เมนูนำทาง
ความฉลาดแบบกลุ่ม
นักวิจัยจากประเทศสวิตเซอร์แลนด์ได้พัฒนาขั้นตอนวิธีขึ้นมาบนพื้นฐานของกฎของฮามิลทันว่าด้วยการเลือกเพื่อดำรงเผ่าพันธ์ (Hamilton's rule of kin selection) ขั้นตอนวิธีนี้ได้แสดงให้เห็นว่าการเสียสละในกลุ่มนั้นจะช่วยให้กลุ่มเจริญเติบโตและมีประสิทธิภาพสูงขึ้นในภาพรวม[1][2]
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด (Ant colony optimization) นั้นเป็นขั้นตอนวิธีสำหรับหาค่าเหมาะสมที่สุด (Optimization algorithm) ที่มีพื้นฐานมาจากระบบอาณาจักรมด ขั้นตอนวิธีนี้เหมาะที่จะนำไปใช้แก้ปัญหาในการหาเส้นทางไปยังจุดหมายที่ต้องการ มดจำลอง (เทียบได้กับเอเจนต์) จะหาเส้นทางโดยการเคลื่อนที่ผ่านปริภูมิพารามิเตอร์ (Parameter space) ซึ่งเป็นเซตที่เก็บวิธีการทุกแบบที่เป็นไปได้ไว้ นอกจากการเคลื่อนที่ปกติแล้ว มดจำลองจะบันทึกเส้นทางที่ตัวเองเดินผ่านเอาไว้เหมือนมดในธรรมชาติที่จะปล่อยฟีโรโมนออกมาในระหว่างเดินทางเพื่อนำทางมดตัวอื่นด้วย การบันทึกเส้นทางนี้ช่วยให้มดจำลองสามารถหาคำตอบที่ดีกว่าเดิมได้เมื่อเวลาผ่านไป[3]
ระบบภูมิต้านทานประดิษฐ์ (Artificial immune system) ศึกษาเกี่ยวกับการนำโครงสร้างและหน้าที่ของระบบภูมิคุ้มกันมาปรับใช้ในด้านคอมพิวเตอร์เพื่อแก้ปัญหาคณิตศาสตร์ วิศวกรรม และเทคโนโลยีสารสนเทศ
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ (Charged system search) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่สร้างขึ้นมาจากการนำกฎพื้นฐานของฟิสิกส์และกลศาสตร์บางข้อมาปรับใช้งาน[4] ระบบนี้จะจำลองสภาพแวดล้อมที่เอเจนต์เป็นอนุภาคที่มีประจุ ซึ่งจะมีปฏิสัมพันธ์กันในรูปของการดูดและการผลัก ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุนี้เหมาะกับการนำไปใช้ในการหาค่าเหมาะสมที่สุด โดยเฉพาะเมื่อข้อมูลนำเข้าไม่ลู่ออก
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบนกดุเหว่า (Cuckoo search) เลียนแบบพฤติกรรมการฝากลูกให้คนอื่นเลี้ยงของนกดุเหว่าในแต่ละรุ่น มาปรับใช้ในการค้นหาคำตอบที่ต้องการ การศึกษาเร็วๆ นี้พบว่า CS ทำงานได้เร็วกว่าขั้นตอนวิธีอื่นอย่างเช่น PSO[5]
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อย (Firefly algorithm) เป็นอีกหนึ่งขั้นตอนวิธีความฉลาดแบบกลุ่มที่ได้แรงบันดาลใจมาจากพฤติกรรมการเปล่งแสงของหิ่งห้อย ความเข้มของแสงจะผูกกับความน่าดึงดูดของตัวหิ่งห้อย ซึ่งทำให้หิ่งห้อยตัวรอบๆ บินเข้าไปหา ก่อเกิดเป็นกลุ่มย่อยๆ ดังนั้นขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบหิ่งห้อยนี้จึงค่อนข้างเหมาะกับโจทย์ปัญหาหาค่าเหมาะสมที่สุดที่มีผลเฉลยหลายแบบ[6] แต่ก็สามารถนำไปประยุกต์กับปัญหาหาค่าเหมาะสมที่สุดที่ข้อมูลนำเข้าเป็นค่าต่อเนื่องเช่นปัญหาการเดินทางของพนักงานขาย (Travelling Salesman Problem)
