхности, зависит от облачности в данной территории во время светового дня и свойств самой поверхности. Состав атмосферы, уровень испарения воды, выбросы углекислого газа, влияние водных артерий и рельеф задаются сложной системой. Основные элементы, формирующие воздушную среду, имитируются роем агентов — системой частиц.

Цель использования алгоритмического комплекса состоит в имитации постоянного воздействия и распространения различных веществ в атмосфере с отслеживанием путей их оседания и движения на прилегающих территориях. В качестве элементов роя принимаются химические элементы и соединения, а точкой их генерации выбираются соответствующие промышленные зоны, энергогенерирующие кластеры, транспортные магистрали или природные источники. Каждое химическое соединение имеет свои физические свойства, которые формируют соответствующую модель поведения. Группа элементов, объединенная данными характеристиками, формализуется как рой определенного типа с закрепленными маркерами для прослеживания перемещения по территории.

Прогнозирование распространения лесных пожаров

Борьба с лесными пожарами охватывает различные климатическое зоны и государства. В зависимости от инфраструктуры путей и сообщений, вида эксплуатации лесных ресурсов, а также рельефа местности эта проблема имеет особенности, связанные с тушением и локализацией возникающих очагов. Такой подход вносит в прогнозирование, последующую локализацию и подавление лесных пожаров множество переменных, изменение которых имеют множественное влияние на определенные участки территорий. Базовой идеей является методика формирования динамической карты, которая может моделироваться различными программными средствами и, в конечном счете, отображать в режиме реального времени ход событий с учетом множества факторов.

Роль использования роевого интеллекта здесь заключается в задаче имитации огня и различных факторов среды. Факторы, влияющие на пожарную опасность, можно моделировать роем другого типа или альтернативными методами. Одним из примеров является зона весеннего паводка, так как во время разлива нижний лесной и полевой слой защищен водой от огня, но при резком высыхании по причине изменения климатических условий эта площадь представляет из себя сухостой и соответственно плодотворные условия для распространения огня.

Моделирование многолетнего озеленения

Данная задача имеет в своей основе цель прогнозирования степени жизнеспособности и развития высаженных растений, предполагаемых для многолетнего роста. Задача имитационного моделирования роста зеленых насаждений имеет важное значения в современного развития и экологии. Получение количественных показателей для создания рекреации растительности и лесного фонда перспективно для современного общества и состояния экологии. В качестве роя принимается колония растений одного вида, а в качестве агента берется единичное растение, имеющее типовые характеристики, предполагаемую программу для роста и реакцию на внешние факторы.

Исследуемая задача озеленения подвержена множеству факторов, имеющих положительное и отрицательное влияние и как следствие элементы роя будут реагировать на данные параметры, формируя тем самым уникальное поведение для моделируемой экосистемы в целом. Модифицируя параметры, отвечающие за факторы, влияющие на тестовую колонию, можно в динамике отслеживать реакцию экосистемы на внешне влияние. [3]

Моделирование дорожного движения

Проектирование городского пространства имеет ключевую цель в формировании комфортной среды обитания, для популяции, живущей на данной территории, и населения, использующего данную область как транспортный узел. Тестирование нагрузки на инфраструктуру требует моделирования транспортных потоков, для которой можно использовать масштабируемую систему, управляемую роевым интеллектом. В этом случае абстрагируется модель поведения каждой группы, участвующей в перемещении по магистралям. Совокупность потоков в различных направлениях позволит смоделировать реальную транспортную нагрузку в любом масштабе.

Моделирование транспортных потоков в пешеходных зонах

Как и в случае моделирования транспортной нагрузки на дорожную сеть, моделирование потоков в пешеходных зонах и загруженности общественного транспорта требует визуализации и прогнозирования. Данная задача так же решаема с помощью роевого интеллекта. [4]

Запустив виртуальный макет, в котором функционируют потоки, управляемые роевым интеллектом, можно отслеживать имитационную модель для выбранной местности. Основываясь на базовом функционале роевого алгоритма, мы можем легко масштабировать количество агентов — элементов, принимающих участие в эксперименте. Корреляция единиц роя, изменение средней скорости движения или других параметров, характеризующих боид, позволит получить конкретный прогноз по состоянию пешеходной системы на конкретный момент времени суток в каждой точке местности.

