Embed Size (px)
Citation preview
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
By : abdou OUGHLIS
CHAPITRE1
1. Introduction Les techniques d’optimisation inspirées de l'intelligence en essaim sont
devenues de plus en plus populaire au cours de la dernière décennie. Ils sont
caractérisés par un mode de fonctionnement décentralisé qui imite le
comportement des essaims d'insectes sociaux, les troupeaux d'oiseaux, les
écoles de poissons. L'avantage de ces approches par rapport aux
techniques traditionnelles est leurs robustesses et flexibilités. Ces propriétés en
font le succès de l'intelligence en essaim paradigme pour la conception des
algorithmes de plus en plus face à des problèmes complexes. Dans ce
chapitre, nous nous concentrons sur deux des exemples les plus réussis de
l'optimisation des techniques inspirées de l'intelligence en essaim:
Optimisation en essaim de la particule et Optimisation de la colonie de
fourmis.
Swarm Intelligence (SI), qui est une discipline de l’intelligence artificielle (AI),
est la conception intelligente de systèmes multi-agents en prenant l'inspiration
de comportement collectif des insectes sociaux comme les fourmis, les
termites, les abeilles et les guêpes, ainsi que d'autres animaux tels que les
sociétés des troupeaux d'oiseaux ou les écoles de poissons. Les colonies
d'insectes sociaux ont fasciné les chercheurs depuis de nombreuses années,
et les mécanismes qui régissent leur comportement sont restés inconnu
pendant longtemps. Même si les membres de ces colonies ne sont pas des
individus sophistiqués, ils sont en mesure de réaliser des tâches complexes en
matière de coopération.
Ce comportement Coordonné ressort des actions relativement simples ou
interactions entre les membres individuels des colonies. De nombreux aspects
des activités collectives des insectes sociaux sont auto-organisés en
travaillant sans un centre de contrôle. Par exemple, les fourmis apportent les
morceaux de feuilles à leur nid. Les fourmis ouvrières construisent des chaînes
de leur corps afin de franchir les écarts entre deux feuilles. Les bords des deux
feuilles sont ensuite rassemblés et successivement connectés par des fils de
soie qui est émis par une larve mûre tenue par un ouvrier. Un autre exemple
concerne le recrutement d'autres membres de la colonie pour la recherche
de proies (voir, par exemple, Fig. 1).
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Fig. 1. Coopération des fourmis pour rapporter une lourde proie.
D'autres exemples comprennent les capacités de termites et les guêpes
sophistiqués pour construire des nids, ou la capacité des abeilles et des
fourmis pour s'orienter dans leur environnement. Le terme « intelligence en
essaim » a été utilisé pour la première fois par Beni dans le cadre de systèmes
robotiques cellulaires où de simples agents s’organisent par le biais
d'interaction avec le plus proche voisin. Pendant ce temps, le terme
intelligence en essaim est utilisé pour un champ de recherche beaucoup
plus large.
Les méthodes de l'intelligence en essaim ont été très fructueuses dans le
domaine de l'optimisation, qui est d'une grande importance pour l'industrie et
la science. Ce chapitre vise à donner une introduction à l'intelligence en
essaim et des méthodes d'optimisation.
Les Problèmes d'optimisation sont de grande importance tant pour le monde
industriel ainsi que pour le monde scientifique. Exemples de problèmes
pratiques d'optimisation : les horaires de train, optimisation de la forme, la
conception de réseaux de télécommunications, et les problèmes de biologie
computationnelle.
La communauté des chercheurs a simplifié beaucoup de ces problèmes afin
d'obtenir des cas de tests scientifiques, tels que le célèbre problème des
voyageurs de commerces (TSP). Le TSP modélise la situation d'un voyageur de
commerce qui nécessite de passer à travers un certain nombre de villes.
L'objectif du voyageur de commerce est de traverser ces villes (la visite de
chaque ville exactement une fois), de sorte que le total des voyages à
distance est minime. Un autre exemple est le problème du repliement des
protéines, qui est l'un des problèmes les plus difficiles en biologie
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
computationnelle, de la biologie moléculaire, biochimie et physique. Il
consiste à trouver la forme ou la conformation fonctionnelle d'une protéine
dans deux ou trois dimensions, par exemple, dans le cadre simplifié de
modèle lattice tels que le modèle d'hydrophobie polaires.
2. Comportement biologique collectif
Le comportement en essaim peut être vu dans les troupeaux d'oiseaux,
écoles de poissons, ainsi que dans les insectes comme les moustiques et les
moucherons. De nombreux groupes d'animaux tels que les écoles de poissons
et les troupeaux d'oiseaux exposent clairement un ordre structurel, avec un
comportement d’organismes intégrés de façon qu’elles puissent changer de
forme et de direction, ils semblent se déplacer comme une seule entité
cohérente. Les grands principes du comportement collectif, tel que présenté
dans la Figure 2 sont les suivants:
• Homogénéité: chaque oiseau dans la volée a le même modèle de
comportement. Le troupeau se déplace sans chef de file, même si
temporairement des dirigeants semblent apparaître.
• Région: le mouvement de chaque oiseau est seulement influencé par ses
plus proches camarades de troupeau. La vision est considérée comme le
sens le plus important pour l’organisation du troupeau.
• Actions d’éviter les collisions : éviter la collision avec les compagnons à
proximité.
• Vélocité d'équivalence: essayer de trouver des correspondances de
Vélocité avec les compagnons à proximité.
• Centrage du troupeau: tenter de rester près du troupeau le plus proche.
