Formazione a sciame: differenze tra le versioni
+traduzione |
→Algoritmi: +traduzione |
||
Riga 51: | Riga 51: | ||
=== Algoritmi === |
=== Algoritmi === |
||
Gli algoritmi dello sciame seguono un approccio lagrangiano o un approccio [[Equazioni di Eulero (fluidodinamica)|euleriano]].<ref name="Li et al">{{Cita pubblicazione|autore=|autore2=|autore3=|anno=2007|titolo=Minimal mechanisms for school formation in self-propelled particles|rivista=Physica D: Nonlinear Phenomena|volume=237|numero=5|pp=699-720|lingua=en|doi=10.1016/j.physd.2007.10.009|bibcode=2008PhyD..237..699L|url=http://www.math.ubc.ca/~keshet/Papers/YXL_Lukeman_LEK.pdf}}</ref> L'approccio euleriano identifica lo sciame come un [[Campo (fisica)|campo]], che lavora con la densità dello sciame e trae proprietà del campo medio. È un approccio idrodinamico e può essere utile per modellare la dinamica generale di grandi sciami.<ref>{{Cita pubblicazione|autore=J. Toner|autore2=Y. Tu|autore3=|anno=1995|titolo=Long-range order in a two-dimensional xy model: how birds fly together|rivista=Physical Revue Letters|volume=75|numero=23|pp=4326-4329|lingua=en}}</ref><ref>{{Cita pubblicazione|autore=|autore2=|autore3=|anno=2004|titolo=Swarming patterns in a two-dimensional kinematic model for biological groups|rivista=SIAM J Appl Math|volume=65|numero=1|pp=152-174|lingua=en|doi=10.1137/S0036139903437424|bibcode=2004APS..MAR.t9004T|url=}}</ref><ref>{{Cita pubblicazione|autore=|autore2=|autore3=|anno=2006|titolo=A nonlocal continuum model for biological aggregation|rivista=Bull Math Biol|volume=68|numero=7|pp=1601-1623|lingua=en|doi=10.1007/s11538-006-9088-6|url=|PMID=16858662|arxiv=q-bio/0504001}}</ref> Tuttavia, la maggior parte dei modelli funziona con l'approccio lagrangiano, che è un [[Modello basato sull'agente|modello basato su agenti]] che segue i singoli agenti (punti o particelle) che compongono lo sciame. I singoli modelli di particelle possono seguire le informazioni sulla direzione e sulla spaziatura che si perdono nell'approccio euleriano.<ref name="Li et al" /><ref>{{Cita pubblicazione|autore=J. Carrillo|autore2=M. Fornasier|autore3=G. Toscani|anno=2010|titolo=Particle, kinetic, and hydrodynamic models of swarming|rivista=Modeling and Simulation in Science, Engineering and Technology|volume=3|numero=|pp=297-336|lingua=en|doi=10.1007/978-0-8176-4946-3_12|url=http://mate.unipv.it/~toscani/publi/swarming.pdf|isbn=978-0-8176-4945-6}}</ref> |
|||
{{...|natura}} |
|||
==== Ottimizzazione delle colonie di formiche ==== |
==== Ottimizzazione delle colonie di formiche ==== |
Versione delle 13:47, 15 lug 2020
La formazione a sciame o lo sciamare, è un comportamento collettivo esibito da entità, in particolare animali, di dimensioni simili che si aggregano insieme, muovendosi pressappoco o nello stesso punto o in massa o migrando in una direzione. È un argomento altamente interdisciplinare.[1] Il termine sciamare o brulicare viene applicato in particolare agli insetti, ma può anche essere applicato a qualsiasi altra entità o animale che presenti un comportamento simile. Il termine floccaggio o mormorio può riferirsi in modo specifico allo sciamare negli uccelli, al radunarsi in gregge in riferimento alla sciamatura nei tetrapodi e all'aggregazione in banchi per indicare lo sciamare nei pesci. Anche il fitoplancton si riunisce in enormi sciami chiamati fioriture, anche se questi organismi sono alghe e non sono semoventi come gli animali. Per estensione, il termine "sciame" viene applicato anche alle entità inanimate che presentano comportamenti paralleli, come in uno sciame di robot, uno sciame di terremoti o uno sciame di stelle.
Da un punto di vista più astratto, la formazione a sciame è il movimento collettivo di un gran numero di entità semoventi.[2] Dal punto di vista di chi crea modelli matematici, si tratta di un comportamento emergente derivante da semplici regole che sono seguite dagli individui e non comporta alcun coordinamento centrale. La formazione a sciame è anche studiata dai fisici della materia attiva come fenomeno che non è in equilibrio termodinamico, e come tale richiede lo sviluppo di strumenti ulteriori a quelli disponibili dalla fisica statistica dei sistemi in equilibrio termodinamico.
