Inteligencia de enjambres: sociedades para la solución de problemas (una revisión)

Swarm intelligence: problem-solving societies (a review)

En este artículo se presenta una revisión de los conceptos de inteligencia de enjambres, y algunas perspectivas en la investigación con estas técnicas, con el objetivo de establecer un punto de partida para trabajos futuros en diferentes áreas de la ingeniería. Para la construcción de esta revisión se llevó a cabo una búsqueda bibliográfica en las bases de datos más actualizadas de los artículos clásicos del tema y de las últimas aplicaciones y resultados publicados, en particular en las áreas de control automático, procesamiento de señales e imágenes, y robótica, extra-yendo su concepto más relevante y organizándolo de manera cronológica. Como resultado se obtuvo taxonomía de la computación evolutiva, la diferencia entre la inteligencia de enjambres y otros algoritmos evolutivos, y una visión amplia de las diferentes técnicas y aplicaciones.

Introducción

Una de las aplicaciones más comunes de la inteligencia artificial (IA) es la búsqueda de la solución óptima en problemas de alta complejidad, tanto en espacios continuos como discretos. Un algoritmo de optimización es un método numérico que encuentra un valor θ_i∈Rⁿ, donde Rn es un espacio n–dimensional de búsqueda, que  minimiza  o  maximiza una función  J(θ), por medio de la selección  sistemática   de valores de la variable θ_i posiblemente con algunas restricciones. La variable θ_i puede ser un escalar o un vector de valores discretos o continuos llamados funciones factibles, mientras que J(θ) es llamada función objetivo. Una solución factible que minimiza o maximiza la función objetivo es llamada una solución óptima. Un tipo de problemas de optimización son aquellos que requieren combinaciones de valores, y se le denomina de optimización combinatoria.

Según Hertz y Kobler (2000), las técnicas utilizadas para resolver problemas complejos de  optimización  combinatoria han evolucionado progresivamente de métodos constructivos a métodos de búsqueda local y finalmente a algoritmos basados en poblaciones. Estos últimos son muy populares actualmente puesto que proveen buenas soluciones  al  utilizar un método constructivo para la obtención de la  población inicial, y una técnica de búsqueda local para mejorar la solución de la población. Además los métodos basados en poblaciones tienen la ventaja adicional de ser capaces de combinar buenas soluciones en orden de obtener unas mejores, ya que se considera que las buenas soluciones comparten componentes con las soluciones óptimas. A estos métodos se les conoce como algoritmos de  computación evolutiva (Evolutionary Computation – EC).

Los algoritmos de EC comprenden un conjunto de técnicas iterativas que manejan una población de individuos que son evolucionados (modificados) mediante una serie  de  reglas que han sido claramente especificadas. En cada iteración hay periodos de autoadaptación,  los cuales implican cambios en  el individuo; son alternados con periodos de cooperación, lo que implica el intercambio de información entre individuos.