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วง (Gravitational search algorithm) นั้นมีลักษณะคล้ายๆ กับขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุ โดยแตกต่างกันที่ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบที่มีประจุจะใช้กฎด้านไฟฟ้า ส่วนขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบโน้มถ่วงจะใช้กฎด้านแรงโน้มถ่วง เอเจนต์แต่ละตัวจะมีมวลต่างกัน ซึ่งเมื่อเสี้ยวเวลาผ่านไป เอเจนต์แต่ละตัวก็จะดึงดูดซึ่งกันและกัน ทำให้ระบบเคลื่อนที่ไป
ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสม (Intelligent Water Drops) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดโดยใช้ความฉลาดแบบกลุ่มซึ่งได้รับแรงบันดาลใจมาจากการไหลของน้ำในแม่น้ำที่จะเลือกเส้นทางการไหลที่ดีที่สุดเสมอ เอเจนต์แต่ละตัวจะมีปฏิสัมพันธ์กันเหมือนหยดน้ำในแม่น้ำ ซึ่งจะทำให้ได้ผลเฉลยที่ดีขึ้นเรื่อยๆ เมื่อเวลาผ่านไป ขั้นตอนวิธีหาเส้นทางน้ำไหลที่เหมาะสมนี้เป็นขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบเพิ่มพูนและอิงประชากร[7]
พลศาสตร์การก่อตัวของลำน้ำ (River formation dynamics) [8] คือวิธีการแบบฮิวริสติกที่คล้ายคลึงกับขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมด หรืออาจกล่าวได้ว่าพลศาสตร์การก่อตัวของลำน้ำคือขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยระบบอาณาจักรมดที่ค่าต่างๆ ไล่ระดับได้ แนวคิดของวิธีการนี้ได้มาจากการกัดเซาะผืนดินของแม่น้ำในระหว่างการก่อตัว วิธีการนี้ยังได้ถูกนำไปใช้ในการแก้ปัญหาเอ็นพีบริบูรณ์หลายๆ อย่างเช่น ปัญหาการค้นหาต้นไม้แผ่กว้างน้อยที่สุดบนกราฟที่มีน้ำหนักแปรผันได้
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (Particle Swarm Optimization) เป็นขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่ใช้ได้กับทุกปัญหาที่ผลเฉลยสามารถแทนด้วยจุดหรือระนาบบนปริภูมิขนาด n มิติ เอเจนต์จะถูกวางไว้ในปริภูมิพร้อมกับความเร็วต้นค่าหนึ่งและช่องทางในการติดต่อกับเอเจนท์อื่น[9][10] เอเจนต์จะเคลื่อนที่ไปเรื่อยๆบนปริภูมิผลเฉลย โดยถ้าเอเจนต์ตัวใดเข้าใกล้ผลเฉลยก็จะยิ่งมีความสำคัญมากขึ้น ดึงดูดให้เอเจนต์ตัวอื่นๆ ค่อยๆ เบนเส้นทางมาทางเดียวกัน ข้อดีหลักของขั้นตอนวิธีนี้ต่อขั้นตอนวิธีอื่นที่ใช้ได้กับทุกปัญหาคือขั้นตอนวิธีนี้สามารถหลีกเลี่ยงปัญหาค่าเหมาะสมที่สุดสัมพัทธ์ (Local minima) ได้จากการที่สามารถมีจำนวนเอเจนต์เยอะ
ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่ม (Stochastic diffusion search) คือขั้นตอนวิธีหาค่าเหมาะสมที่สุดที่อาศัยความน่าจะเป็นในการแก้โจทย์ปัญหาประเภทที่ฟังก์ชันค่านำเข้าสามารถแยกย่อยเป็นฟังก์ชันย่อยๆ ได้ เอเจนต์แต่ละตัวจะมีสมมติฐานของตัวเองว่าผลลัพธ์ใดถูกต้อง ซึ่งสมมติฐานนี้จะถูกทดสอบเรื่อยๆ โดยนำเป้าหมายยย่อยมาพิจารณา ในขั้นตอนวิธีแบบมาตรฐาน ฟังก์ชันย่อยแต่ละตัวสามารถให้ผลการทดสอบที่เป็นจริงหรือเท็จเท่านั้น ทำให้เอเจนต์แต่ละตัวมี 2 สถานะคือสถานะทำงานและสถานะไม่ทำงาน ข้อมูลของสมมติฐานจะถูกส่งผ่านไปยังเอเจนต์ตัวอื่นในแบบเดียวกับการแพร่ ขั้นตอนวิธีหาค่าเหมาะสมที่สุดด้วยการแพร่เชิงสุ่มถือเป็นขั้นตอนวิธีที่มีประสิทธิภาพสูงในด้านการหาค่าเหมาะสมที่สุดตัวหนึ่ง
เมนูนำทาง
ความฉลาดแบบกลุ่มใกล้เคียง
แหล่งที่มา
WikiPedia: ความฉลาดแบบกลุ่ม