Как саранча и стада травоядных животных оптимизируют алгоритмы искусственного интеллекта

Ученые Института компьютерных технологий и информационной безопасности ЮФУ занимаются созданием биоэвристик для решения задач глобальной оптимизации. Это алгоритмы, обладающее коллективным разумом и самоорганизацией, применяемые при разработке спутниковых антенн, радиоприемников, а также в качестве основы для «компьютерных диджеев» и «нейромаркетинга».

Перспективными для оптимизации разнообразных задач методами являются биоэвристические алгоритмы или, просто, биоэвристики. Это алгоритмические приемы, которые позволяют ограничить перебор, и основаны на имитации природных механизмов эволюции, интеллектуального группового поведении особей в живой природе.

В Южном федеральном университете данное направление развивают ученые Института компьютерных технологий и информационной безопасности под руководством профессора кафедры математического обеспечения и применения ЭВМ Сергея Родзина. Кроме того, исследования в области роевого интеллекта входят в перечень приоритетных задач стратегических проектов программы развития ЮФУ «Приоритет 2030»(нацпроект «Наука и университеты»).

По словам экспертов ЮФУ, это новое стремительно развивающееся направление в искусственном интеллекте и машинном обучении. Хотя идея не новая, концепция биоэвристики была отражена еще у Станислава Лема в романе «Непобедимый».

«Биоэвристики моделируют поведение множества агентов, локально взаимодействующих между собой и с окружающей средой. Идеи поведения исходят от природы, как правило, от биологических систем, например, колония муравьев, пчелиный рой, хемотаксис бактерий, стая китов, охотящаяся за крилем. Каждый агент следует очень простым правилам. Какой-то централизованной системы управления поведением агентов нет. Однако многоагентная система в целом обладает коллективным разумом и самоорганизацией», – профессор ИКТИБ ЮФУ Сергей Родзин.

Сегодня идеи биоэвристик перешли из мира фантастики в реальность. Например, их уже использовали при создании спутниковой антенны, а компания Genetic Programming разработала с помощью подобного алгоритма множество продуктов, включая зубные щетки Oral-B..

Однако это те примеры, когда материализация происходит с участием людей. Интересно, что биоэвристики также выступают самостоятельной основой для многих технологий. Например, в Британии открылся павильон, где бились за выживание роботы двух видов – "гелиофаги" и "хищники". Гелиофаги сами добывали энергию через солнечные батареи. Хищники охотились на "гелиофагов" и заряжались от них. Те, кто выживал, загружали свои "гены" в роботов следующего поколения. Один из роботов в ходе этого эксперимента поумнел настолько, что убежал и был настигнут на парковке, где его сбил автомобиль. С помощью данных алгоритмов также создан компьютерный ди-джей, который пишет музыку, отслеживая настроение людей. Работает он следующим образом: каждому посетителю клуба выдается браслет-датчик, фиксирующий пульс человека и его местонахождение в зале. Эти данные биоэвристика использует для «выращивания» новых мелодий. Вначале машина вносит в музыку случайные мутации, а затем отслеживает реакции и выбирает те изменения, которые пришлись людям по вкусу. Еще один интересный пример – технология "нейромаркетинга". Идея состоит в сканировании мозга человека во время демонстрации рекламы, что позволяет отслеживать воздействие рекламных образов, а затем конструировать те, которые воздействовали наиболее сильно. Данная технология уже используется крупными корпорациями, среди которых Proctor&Gamble и Coca Cola.

«Еще пример из биологии. С помощью биоэвристики недавно была решена задача, поставленная в биологии свыше 100 лет назад – загадка регенерации червей. Биоэвристика моделировала различные варианты сетей, сформированных генами и белками червя, сопоставляя их с результатами экспериментов. При достижении частичного соответствия программа вносила в генетическую сеть случайные изменения и возобновляла процесс оптимизации. В результате множества итераций была получена сеть генетических связей, полностью соответствующая результатам практических исследований», – поделился Сергей Родзин.