Рассматривая задачи пешеходного движения в рамках использования роевого алгоритма, в отдельную группу выделяют задачу прогнозирования и анализа потоков движения людей на массовых мероприятиях в городских условиях.

Рыночные отношения, биржевые торги

Область рыночных отношений представима, как стратегическая игра групп участников. Каждая группа имеет свою стратегию поведения, которая реализуется алгоритмически. Набор подобных стратегий или агентов сопоставим с колонией, осуществляющей однотипную стратегию поведения в борьбе за ресурсы, но в разных позициях или конкретных условиях.

Моделирование рынка включает его развитие и поведение его участников, а процессы, происходящие на торговых и биржевых площадках, отражают движение цен на существующие активы и ресурсы. Так как брокеры, банки, частные инвесторы, государственные регуляторы и программные инструменты для технического анализа выступают в роли игроков на данной площадке, их поведение можно реализовать и виртуализировать с помощью роевого интеллекта. Поэтому используется программный инструмент для технического анализа, по своей сути это САУ реализующая стратегии, заложенные в определенном алгоритме. Если сформировать группу данных систем в концепции роевого интеллекта, то можно получить моделирование колонии трейдеров.

Моделирование явлений или процессов, имеющих фрактальный тип построения с необходимостью множественного масштабирования

Множественное самоподобие является темой, граничащей с роевыми алгоритмами в смысле отражения и воссоздания биологических и природных явлений. Алгоритмические модели создающие фрактальные узоры инея или облаков, а также различных природных поверхностей, используются в современной компьютерной графике для повешения различности.

Исходя из одного из определений фракталов и их механики, которая используется в создании сложных систем и зависимостей, можно сделать вывод о модификации построения систем, основанных на фрактальной парадигме. Предлагаемая модификация в базовом варианте сводится к созданию гибридной функции, содержащей в себе законы построения фрактала определенного типа и элемент роя, принимающий собственные решения для достижения конечной цели или действия в ответ на сигналы внешней среды.

Одним из простейших примеров, позволяющих максимально приблизить графическое моделирование к реальному прототипу, существующему в реальных условиях — это развитие мха, плесени, образование инея, обледенение или появление коррозии на объектах. Приведенные примеры имеют пространственное развитие, на которые влияют факторы: освещенность, влажность, температурные факторы, базовый материал, тип покрытия, различные химические средства и соединения. Более подробно данный подход описан в [2].

Практическое применение «фрактально-роевой» модели может активно применяться в исследовании защитных покрытий, химикатов с целью тестирования свойств препарата на длительном временном отрезке. При использовании данной модели можно достоверно проверить работу химического состава при различных условиях и на различных материалах. Ключевой особенностью, является то, что скорость построения колонии и соответственно получение результата и его графического отображения зависит лишь только от производительности вычислительной системы, на которой производится моделирование.

Заключение

Приведенные методы и алгоритмы роевого интеллекта не являются конечным набором, как и сами рассмотренные задачи. Каждая задача может быть решена альтернативными способами. Целью данной статьи было показать общие выводы касательно применения роевого интеллекта и групповой робототехники, полученные в ходе исследовательской работы. Что и было проделано. В заключении стоит отметить, что при попытке применения методов роевого интеллекта для решения различных задач стоит готовиться к итеративному подходу в адаптации базового алгоритма к конечной цели.

Литература:

1. Водолазский, И. А. Роевой интеллект и его наиболее распространённые методы реализации / И. А. Водолазский, А. С. Егоров, А. В. Краснов. — Текст: непосредственный // Молодой ученый. — 2017. — № 4 (138). — С. 147–153.

2. Яковлева, Е. А. Роевой интеллект в роботизированном решении пространственных задач: монография / Е. А. Яковлева, А. А. Сорокин, Р. А. Коваленко. — Казань: Бук, 2020. — 104 с.

3. Баранюк, В. В. Роевой интеллект как одна из частей онтологической модели бионических технологий / В. В. Баранюк, О. С. Смирнова // International journal of open information technologies. — 2015. — № 12. — С. 13–17.

4. Киселев, С. О. Исследование и сравнение бионических методов и моделей для автоматизированного проектирования маршрутов обхода геометрических объектов / С. О. Киселев, В. Д. Фроловский // Национальная ассоциация ученых. — 2015. — № 4–2(9). — С. 111–115.