Fig. 2.1 Les grands principes du comportement collectif.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Les individus tentent de maintenir une distance minimale entre eux et les
autres à tout moment. Cette règle a la priorité la plus élevée et correspond à
un comportement souvent observé chez les animaux dans la nature. Si ces
individus ne performent pas une manœuvre d'éviter les collisions, ils ont
tendance à être attirés vers d'autres individus (pour éviter d'être isolé), et
s’alignent avec les voisins.
COUZIN a identifié quatre comportements dynamiques collectifs comme
illustré dans la figure 2.1:
• essaim: une totale cohésion, mais un faible niveau de polarisation
(alignement parallèle) entre les membres
• Tore: les individus sont en rotation perpétuelle autour d'une base vide
(broyage). Le sens de rotation est aléatoire.
• Dynamique parallèle de groupe: les individus sont polarisés et passes
comme un groupe cohérent, mais ils peuvent circuler dans l'ensemble du
groupe dont la densité et la forme peut fluctuer.
• Groupe hautement harmonisé: beaucoup plus statique en termes
d'échange de positions au sein du groupe que le groupe parallèle
dynamique et la variation de la densité et la forme sont minimales.
A un haut niveau, un essaim peut être considéré comme un groupe d'agents
qui coopèrent en vue de réaliser certains comportement et objectifs
déterminés (voir Figure 2.3). Cette intelligence collective semble se dégager
de ce qui est souvent des groupes larges qui sont relativement des simples
agents.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Fig. 2.2. Plusieurs modèles de comportement collectif: (a) essaim (b) tore (c)
dynamique de groupe parallèle et (d) des groupes parallèles.
Ces agents utilisent des règles simples pour régir leurs actions et par les
interactions de l'ensemble du groupe, l'essaim atteint ses objectifs.
Un type d'auto-organisation ressort d’une collection d’actions du groupe. Un
agent autonome est un sous-système qui interagit avec son environnement,
qui contient probablement d'autres agents, mais agit de façon relativement
indépendante de tous les autres agents. L'agent autonome ne suit pas les
commandes à partir d'un chef de file, ou de certain plan global. Par
exemple, un oiseau pour participer à un troupeau, il règle seulement ses
mouvements pour assurer la coordination avec les mouvements de son
troupeau, généralement ses voisins qui sont proches de lui. Un oiseau dans un
troupeau tente simplement de rester proche de ses voisins, mais en évitant les
collisions avec eux. Chaque oiseau ne prend pas les commandes d’un chef
d'oiseaux car ce dernier n'existe pas. Le comportement en essaim contribue
à tirer les oiseaux de plusieurs choses, y compris la protection contre les
prédateurs (surtout pour les oiseaux au milieu du troupeau), et la recherche
de nourriture.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Fig. 2.3. Le système simple d'un essaim.
2.1 Les essaims et la Vie Artificielle
Depuis 1990, plusieurs comportement collectif (comme les insectes sociaux,
les troupeaux d’oiseaux) inspiré des algorithmes ont été proposés. Les
domaines d'application de ces algorithmes se référer bien à l'étude des
problèmes d'optimisation comme les problèmes difficiles tel que (les
problèmes de voyages, les problèmes Affectation quadratique, problèmes
graphiques, réseau de routage, le regroupement et l’extraction des données,
la planification d'emploi… etc.)
(PSO) et Optimisation de la colonie des fourmis (ACO) sont actuellement les
plus populaires des algorithmes dans le domaine de l'intelligence en essaim.
2.2 Optimisation de la colonie de fourmis (ACO)
2.2.1 Introduction
Les recherches sur les comportements collectifs des insectes sociaux fournissent aux
informaticiens des méthodes puissantes pour la conception d'algorithmes
d'optimisation. Les chercheurs informaticiens ont pu transformer des modèles du
comportement collectif des insectes sociaux en méthodes utiles pour l'optimisation
et le contrôle. Un nouveau domaine de recherche a vu le jour qui a pour objet de
transformer la connaissance que les éthologistes en ont sur les capacités collectives
de résolution de problèmes chez les insectes sociaux en techniques artificielles de
résolution de problèmes : c'est l'intelligence en essaim. Parmi les techniques de
l'intelligence en essaim, certaines sont arrivées à maturité. Les algorithmes de
contrôle et d'optimisation inspirés de modèles de recherche collective de nourriture
chez les fourmis en particulier, ont connu un succès inattendu et portent le nom
"d'optimisation par colonie de fourmis".
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Dans ce travail de recherche nous allons présenter une vision de l’état de l’art des
algorithmes de colonies de fourmis. Nous commençons d’abord par expliquer
l’origine biologique de ces algorithmes. Nous présentons en suite le cadre ACO
(optimisation par colonie de fourmis), Puis les diverses variantes algorithmiques sont
présentées au travers de leur application au problème du voyageur de commerce.
L’avant dernière section présenter quelque applications des algorithmes
d’optimisation par colonies de fourmis, et décrit le cas des problèmes dynamiques
de routage dans les réseaux, puis montre le principe général de l’algorithme AntNet
: la solution ACO pour ce type de problèmes. Enfin la dernière section, nous
présentons d’autres algorithmes, autre le cadre ACO, inspirés des comportements
collectif des fourmis.
2.2.2 Inspiration biologique Les algorithmes de colonies de fourmis sont nés à la suite d’une constatation
faite par des biologistes : les insectes sociaux en général, et les fourmis en
particulier, sont capables de résoudre collectivement des problèmes
complexes, comme trouver le chemin le plus court entre une source de
nourriture et leur nid, bien que celles-ci ont individuellement des capacités
cognitives limitées.
