21 sept. 2022 (Actualités Nanowerk) Les algues fleurissent, les oiseaux se rassemblent et les insectes pullulent. Ce comportement de masse de la part d'organismes individuels peut apporter un bien séparé et collectif, tel qu'améliorer les chances de réussite de la propagation de l'accouplement ou assurer la sécurité. Aujourd’hui, les chercheurs ont exploité les compétences d’auto-organisation nécessaires pour tirer parti des essaims naturels pour des applications robotiques dans les domaines de l’intelligence artificielle, de l’informatique, de la recherche et du sauvetage, et bien plus encore. Ils ont publié leur méthode dans Informatique intelligente (« Conception globale à locale pour une répartition des tâches auto-organisée dans les essaims »). "Concevoir un ensemble de règles qui, une fois exécutées par un essaim de robots, aboutissent à un comportement spécifique souhaité est particulièrement difficile", a déclaré l'auteur correspondant Marco Dorigo, professeur au laboratoire d'intelligence artificielle IRIDIA de l'Université Libre de Bruxelles. Belgique. "Le comportement de l'essaim n'est pas une carte individuelle avec des règles simples exécutées par des robots individuels, mais résulte plutôt des interactions complexes de nombreux robots exécutant le même ensemble de règles." En d’autres termes, les robots doivent travailler ensemble pour atteindre l’objectif global de contributions discrètes. Le problème, selon Dorigo et ses co-auteurs, le Dr. Valentini et le Pr. Hamann, c'est que la conception conventionnelle des unités individuelles pour atteindre un objectif collectif est ascendante, nécessitant des améliorations par essais et erreurs qui peuvent être coûteuses. "Pour relever ce défi, nous proposons une nouvelle approche de conception globale à locale", a déclaré Dorigo. "Notre idée clé est de composer un essaim hétérogène en utilisant des groupes d'agents au comportement différent, de sorte que le comportement de l'essaim résultant se rapproche d'une entrée utilisateur représentant le comportement de l'essaim entier." Cette composition implique la sélection d'agents individuels ayant des comportements prédéterminés dont les chercheurs savent qu'ils travailleront ensemble pour atteindre le comportement collectif cible. Ils perdent la capacité de programmer localement des unités individuelles, mais selon Valentini, Hamann et Dorigo, le compromis en vaut la peine. Ils ont cité l’exemple d’une tâche de surveillance, dans laquelle un essaim peut avoir besoin de surveiller une installation qui nécessite davantage de surveillance interne pendant la journée et davantage de surveillance externe la nuit. "L'utilisateur fournit une description des allocations d'essaims souhaitées sous la forme d'une distribution de probabilité sur l'espace de toutes les allocations d'essaims possibles : plus d'agents à l'intérieur pendant la journée, plus d'agents à l'extérieur la nuit ou vice versa", a déclaré Valentini. L'utilisateur définirait le comportement cible en modifiant le nombre et la position des modes de distribution, chaque mode correspondant à une allocation spécifique, comme par exemple 80 % des agents à l'intérieur, 20 % à l'extérieur le jour et 30 % à l'intérieur, 70 % à l'extérieur la nuit. Cela permet à l'essaim de changer de comportement périodiquement et de manière autonome, prédéterminé par les modes définis, à mesure que les circonstances changent. "Bien qu'il soit difficile de trouver les règles de contrôle exactes pour les robots afin que l'essaim se comporte comme nous le souhaitons, un comportement d'essaim souhaité peut être obtenu en combinant différents ensembles de règles de contrôle que nous comprenons déjà", a déclaré Dorigo. "Les comportements en essaim peuvent être conçus de manière macroscopique en mélangeant des robots de différents ensembles de règles prédéfinis." Ce n'est pas la première fois que Dorigo se tourne vers la nature pour améliorer les approches informatiques. Il a précédemment développé l'algorithme d'optimisation des colonies de fourmis, basé sur la façon dont les fourmis naviguent entre leurs colonies et leurs sources de nourriture, pour résoudre des problèmes informatiques difficiles qui impliquent de trouver une bonne approximation d'un chemin optimal sur un graphique. Bien que Dorigo ait proposé cette approche pour la première fois pour un problème relativement simple, elle a depuis évolué comme un moyen de résoudre une variété de problèmes. Dorigo a déclaré qu'il prévoyait d'emmener la méthodologie des essaims dans une direction similaire. "Notre prochaine étape immédiate consiste à démontrer la validité de notre méthodologie sur un ensemble plus large de comportements d'essaims et à aller au-delà de l'attribution des tâches", a déclaré Dorigo.