La formazione a sciame è stata simulata per la prima volta su un computer nel 1986 con il software di simulazione boids.[3] Questo software simula agenti semplici (boids) che possono spostarsi secondo una serie di regole base. Il modello è stato originariamente progettato per imitare il comportamento dello stormo degli uccelli, ma può essere applicato anche al branco dei pesci e ad altre entità che sciamano.
Modelli
Negli ultimi decenni, gli scienziati hanno iniziato a creare modelli sulla formazione a sciame per ottenere una comprensione più profonda del comportamento.
Modelli matematici
I primi studi sulla formazione a sciame impiegava modelli matematici per simulare e comprendere il comportamento. I modelli matematici più semplici di aggregazioni di animali in genere rappresentano singoli animali che seguono queste tre regole:
- Si muovono nella stessa direzione dei loro vicini
- Rimangono vicino ai loro vicini
- Evitano scontri con i loro vicini
Il programma per computer boids, creato da Craig Reynolds nel 1986, simula la formazione a sciame seguendo le regole di cui sopra.[4] Molti modelli successivi e attuali usano alcune variazioni di queste regole, spesso implementandole per mezzo di "zone" concentriche attorno a ciascun animale. Nella "zona di repulsione", molto vicina all'animale, l'animale focale cercherà di distanziarsi dai suoi vicini per evitare lo scontro. Leggermente più lontano, nella "zona di allineamento", l'animale focale cercherà di allineare la sua direzione di movimento con quella dei suoi vicini. Nella "zona di attrazione" più esterna, che si estende dall'animale focale tanto lontano quanto esso è in grado di percepire, l'animale focale cercherà di spostarsi verso un animale vicino.
La forma di queste zone sarà necessariamente influenzata dalle capacità sensoriali di un determinato animale. Ad esempio, il campo visivo di un uccello non si estende dietro il suo corpo. I pesci si affidano sia alla visione che alle percezioni idrodinamiche trasmesse attraverso le loro linee laterali, mentre il krill antartico si basa sia sulla visione che sui segnali idrodinamici trasmessi attraverso le antenne.
Tuttavia, recenti studi sugli stormi di storni hanno dimostrato che ogni uccello modifica la sua posizione, rispetto ai sei o sette animali che lo circondano, non importa quanto vicini o lontani siano quegli animali.[5] Le interazioni tra storni che si muovono in stormi si basano quindi su una regola topologica, piuttosto che metrica. Resta da vedere se questo vale per altri animali. Un altro recente studio, basato su un'analisi delle riprese ad alta velocità di stormi sopra Roma e che ipotizza regole comportamentali minime, ha simulato in modo convincente una serie di aspetti del comportamento dello stormo.[6][7][8][9]
Modelli evolutivi
Al fine di comprendere meglio perché gli animali sviluppano comportamenti brulicanti, gli scienziati si sono rivolti a modelli evolutivi che simulano popolazioni di animali in evoluzione. Tipicamente questi studi usano un algoritmo genetico per simulare l'evoluzione nel corso di molte generazioni. Questi studi hanno esaminato una serie di ipotesi che tentano di spiegare perché gli animali sviluppano comportamenti brulicanti, come la teoria della mandria egoista,[10][11][12][13] l'effetto di confusione dei predatori,[14][15] l'effetto di diluizione,[16][17] e la teoria dei molteplici occhi.[18]
Agenti
- (EN) Robert Mach e Frank Schweitzer, Multi-Agent Model of Biological Swarming, in Advances In Artificial Life, collana Lecture Notes in Computer Science, vol. 2801, 2003, pp. 810-820, DOI:10.1007/978-3-540-39432-7_87, ISBN 978-3-540-20057-4.