Dans cette section, on présente un certain nombre d'observations
faites à travers des expériences avec de vraies fourmis et termites.
2.2.2.1 La théorie de stigmergie
Un des premiers chercheurs étudiant le comportement social des
insectes était l'entomologiste français Pierre-Paul Grassé. Entre les années 40
et 50, il observait le comportement des termites, en particulier chez les
espèces Bellicositermes natalensis et les Cubitermes. Il a découvert [Grassé,
44] qu’en construisant une termitière, ces insectes commencent leur activité
par déposer les boulettes de boue mais de façon très aléatoire, et sans
aucune coordination. Cependant, une fois ces boulettes ramassées
atteignent une certaine densité dans un espace limité, elles deviennent un
stimulus significatif [Grassé, 46] qui motivera de plus en plus de termites à
déposer ce matériau de sorte que les piliers et les voûtes, et par la suite le nid
entier, soient construits. Grassé a employé le terme stigmergie [Grassé, 59]
pour décrire ce type particulier de communication indirecte dans lequel “La
coordination des tâches et la régulation des constructions ne dépendent pas
directement des ouvriers, mais des constructions elle-même. L'ouvrier ne
dirige pas son travail, il est guidé par lui”1. Les deux caractéristiques
principales [Dorigo, 06] de stigmergie qui le différencient d'autres formes de
communication sont les suivantes.
La stigmergie est une forme indirecte et non symbolique de
communication, passant par le biais de modification de l’environnement,
ainsi on peut utiliser le terme « interaction sociale indirecte » [Dreo, 03] pour
décrire le même phénomène.
L’information stigmergique a une portée locale, seuls les insectes
visitant l’endroit où elle a été communiquée (ou son voisinage immédiat)
peuvent en avoir accès.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Des exemples de stigmergie peuvent être observés dans les colonies de
fourmis. Chez certaines espèces de fourmis, pour chercher la nourriture, au
départ un grand nombre de fourmis se déplacent à l'extérieur du nid, plus ou
moins au hasard. Tout au long de leur chemin, elles déposent une légère
trace d’une substance chimique appelée la phéromone. Si l'une d'entre elles
découvre une ressource quelconque, elle retourne au nid en déposant une
trace beaucoup plus intense (cette intensité dépend éventuellement de la
richesse de la ressource) [Rennard, 03]. D'autres fourmis perçoivent la
présence de phéromone et ont tendance à suivre des chemins où la
concentration de phéromone est plus haute. Par ce mécanisme, les fourmis
sont capables de transporter la nourriture à leur nid d'une manière
remarquablement efficace. [Dorigo, 06]
Fig. 1- Des fourmis suivent une piste de phéromone [Dreo, 03]
2.2.2.2 Les expériences du pont à double branche Deneubourg et Goss [Goss, 90][Goss, 89] ont observé qu’une colonie de
fourmis1 ayant le choix entre deux chemins d’inégale longueur menant à une
source de nourriture avait tendance à utiliser le chemin le plus court. Ils ont
aboutit à cette observation en ont effectuant une série d'expériences dans
lesquelles ils ont changé le rapport entre la longueur des deux branches d’un
pont qui relie un nid de fourmis avec une source de nourriture. Ce résultat
peut être expliqué comme suit [Dorigo, 02].
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Fig. 2 - Expérience du pont à double branche [Dorigo, 99]. (a) Les fourmis commence à
explorer le double pont(b) Par la suite la plupart des fourmis choisissent le plus court chemin.
(c) Distribution du pourcentage des fourmis qui ont choisi le chemin plus court. D’après Goss
et autres.
Au début de l’expérience, il n'y a aucune trace de phéromone sur les deux
branches. Par conséquent, les fourmis n'ont pas une préférence et elles
choisissent avec la même probabilité l'unes des de deux branches.
Cependant, parce qu'une branche est plus courte que l'autre, les fourmis
choisissant la branche courte sont les premières qui atteindre la nourriture et
par la suite commencent leur voyage de nouveau vert le nid. Et par
conséquent la plus courte branche, dans le même temps, sera parcourue par
plus de fourmis que la longue piste, donc la phéromone commence à
s'accumuler plus rapidement sur la branche courte qui sera par la suite de
plus en plus attractive et donc choisie par la grande majorité des fourmis.
Tandis que la phéromone dans la longue branche commence à s’évaporer.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Fig. 3 - Comment les vraies fourmis trouvent le chemin le plus court [Dorigo, 97]. A) Les fourmis
arrivent à unpoint de décision. B) Quelques fourmis choisissent le chemin supérieur et d’autres
choisissent le chemin inférieurLe choix est aléatoire. C) Puisque les fourmis se déplacent
approximativement avec une vitesse constante, les fourmis qui choisissent la courte branche
(l’inferieure), atteignent le point de décision opposé plus rapidemenque celles qui choisissent
la longue branche (la supérieure). D) Le phéromone s'accumule à un taux plus élevésur le
chemin le plus court. (Le nombre de lignes représente approximativement la quantité de
phéromone déposée par des fourmis).
2.2.2.3 L’auto-organisation et la rétroaction
Le mécanisme permettant de résoudre un problème trop complexe pour être
abordé par des fourmis seules est un bon exemple de système auto-organisé.
