Inteligencia de Enjambre

Author: Christian Blum

Idea principal

Cristian Blum (CSIC, Institut d'Investigació en Intel·ligència Artificial, Barcelona) da una introducción a la inteligencia de enjambre: cómo sistemas formados por agentes simples logran comportamientos colectivos complejos sin ningún control centralizado, y cómo eso se puede traducir en algoritmos de optimización.

Conceptos clave

• Inteligencia de enjambre: disciplina de la IA inspirada en comportamientos colectivos de animales sociales (hormigas, abejas, peces, aves)
• Característica clave: sin control global, todo es distribuido y auto-organizado
• Estigmergia: comunicación indirecta a través del entorno (feromonas, por ejemplo), sin necesidad de contacto directo
• Ejemplos naturales modelados:
  • Formación en V de aves migratorias → ahorro energético → modelo de Reynolds (1986): separación, cohesión, alineamiento
  • Cementerios de hormigas → algoritmos de clustering
  • División de tareas en colonias → modelos de umbral de respuesta (Response Threshold)
  • Sincronización de luciérnagas → sincronización de relojes en redes de sensores
• ACO (Ant Colony Optimization): el algoritmo estrella de la charla, basado en el rastro de feromonas para encontrar caminos cortos

Desarrollo/contexto

El experimento del camino corto es el núcleo didáctico de la charla. Las hormigas que cogen el camino corto llegan antes, depositan más feromona antes de que se evapore, y eso hace que las siguientes hormigas tiendan a elegir ese mismo camino. Con solo dos reglas (refuerzo proporcional a la calidad y evaporación) el sistema converge al óptimo. Elegante.

La aplicación directa es el TSP (Problema del Viajante de Comercio): las aristas del grafo son los componentes de solución donde se deposita feromona, y en cada iteración las hormigas artificiales construyen soluciones probabilísticamente según los valores actuales. El algoritmo que presentó es la versión básica; hoy existen variantes mucho más sofisticadas (ACS, MMAS...).

Términos técnicos

• ACO (Ant Colony Optimization): algoritmo de optimización basado en colonias de hormigas
• TSP (Travelling Salesman Problem): problema de encontrar el recorrido más corto que visita un conjunto de ciudades una sola vez
• Feromona artificial: parámetro numérico asociado a componentes de solución que se refuerza o evapora iterativamente
• Response Threshold Model: modelo que describe cómo los individuos de una colonia deciden involucrarse en una tarea según el estímulo y su umbral personal
• Particle Swarm Optimization (PSO): otro algoritmo de enjambre, inspirado en bandadas, mencionado de pasada

Conclusiones

Lo que me llevo es la idea de que comportamientos globales complejos pueden emerger de reglas locales muy simples. Eso tiene implicaciones más allá de la optimización: en robótica distribuida, en redes de sensores, en cualquier sistema donde no puedas o no quieras tener un nodo central que lo controle todo. Y el ACO es un algoritmo que vale la pena conocer, especialmente para problemas de rutas y scheduling.

Para investigar más

• Variantes de ACO: ACS (Ant Colony System) y MMAS (Max-Min Ant System)
• Particle Swarm Optimization con más detalle
• Swarm robotics y el proyecto de construcción lunar de la NASA que mencionó