Auto-organizzazione
Comportamento emergente
Il concetto di comportamento emergente – le cui proprietà e funzioni trovate a livello gerarchico non sono presenti e sono irrilevanti ai livelli inferiori – è spesso un principio di base dietro i sistemi auto-organizzanti.[19] Un esempio di auto-organizzazione in biologia che porta ad emergere nel mondo naturale si trova nelle colonie di formiche. La regina non dà ordini diretti e non dice alle formiche cosa fare.[senza fonte] Invece, ogni formica reagisce agli stimoli sotto forma di profumi chimici provenienti dalle larve, altre formiche, intrusi, cibo e accumulo di rifiuti e lascia dietro di sé una scia chimica che, a sua volta, fornisce uno stimolo per le altre formiche. Qui ogni formica è un'unità autonoma che reagisce in base solo al suo ambiente locale e alle regole codificate geneticamente per la sua varietà. Nonostante la mancanza di un processo decisionale centralizzato, le colonie di formiche mostrano comportamenti complessi e sono state persino in grado mostrare la capacità di risolvere problemi geometrici. Ad esempio, le colonie trovano abitualmente la massima distanza da tutti gli ingressi delle colonie per eliminare i corpi morti.
Stigmergia
Un ulteriore concetto chiave nel campo dell'intelligenza dello sciame è la stigmergia.[20][21] La stigmergia è un meccanismo di coordinamento indiretto tra agenti o azioni. Il principio è che la traccia lasciata nell'ambiente da un'azione stimola la prestazione di un'azione successiva, da parte dello stesso agente o di un agente diverso. In questo modo, le azioni successive tendono a rafforzarsi a vicenda, portando alla nascita spontanea di attività coerenti, apparentemente sistematiche. La stigmergia è una forma di auto-organizzazione. Produce strutture complesse, apparentemente intelligenti, senza bisogno di alcuna pianificazione, controllo o comunicazione diretta tra gli agenti. In quanto tale, supporta una collaborazione efficiente tra agenti estremamente semplici, che mancano di memoria, intelligenza o persino consapevolezza reciproca.[21]
Intelligenza dello sciame
L'intelligenza dello sciame è il comportamento collettivo di sistemi decentralizzati, auto-organizzati, naturali o artificiali. Il concetto è impiegato nel lavoro sull'intelligenza artificiale. L'espressione è stata introdotta da Gerardo Beni e Jing Wang nel 1989, nel contesto dei sistemi robotici cellulari.[22]
I sistemi di intelligenza dello sciame sono in genere costituiti da una popolazione di agenti semplici come i boidi che interagiscono a livello locale tra loro e il loro ambiente. Gli agenti seguono regole molto semplici e, sebbene non esista una struttura di controllo centralizzata che imponga come si dovrebbero comportare i singoli agenti, a livello locale e in una certa misura casuale, le interazioni tra tali agenti portano all'emergere di un comportamento intelligente globale, sconosciuto ai singoli agenti.
La ricerca sull'intelligenza dello sciame è multidisciplinare. Può essere suddivisa in ricerca sullo sciame naturale studiando sistemi biologici e ricerca sullo sciame artificiale studiando artefatti umani. Esiste anche un flusso scientifico che tenta di modellare gli stessi sistemi di sciami e di comprenderne i meccanismi sottostanti, e un flusso di ingegneria focalizzato sull'applicazione delle intuizioni sviluppate dalla corrente scientifica per risolvere problemi pratici in altre aree.[23]
Algoritmi
Gli algoritmi dello sciame seguono un approccio lagrangiano o un approccio euleriano.[24] L'approccio euleriano identifica lo sciame come un campo, che lavora con la densità dello sciame e trae proprietà del campo medio. È un approccio idrodinamico e può essere utile per modellare la dinamica generale di grandi sciami.[25][26][27] Tuttavia, la maggior parte dei modelli funziona con l'approccio lagrangiano, che è un modello basato su agenti che segue i singoli agenti (punti o particelle) che compongono lo sciame. I singoli modelli di particelle possono seguire le informazioni sulla direzione e sulla spaziatura che si perdono nell'approccio euleriano.[24][28]
Ottimizzazione delle colonie di formiche
Particelle semoventi
Ottimizzazione con sciami di particelle
Altruismo
Evoluzione degli sciamanti
Insetti
Formiche
Mosche
Api
Scarafaggi
Locuste
Migrazione degli insetti
Uccelli
Migrazione degli uccelli
Vita marina
Pesci
Migrazione dei pesci
Krill
Copepodi
Fioriture algali
Piante
Batteri
Mammiferi
Persone
Robotica
Militare
Galleria d'immagini
-
Uno sciame di aringhe migranti
-
Uno sciame di api
-
Le salpidi disposte in catene formano enormi sciami.
-
Le persone che sciamano attraverso un'uscita non si comportano sempre come un fluido.
-
Uno sciame di coccinelle
-
Uno sciame di robot
-
Uno sciame di stelle antiche
Miti
Note
- ^ Roland Bouffanais, Design and Control of Swarm Dynamics, collana SpringerBriefs in Complexity, Firstª ed., Springer, 2016, DOI:10.1007/978-981-287-751-2, ISBN 978-981-287-750-5.