Ce système repose sur des rétroactions positives : le dépôt de phéromone
attire d’autres fourmis qui vont la renforcer à leur tour, et des rétroactions
négatives : la disparition de la piste par évaporation empêche le système de
s'emballer. Théoriquement, si la quantité de phéromone restait identique au
cours du temps sur toutes les branches, aucune piste ne serait choisie. Or, du
fait des rétroactions, une faible variation sur une branche va être amplifiée et
permettre alors le choix d’une branche.
2.2.3 Optimisation par colonie de fourmis
2.2.3.1 Définition et historique
Les fourmis résolvent des problèmes complexes par des mécanismes
assez simples à modéliser. Il est ainsi assez simple de simuler leur
comportement par des algorithmes. Dans cette section nous allons monter
comment les chercheur ont exploité le comportement des vraies fourmis
(décrit dans la section précédente), pour développer des algorithmes
d’optimisation.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Le modèle proposé par Deneubourg et ses collègues pour expliquer le
comportement des fourmis était la source principale d'inspiration [Dorigo, 06]
pour le développement des algorithmes de colonie de fourmi : Le double
pont a été substitué par un graphe et les trace de phéromone par des traces
de phéromone artificielle. Ces algorithmes constituent une famille de
métaheuristiques pour résoudre des problèmes d’optimisation difficile.
Cette méta-heuristique est relativement récente. Elle a été introduite pour la
première fois dans la thèse de doctorat du chercheur italien Marco Dorigo
[Dorigo, 92] pour résoudre le problème du Voyageur de commerce. Elle s’est
popularisée, puis a été l’objet d’améliorations dès 1995 et a été appliquée
avec succès à d’autres problèmes d’optimisation combinatoire dès 1994.
Fig4 Chronologie des algorithmes de colonies de fourmis
En anglais, le terme consacré à cette classe d’algorithme est « Ant
Colony Optimization » (ACO). Il existe cependant plusieurs familles de
méthodes s'inspirant du comportement des fourmis. En français, ces
différentes approches sont regroupées sous les termes : algorithmes de
colonies de fourmis, optimisation par colonies de fourmis, fourmis artificielles,
ou diverses combinaisons de ces variantes.
La métaheuristique ACO peut être définie comme la combinaison
d’une méthode de construction et d’un mécanisme d’apprentissage fondé
sur la mémorisation d’informations et la communication de ces informations
au sein d’une population.
On peut donc voir ACO comme un processus :
❏ Distribué car basé sur une population de fourmis parcourant un graphe ;
❏ Utilisant une forme indirecte de mémorisation car chaque fourmi modifie des
pistes de phéromones sur le graphe selon son expérience passée, c’est-à-dire
selon la qualité des solutions trouvées (par exemple, la longueur du chemin
parcouru) ;
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
❏ Stochastique et constructif car chaque fourmi construit son chemin en
choisissant la prochaine étape selon une probabilité déterminée par des
pistes de phéromones laissées sur le graphe et représentant l’expérience
passée des fourmis.
Ainsi, la structure d’un algorithme ACO est la suivante :
1. Construire la solution ;
2. Mettre à jour les pistes de phéromones ;
3. Optionnel : exécuter des actions centralisées (daemon actions) telles que
le lancement d’une procédure d’amélioration locale des solutions trouvées
par les fourmis.
Dans ACO, les fourmis agissent indépendamment et de manière concurrente,
de plus en raison de la simplicité de chaque fourmi, les solutions ne peuvent
émerger que des interactions entre chacune d’entre elles.
Nous allons tout d’abord exposer les différences et les points communs entre
les fourmis virtuelles et les fourmis réelles [Dorigo, 07] [Dorigo, 96] [Dorigo, 02],
avant d’exposer les différents algorithmes.
2.2.3.2 Similarités et différences avec les fourmis réelles
Les fourmis virtuelles ont une double nature. D’une part, elles modélisent les
comportements abstraits de fourmis réelles, comme nous l’avons signalé
précédemment, et d’autre part, elles peuvent être enrichies par des
capacités que ne possèdent pas les fourmis réelles, afin de les rendre plus
efficaces que ces dernières. Nous allons maintenant présenter une synthèse
[Costanzo, 06] de ces ressemblances et différences.
2.2.3.2.1 Points communs
Colonie d’individus coopérants. Comme pour les fourmis réelles, une
colonie virtuelle est composée d’une population des individus qui travaillent
ensemble pour réaliser un certain but. Une colonie est un ensemble d’entités
simples, indépendants, asynchrones qui se coopèrent pour trouver une
bonne solution au problème considéré.
Communication stigmergique. La communication stigmergique se
produit par l'intermédiaire de la phéromone. Cette forme de communication
joue un grand rôle dans le comportement des fourmis : son rôle principal est
de changer la manière dont l’environnement est perçu par les fourmis, en
fonction de l’historique laissé par ces phéromones.
Évaporation des phéromones. La méta-heuristique ACO comprend
aussi la possibilité d’évaporation des phéromones. Ce mécanisme permet
d’oublier lentement ce qui s’est passé avant. C’est ainsi qu’elle peut diriger
sa recherche vers de nouvelles directions, sans être trop contrainte par ses
anciennes décisions.
Recherche du plus petit chemin. Les fourmis réelles et virtuelles
partagent un but commun : recherche du plus court chemin reliant un point
de départ (le nid) à des sites de destination (la nourriture).
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Déplacement local. Les vraies fourmis ne sautent pas des cases, tout
comme les fourmis virtuelles. Elles se contentent de se déplacer entre sites
adjacents du terrain.