Сейчас научный коллектив ИКТИБ ЮФУ работает над проектом «Эффективные биоэвристики, инспирированные животным миром, на основе выявления паттернов поведения для задач оптимизации многомерных функций и сегментации изображений», поддержанным грантом Российского научного фонда (РНФ).

По словам ученого, несмотря на достигнутые успехи в области создания биоэвристических алгоритмов на сегодняшний день имеются весомые научные проблемы, две из которых возможно решить в рамках данного проекта. Первая связана с установлением баланса между скоростью сходимости биоэвристик и расширением пространства поиска оптимальных решений.

«Скорость сходимости обозначает число шагов, затраченных алгоритмом для достижения приемлемой точности решения задачи. Речь идет о равновесии между способностью алгоритма находить новые решения и его возможностью достигать оптимума целевой функции или подходить достаточно близко к нему за конечное число шагов. Решить эту проблему предполагается на основе выявления паттернов индивидуального и коллективного поведения агентов в многоагентной системе. Это проблема имеет важное значение для обеспечения точности и производительности алгоритмов оптимизации в таких областях как распознавание образов, информационная безопасность, инженерное проектирование, интеллектуальный анализ данных, цифровая экономика», – рассказал руководитель гранта Сергей Родзин.

Вторая проблема заключается в разработке обучаемых оптимизаторов на основе накопленных знаний. Традиционные методы оптимизации основаны на подходе в стиле tabula rasa (с "чистого листа"), то есть без использования предварительных знаний о подходах к решению задачи. Однако ученые ЮФУ предлагают подход, в котором знания, включая те, которые генерируются в Интернете, могут быть использованы для автоматического поиска наиболее эффективного оптимизатора.

«Мы предлагаем подход, когда биоэвристику не нужно формировать вручную. Вместо этого, используя передачу информации, можно использовать знания, в том числе генерируемые в Интернете, для автоматического поиска наиболее эффективного оптимизатора. Это своего рода машинное обучение без необходимости разработки пользователем новых алгоритмов оптимизации, инспирированных природой. Мы считаем, что подобный подход в сочетании с технологиями облачных вычислений и Интернета-вещей, может занять центральное место в современные механизмах оптимизации», – отметил ученый.

Несмотря на то, что проект исследователей начался в январе 2023 года, на сегодняшний день уже получены весомые результаты. Так, ученые предложили биоэвристический алгоритм, моделирующий сочетание паттернов индивидуального и роевого поведения саранчи для решения задач оптимизации многомерных мульти-экстремальных функций. В данном случае саранча является репрезентативным примером насекомых, которые могут сочетать роевое и индивидуальное поведение, которое реализуется различными аттрактивными операторами.

«Две саранчи при индивидуальном поведении не стремятся сблизиться, если между ними небольшое расстояние и, наоборот, при роевом поведении саранча стремительно концентрируется вокруг особей, которые нашли источники пищи. Это позволяет не только более реалистично моделировать кооперативное поведение колонии саранчи, но и включить вычислительный механизм, позволяющий избежать таких недостатков многих популярных биоэвристик, как преждевременная сходимость, поддержать баланс между скоростью сходимости алгоритма и диверсификацией пространства поиска решений», – объяснил руководитель проекта.

Созданный алгоритм уже протестирован и показал качественные результаты, изложенные в журнале «Вестник ВГУ. Системный анализ и информационные технологии».

Еще одним итогом работы ученых стал новый коэволюционный самонастраивающийся алгоритм, способный решать сложные задачи глобальной оптимизации. Этот алгоритм, разработанный на основе эгоистического поведения в природе, демонстрирует улучшенную точность и производительность по сравнению с другими биоэвристиками.

В его основе лежит моделирование поведения стада травоядных животных, оказывающихся под нападением стаи хищников. Поисковые агенты используют набор аттрактивных операторов поиска, основанных на паттернах индивидуального и коллективного поведения, а также на механизмах популяционного отбора. Они перемещаются в пространстве решений задачи оптимизации, имитируя различные виды поведения, включая эгоистичное.