- ^ (EN) O'Loan e Evans, Alternating steady state in one-dimensional flocking, in Journal of Physics A: Mathematical and General, vol. 32, n. 8, 1998, pp. L99-L105, Bibcode:1999JPhA...32L..99O, DOI:10.1088/0305-4470/32/8/002, arXiv:cond-mat/9811336.
- ^ (EN) C. W. Reynolds, Flocks, herds and schools: A distributed behavioral model, in Computer Graphics, vol. 21, n. 4, 1987, pp. 25-34, DOI:10.1145/37401.37406, ISBN 978-0-89791-227-3.
- ^ (EN) C. W. Reynolds, Flocks, herds and schools: A distributed behavioral model, in Computer Graphics, vol. 21, n. 4, 1987, pp. 25-34, DOI:10.1145/37401.37406, ISBN 978-0-89791-227-3.
- ^ (EN) Interaction ruling animal collective behavior depends on topological rather than metric distance: Evidence from a field study, in Proc. Natl. Acad. Sci. U.S.A., vol. 105, n. 4, 2008, pp. 1232-7, Bibcode:2008PNAS..105.1232B, DOI:10.1073/pnas.0711437105, PMID 18227508, arXiv:0709.1916.
- ^ (EN) Self-organized aerial displays of thousands of starlings: a model, in Behavioral Ecology, vol. 21, n. 6, 2010, pp. 1349-1359, DOI:10.1093/beheco/arq149.
- ^ (EN) Some causes of the variable shape of flocks of birds, in PLOS One, vol. 6, n. 8, 2011, p. e22479, Bibcode:2011PLoSO...622479H, DOI:10.1371/journal.pone.0022479, PMID 21829627.
- ^ (EN) Swarms and schools - Self organization and complex behaviour, su rug.nl.
- ^ (EN) Research at the Faculty of Science and Engineering, su rug.nl.
- ^ (EN) Critical Interplay Between Density-dependent Predation and Evolution of the Selfish Herd, in Proceedings of GECCO 2013, Gecco '13, 2013, pp. 247-254, DOI:10.1145/2463372.2463394, ISBN 9781450319638.
- ^ (EN) Evolving collective behavior in an artificial ecology, in Artificial Life, vol. 7, n. 2, 2001, pp. 191-209, DOI:10.1162/106454601753139005, PMID 11580880.
- ^ (EN) Simulated evolution of selfish herd behavior, in Journal of Theoretical Biology, vol. 234, n. 2, 2005, pp. 213-225, DOI:10.1016/j.jtbi.2004.11.035, PMID 15757680.
- ^ (EN) Evolving the selfish herd: emergence of distinct aggregating strategies in an individual-based model, in Proc Biol Sci, vol. 274, n. 1618, 2007, pp. 1637-1642, DOI:10.1098/rspb.2007.0306, PMID 17472913.
- ^ (EN) Predator confusion is sufficient to evolve swarming behaviour, in J. R. Soc. Interface, vol. 10, n. 85, 2013, p. 20130305, DOI:10.1098/rsif.2013.0305, PMID 23740485.
- ^ (EN) Simulating predator attacks on schools: Evolving composite tactics (PDF), in Ecological Modelling, vol. 304, 2015, pp. 22-33, DOI:10.1016/j.ecolmodel.2015.02.018.
- ^ (EN) Tosh CR, Which conditions promote negative density dependent selection on prey aggregations? (PDF), in Journal of Theoretical Biology, vol. 281, n. 1, 2011, pp. 24-30, DOI:10.1016/j.jtbi.2011.04.014, PMID 21540037.
- ^ (EN) Predatory Fish Select for Coordinated Collective Motion in Virtual Prey, in Science, vol. 337, n. 6099, 2012, pp. 1212-1215, Bibcode:2012Sci...337.1212I, DOI:10.1126/science.1218919, PMID 22903520.
- ^ (EN) Exploring the evolution of a trade-off between vigilance and foraging in group-living organisms, in Royal Society Open Science, vol. 2, n. 9, 2015, p. 150135, Bibcode:2015RSOS....250135O, DOI:10.1098/rsos.150135, PMID 26473039, arXiv:1408.1906.
- ^ (EN) Hierarchy of Life, su authorstream.com.
- ^ (EN) H. v D. Parunak, Making swarming happen, in Proceedings of Conference on Swarming and Network Enabled Command, Control, Communications, Computers, Intelligence, Surveillance and Reconnaissance (C4ISR), Virginia, USA, McLean, 3 gennaio 2003.