Choix aléatoire au départ des transitions. Lorsqu’elles sont sur un site, les
fourmis réelles et virtuelles doivent décider sur quel site adjacent doivent se
déplacer. Au départ cette décision se fait au hasard car aucune information
local (la phéromone) n’est disponible.
2.2.3.2.2 Différences
Les fourmis virtuelles possèdent certaines caractéristiques que ne
possèdent pas les fourmis réelles :
Elles vivent dans un monde non-continu. Leurs déplacements consistent
en des transitions d’état.
Mémoire (état interne) de la fourmi. Les fourmis virtuelles mémorisent
l’historique de leurs actions. Elles peuvent aussi retenir des données
supplémentaires sur leurs performances.
Les critères du choix d’un chemin à suivre. La probabilité pour qu’une
fourmi artificielle choisisse un chemin ne dépend généralement pas
uniquement des traces de phéromone, mais aussi de l’heuristique
dépendante du problème permettant d’évaluer localement la qualité du
chemin.
Le type de problème. Dans le cas de vraies fourmis, le problème est de
trouver la nourriture, alors que dans le cas des fourmis artificielles, il s’agit de
trouver une bonne solution à un problème donné d'optimisation.
Nature des phéromones déposées. Les fourmis réelles déposent une
substance physique de phéromone sur la piste qu’elles parcourent.
Cependant la phéromone virtuelle n’est qu’un ensemble de variables d’états
associées au problème. Ainsi, le dépôt/l’évaporation des phéromones est
une simple incrémentation/décrémentation de la valeur des variables d’états
à chaque itération.
Qualité de la solution. Les fourmis virtuelles déposent une quantité de
phéromone proportionnelle à la qualité de la solution qu’elles ont
découverte. (Un comportement semblable est observé également dans
quelques vraies espèces de fourmis dans lesquelles la quantité de
phéromone déposée de est proportionnel à la qualité de la source de
nourriture trouvée [Beckers, 93]).
Retard dans le dépôt de phéromone. Les fourmis virtuelles peuvent
mettre à jour les pistes de phéromones de façon non immédiate : souvent
elles attendent d’avoir terminé la construction de leur solution. Ce choix
dépend du problème considéré bien évidemment.
Autre capacités. En plus des capacités citées ci-dessus, les fourmis
artificielles peuvent en avoir d’autres selon le problème traité. Voici des
exemples.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
❏ L’anticipation : la fourmi étudie les états suivants pour faire son choix et non
seulement l’état local.
❏ Le retour en arrière : une fourmi peut revenir à un état déjà parcouru car la
décision qu’elle avait prise à cet état a été mauvaise.
2.2.3.3 Algorithmes
Les algorithmes de colonies de fourmis sont pour l’essentiel appliqués à
des problèmes combinatoires, notamment du type du voyageur de
commerce. Cependant, devant le succès rencontré par ces algorithmes,
d’autres pistes commencent à être explorées : par exemple, l’utilisation de
ces algorithmes dans des problèmes continus [Dreo, 04] et/ou dynamiques
[DiCaro, 98], ou encore l’exploitation de ce type d’algorithmes dans un
cadre d’intelligence en essaim [Bonabeau, 99] et avec d’autres
métaheuristiques.
2.2.3.3.1 Ant system
Historique [Dorigo, 02] Ant system est le premier algorithme de colonies de fourmis proposé dans la
littérature. En fait, ant system à l'origine est l’ensemble de trois algorithmes
appelés ant-cycle, ant-density, et ant-quantity. Ces trois algorithmes ont été
proposés en 1992 dans la dissertation doctorale de Marco Dorigo [Dorigo, 92]
et d'abord apparus dans le rapport technique [Maniezzo, 91] [Dorigo, 91]
qu’il a été publié quelques années après dans « IEEE Transactions on Systems,
Man, and Cybernetics »[Dorigo, 96]. Une autre publication est [Colorni, 92].
Dans les algorithmes ant-density et ant-quantity les fourmis mettaient à jour la
phéromone directement après un déplacement d'une ville à une autre
adjacente, Tandis que dans le ant-cycle la phéromone est déposé à la fin de
la tournée, et sa quantité dépond de la qualité du chemin. Puisque ant-cycle
est plus performant que les deux autres variantes, plus tard on l’a nommé
simplement ant system.
Ant system et le problème du voyageur de commerce
Le problème du voyageur de commerce (TSP1) est un problème
d'optimisation combinatoire N-difficile qui a attiré une énorme quantité
d'effort de recherches. Le TSP est un problème très important également dans
le contexte de l'optimisation de colonie de fourmi parce que c'est le
problème auquel l'original ant system (AS) a été appliqué la première fois
[Dorigo, 91] [Dorigo, 92], 38], et plus tard celui-ci a été souvent employé
comme repère pour examiner de nouvelles idées et variantes algorithmiques.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Fig. 5 - L’algorithme « Ant System » optimisant le problème du voyageur de commerce : 1)
une fourmi choisi un trajet, et trace une piste de phéromone. 2) l’ensemble des fourmis
parcourt un certain nombre de trajets, chaque fourmi déposant une quantité de phéromone
proportionnelle à la qualité du parcours. 3) chaque arête du meilleur chemin est plus
renforcée que les autres. 4) l’évaporation fait disparaître les mauvaises solutions.
Le problème du voyageur de commerce (TSP) consiste à trouver le chemin le
plus court qui permet de visiter un certain nombre de villes une seule fois puis
de revenir à la ville de départ. La modélisation du TSP repose sur un graphe G
= (N, A), où N représente un ensemble de noeuds (les villes) et A représente
l’ensemble des arcs connectant les noeuds. A chaque arc (i, j) est associé un
poids dij égal à la distance entre les villes i et j.
Dans l’algorithme du Ant System (AS), à chaque itération1, chaque
fourmi parcourt le graphe et construit un trajet complet de n étapes. Pour
chaque fourmi, le trajet entre une ville i et une ville j dépend de :
1. la liste des villes déjà visitées, qui définit les mouvements possibles à chaque
pas, quand la fourmi k est sur la ville i : Ji
k,
2. l’inverse de la distance entre les villes : ηij
= 1/dij , appelé visibilité. Cette
information statique est utilisée pour diriger le choix des fourmis vers des villes
proches,
3. la quantité de phéromone déposée sur l’arête reliant les deux villes, appelée
l’intensité de la piste. Ce paramètre définit l’attractivité d’une partie du trajet
global et change à chaque passage d’une fourmi. C’est, en quelque sorte,
une mémoire globale du système, qui évolue par apprentissage.
La règle de déplacement appelée “règle aléatoire de transition
proportionnelle” contrôle l’importance relative de l’intensité de la piste et de
la visibilité, est écrite mathématiquement sous la forme suivante :
(4.1)
Où a et b sont deux paramètres contrôlant l’importance relative de l’intensité
de la piste, tij(t), et de la visibilité, η
ij. Avec a = 0, seule la visibilité de la ville est
prise en compte; la ville la plus proche est donc choisie à chaque pas. Au
contraire, avec b= 0, seules les pistes de phéromone jouent. Pour éviter une
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
sélection trop rapide d’un trajet, un compromis entre ces deux paramètres,
jouant sur les comportements de diversification et d’intensification (voir
Glossaire), est nécessaire. Après un tour complet, chaque fourmi laisse une
certaine quantité de phéromones Dζij
k(t) sur l’ensemble de son parcours,
quantité qui dépend de la qualité de la solution trouvée :
(4.2)
Où Tk(t) est le trajet effectué par la fourmi k â l’itération t, L
k(t) la longueur du
tour et Q un paramètre fixé.
L’algorithme ne serait pas complet sans le processus d’évaporation des pistes
de phéromone. En effet, pour éviter d’être piégé dans des solutions sous-
optimales, il est nécessaire de permettre au système “d’oublier” les mauvaises
solutions. À la fin de l'itération, on a la somme des phéromones qui ne se sont
pas évaporées et de celles qui viennent d'être déposées. La règle de mise à
jour des pistes est donc :
(4.3)
Où m est le nombre de fourmis utilisées pour l’itération t et ρ un paramètre de
réglage. La quantité initiale de phéromone sur les arêtes est une distribution
uniforme d’une petite quantité t0
r 0.
La figure 6 présente un pseudo-code de l’algorithme AS pour optimisé le
problème du voyageur de commerce.
Fig. 6 - Algorithme de base de colonies de fourmis : le “Ant System” [Dreo, 03]
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Comparaison avec d’autres algorithmes
2.2.3.3.2 Principales variantes
Malgré des premiers résultats encourageants, montrant que les
performances de Ant System sont comparables à celles d’autres approches «
généralistes » comme les algorithmes génétiques, l’algorithme Ant System
n’est pas compétitif avec des approches spécialisées, développées
spécialement pour le problème du voyageur de commerce.
Ainsi, différentes améliorations ont été apportées à l’algorithme initial,
donnant naissance à différentes variantes de Ant System, dont les plus
performantes sont ACS (Ant Colony System) [Dorigo, 97] et MMAS (MAX – MIN
Ant System) [Stützle, 00] qui obtiennent en pratique des résultats vraiment
compétitifs, parfois meilleurs que les approches les plus performantes.
Ant Colony System (ACS)
Une autre amélioration de AS est le Ant Colony System (ACS), introduit
par Gambardella et Dorigo [Gambardella, 96][Dorigo, 97]. Les contributions
les plus intéressantes d'ACS sont : [Dorigo, 04]
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
❏ La règle utilisée lors de la construction de la solution est inspirée de
l’apprentissage par renforcement.
❏ L’introduction d’un mécanisme de mise à jour locale des pistes de
phéromones : dès qu’un arc est emprunté par une fourmi, il voit sa quantité
de phéromones diminuer.
❏ Il est possible d’utiliser, au cours de la construction du chemin, des listes des
noeuds voisins les plus prometteurs (une liste des plus proches villes voisines) :
cette liste de candidats permet de réduire le temps de calcul.
Le MAX – MIN Ant System (MMAS)
Le système de fourmi de MAX-MIN Ant System est une amélioration de
l'idée originale de AS idée. MMAS a été proposé par StÄutzle et Hoos [Stützle,
00], qui ont présenté un certain nombre de changements dont les plus
importants sont les suivants : [Dorigo, 07], [Costanzo, 06]
❏ Seulement la meilleure fourmi peut mettre à jour la quantité de phéromone,
❏ Les valeurs des phéromones sur chaque arc sont bornées par tmin et tmax
❏ Les valeurs des phéromones sur chaque arc sont initialisées à la valeur
maximum tmax,
❏ La quantité de phéromones que l’on fait évaporer est proportionnelle à sa
valeur au moment de la modification, plus les pistes sont fortes plus ses
phéromones seront diminués.
L’intérêt de ces améliorations est : [Costanzo, 06]
❏ Empêcher la monopolisation de certains arcs qui ont été tellement imprégnés
au début du processus de recherche qu’ils sont systématiquement parcourus
par les fourmis.