- ^ a b (EN) L. Marsh e C. Onof, Stigmergic epistemology, stigmergic cognition (PDF), in Cognitive Systems Research, vol. 9, n. 1, 2008, pp. 136-149, DOI:10.1016/j.cogsys.2007.06.009.
- ^ (EN) G. Beni e J. Wang, Swarm Intelligence in Cellular Robotic Systems, Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, 26-30 Giugno 1989.
- ^ (EN) M. Dorigo e M. Birattari, Swarm intelligence, in Scholarpedia, vol. 2, n. 9, 2007, p. 1462, Bibcode:2007SchpJ...2.1462D, DOI:10.4249/scholarpedia.1462.
- ^ a b (EN) Minimal mechanisms for school formation in self-propelled particles (PDF), in Physica D: Nonlinear Phenomena, vol. 237, n. 5, 2007, pp. 699-720, Bibcode:2008PhyD..237..699L, DOI:10.1016/j.physd.2007.10.009.
- ^ (EN) J. Toner e Y. Tu, Long-range order in a two-dimensional xy model: how birds fly together, in Physical Revue Letters, vol. 75, n. 23, 1995, pp. 4326-4329.
- ^ (EN) Swarming patterns in a two-dimensional kinematic model for biological groups, in SIAM J Appl Math, vol. 65, n. 1, 2004, pp. 152-174, Bibcode:2004APS..MAR.t9004T, DOI:10.1137/S0036139903437424.
- ^ (EN) A nonlocal continuum model for biological aggregation, in Bull Math Biol, vol. 68, n. 7, 2006, pp. 1601-1623, DOI:10.1007/s11538-006-9088-6, PMID 16858662, arXiv:q-bio/0504001.
- ^ (EN) J. Carrillo, M. Fornasier e G. Toscani, Particle, kinetic, and hydrodynamic models of swarming (PDF), in Modeling and Simulation in Science, Engineering and Technology, vol. 3, 2010, pp. 297-336, DOI:10.1007/978-0-8176-4946-3_12, ISBN 978-0-8176-4945-6.
Bibliografia
- Blum C e Merkle D (2008) Swarm intelligence: introduzione e applicazioni Springer. ISBN 978-3-540-74088-9 ISBN 978-3-540-74088-9 .
- Camazine S, Deneubourg JL, Franks NR, Sneyd J, Theraulaz G e Bonabeau E (2003) Auto-organizzazione nei sistemi biologici Princeton University Press. ISBN 978-0-691-11624-2 ISBN 978-0-691-11624-2 .
- Fisher L (2009) Lo sciame perfetto: la scienza della complessità nella vita quotidiana Libri base. ISBN 978-0-465-01884-0 ISBN 978-0-465-01884-0 .
- Kennedy JF, Kennedy J, Eberhart RC e Shi Y (2001) Swarm intelligence Morgan Kaufmann. ISBN 978-1-55860-595-4 ISBN 978-1-55860-595-4 .
- Krause, J (2005) Vivere in gruppi Oxford University Press. ISBN 978-0-19-850818-2 ISBN 978-0-19-850818-2
- Lim CP, Jain LC e Dehuri S (2009) Innovazioni in Swarm Intelligence Springer. ISBN 978-3-642-04224-9 ISBN 978-3-642-04224-9 .
- Miller, Peter (2010) The Smart Swarm: come la comprensione di greggi, scuole e colonie può renderci migliori nel comunicare, prendere decisioni e portare a termine le attività Penguin, ISBN 978-1-58333-390-7
- Nedjah N e Mourelle LdM (2006) Swarm sistemi intelligenti Springer. ISBN 978-3-540-33868-0 ISBN 978-3-540-33868-0 .
- Sumpter, David JT (2010) Comportamento animale collettivo Princeton University Press. ISBN 978-0-691-14843-4 ISBN 978-0-691-14843-4 .
- Collective motion, in Physics Reports, vol. 517, 3–4, 2012, pp. 71–140, Bibcode:2012PhR...517...71V, DOI:10.1016/j.physrep.2012.03.004, arXiv:1010.5017.
Voci correlate
Altri progetti
- Wikimedia Commons contiene immagini o altri file su Formazione a sciame
Collegamenti esterni
- Articolo del New York Times sulle indagini sullo sciame
- Dal Wolfram Demonstrations Project - richiede un lettore CDF (gratuito) :
Controllo di autorità | LCCN (EN) sh2009002808 · J9U (EN, HE) 987007542815005171 |
---|