❏ Permettre, grâce à cette façon de gérer l’évaporation, de tirer vers le bas
les arcs chargés fortement en phéromones afin de vérifier si leur importance
est pertinente. De ce fait si ce n’est pas le cas, les pistes plus faiblement
chargés pourront leur prendre le pas.
2.2.4 Application de ACO
2.2.4.1 ACO pour les problèmes de routage dans les réseaux
Dans un chapitre du livre [Dorigo, 04], les auteurs montrent la puissance
des algorithmes d’optimisation par colonies de fourmis dans le cas des
problèmes de routage dans des réseaux de type Internet. Dans cette section
nous allons présenter une brève description du problème de routage, et en
suite l’algorithme AntNet : la solution ACO pour ce type de problèmes.
2.2.4.1.1 Description du problème
La particularité des problèmes de routage dans les réseaux provient de leur
nature dynamique. En effet, les données et les paramètres varient
continuellement avec le temps, parfois sur des durées très courtes. La
problématique est la suivante : lorsqu’une communication est établie entre
deux noeuds d’un réseau, le message est découpé en plusieurs paquets de
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
données qui vont circuler dans le réseau. Ce réseau est constitué de voies de
transmission (les arcs), dont les débits varient au cours du temps, et de
routeurs (les noeuds). Les routeurs ont pour fonction de diriger les paquets de
données vers un routeur jusqu’à ce qu’ils atteignent leur destination. De plus,
chaque routeur doit tenir compte de la quantité d’information circulant sur
les arcs auxquels il est relié afin d’éviter l’engorgement des arcs. Ainsi, des
paquets de données issus du même message peuvent emprunter des
chemins complètement différents.
2.2.4.1.2 L’algorithme AntNet
La nature distribuée et souple de la méthode ACO semblant adaptée
à ce type de problèmes, l’algorithme AntNet développé par Di caro et
Dorigo [DiCaro, 97] [DiCaro, 98] a été conçu pour résoudre les problèmes de
routage dans les réseaux.
Principe
Dans cet algorithme, le graphe de construction des solutions est
identifié au réseau. De plus, contrairement aux algorithmes ACO vus
précédemment, les fourmis se déplacent de manière asynchrone. Ainsi, le
principe de AntNet est de faire circuler, en parallèle avec les paquets de
données, des fourmis qui analysent en temps-réel l’état des voies de
transmission et qui fournissent ensuite ces états aux routeurs. Les fourmis
calculent le temps qu’elles mettent pour aller d’un noeud à un autre puis
déposent une trace de phéromones sur la voie empruntée en respectant la
règle suivante : plus le temps nécessaire pour parcourir la voie est court, plus
la quantité de phéromones déposée est grande. Une fois arrivé à un routeur,
un paquet de données sera orienté avec la probabilité la plus importante sur
la voie présentant la piste de phéromones la plus intense.
L’algorithme d’AntNet est très proche de ceux utilisé pour le TSP, les
routeurs pouvant être associés aux villes, ceci dit il y a quelques différences
notables :
❏ Il n’y a aucune contrainte sur les villes à visiter, c’est-à-dire qu’une fourmi n’est
pas obligé de visiter tous les noeuds.
❏ Il y a une piste de phéromone différente pour chaque noeud de destination.
❏ la dimension temporelle du problème rend plus délicate son évaluation.
Comparaison avec d’autres algorithmes En situation de charge peu importante, les résultats obtenus par AntNet sont
comparables à ceux des algorithmes de l’état de l’art. Dans des situations de
charge importante, proches de la saturation ou en cas de saturation
temporaire, les résultats obtenus par AntNet sont supérieurs à ceux des autres
algorithmes de routage lorsque l’on prend en compte le retard moyen subi
par les paquets de données.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Fig. 8 - Résultat typique d'une comparaison entre AntNet, un algorithme de
routage par colonie de fourmis, avec d'autres algorithmes de routage
répandus pour la commutation de paquets. Daemon est une approximation
d'un algorithme idéal et offre une borne à la meilleure performance possible.
Le réseau est simulé en condition de fotrafic avec des caractéristiques de
trafic stochastiques. Au temps t = 400, on simule un accroissement soudain du
trafic qui dure 120 secondes et amène le réseau à saturation. Le graphe du
haut compare le flux du réseau pour les différents algorithmes, tandis que le
graphe du bas compare les retards moyens des messages sur une fenêtre de
5s. AntNet offre le même flux de paquets que les meilleurs algorithmes tout en
maintenant un retard moyen bien inférieur à tous les autres algorithmes de
routage. [Cnrs, 00]
Cet algorithme a été testé sur l’opérateur téléphonique japonais NTT, ainsi
que sur le réseau de la Fondation Nationale Américaine des Sciences : il a
montré des résultats plus que prometteurs.
2.2.4.2 Autres problèmes combinatoires
Les algorithmes de colonies de fourmis sont beaucoup étudiés depuis
quelques années et il serait trop long de faire ici une liste exhaustive de toutes
les applications et variantes qui ont été produites. Dans les deux principaux
champs d’application (problèmes NP-difficiles et problèmes dynamiques),
certains algorithmes ont cependant donné de très bons résultats. On peut
notamment retenir des performances particulièrement intéressantes dans le
cas de l’affectation quadratique [Stüzle et al. 00], de problêmes de
planification [Merkle et al. 00], de l’ordonnancement séquentiel
[Gambardella et al. 00], du routage de véhicule [Garnbardella et al. 99b], ou
du routage sur réseau [DiCaro, 98] (voir aussi pour cette application la section
3.1.2). Il existe une littérature importante sur toutes sortes de : problèmes
voyageur de commerce, coloriage de graphes, affectation de fréquence,
affectation généralisée, sac à dos multi-dimensionnel, satisfaction de
contraintes, etc.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
2.2.5 Autres algorithmes inspirés du comportement des fourmis
[Dorigo]
Autre le cadre ACO, il existe d’autres algorithmes inspirés des
comportements collectifs des fourmis.
2.2.5.1 Tri et classification
Le tri de la couvée est une activité qui peut être observée dans
beaucoup d'espèces de fourmi (par exemple, dans fourmis de Pheidole
pallidula [Deneubourg, 91]). Ces fourmis groupent de manière compacte
leurs oeufs et les plus petites larves au centre du secteur de couvée de nid et
les larves plus grandes à la périphérie de ce groupement de couvée.
Deneubourg et autres. [Deneubourg, 91] ont proposé un modèle de ce
phénomène dans lequel une fourmi prend et laisse tomber un article selon le
nombre d'articles environnants semblables. Les règles élémentaires suivantes
est une brève description du modèle de Deneubourg :
� Une fourmi reconnaît toujours les objets immédiatement en face d’elle
� Si un objet est situé près d’autres objets, la probabilité que la fourmi le ramasse
est faible ; sinon la probabilité est grande
� Si une fourmi transportant un objet voit des objets similaires à proximité, elle a
tendance à lâcher l’objet.
� Il n’existe aucune communication directe entre les fourmis !
� On observe néanmoins un comportement émergent :
Ce modèle peut servir dans des applications en robotique.
2.2.5.2 La division du travail
Dans les colonies de fourmis, chaque ouvrier a sa spécialité [Robinson,
92]. Cependant, les fourmis peuvent adapter leur comportement selon les
circonstances : par exemple une fourmi de soldat peut devenir une
chercheuse de nourriture. Cette combinaison de spécialisation et de flexibilité
est un dispositif souhaitable pour l'optimisation et la commande multi-agent,
particulièrement dans les problèmes d'allocation de ressource qui exigent
l'adaptation continue aux conditions changeantes. Beaucoup d'approches
inspirées de la division de travail dans les vraies colonies de fourmis sont
basées sur un modèle de seuil développé par Robinson [Robinson, 92], dans
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
lequel les ouvriers avec de bas seuils de réponse répondent aux faibles
degrés des stimulus que les ouvriers avec les seuils de réponse élevés. Un tel
modèle de réponse-seuil a été appliqué au problème de choisir une cabine
de peinture pour des camions sortant d'une chaîne de montage dans une
usine de camion [Bonabeau, 99], [Campos, 00] - [Nouyan, 05].
2.2.5.3 Le transport coopératif Une fourmi peut recruter d’autres fourmis afin de déplacer et de rapporter au
nid des nourritures volumineuses. Ce comportement de colonies de fourmi a
aussi inspiré la recherche dans la robotique, en particulier pour la conception
d'algorithmes de contrôle distribués pour les groupes de robots [Martinoli, 97].
Un exemple d'une tâche qui a été utilisée comme un point de référence pour
des algorithmes de fourmi appliqués aux problèmes de robotique distribués
est la boîte coopérative poussant [Kubei, 94]. Un autre exemple d'application
des algorithmes de fourmi est celui au problème relatif de tirer un objet. Ceci
a été réalisé [Trianni, 04] dans le projet Swarm-bots (www.swarmbots. org), un
projet consacré à l'étude des algorithmes de fourmis pour des applications
autonomes de robotique.
2.2.6 Conclusion
Les algorithmes de type ACO comptent parmi les plus performants pour
résoudre certains problèmes combinatoires NP-difficiles. De plus, il existe une
littérature abondante sur l’application de la métaheuristique ACO à ce genre
de problèmes. Enfin, des propriétés de convergence ont pu être prouvées
pour certaines variantes. On trouve même des applications industrielles
(ordonnancement de chaînes de montage, tournées de flottes de véhicules)
réalisées par des sociétés telles que EuroBios, AntOptima ou BiosGroup. Quant
aux tendances actuelles de la recherche, elles se dirigent selon quatre
grands axes :
• l’application à des problèmes dynamiques, dont les caractéristiques
changent avec le temps (par exemple, pour le routage dans les réseaux, ou
dans le cas du TSP pour lequel de nouvelles villes peuvent apparaître ou
disparaître avec le temps) ;
• l’application à des problèmes stochastiques présentant une incertitude, un
bruit sur les données, ou une approximation des variables ;
• l’application à des problèmes multi-objectifs ;
• la parallélisation des codes implémentant des algorithmes de type ACO afin
de réduire les temps de calcul et de profiter de la nature distribuée de la
méthode.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
CHAPITRE3
3. Optimisation en essaim de la particule (PSO)
PSO est une population basée sur un algorithme de recherche et est initialisé
avec une population des solutions aléatoires, appelés particules.
Contrairement à l'évolution d'autres techniques de calcul, chaque particule
dans PSO est également associée à une vélocité. Les particules volent dans
l'espace de recherche avec les vélocités qui sont ajustées dynamiquement
d'après leurs comportements historiques. Par conséquent, les particules ont
tendance à voler vers le mieux et la meilleure zone de recherche au cours du
processus de recherche. PSO a d'abord été conçu pour simuler la recherche
de nourriture des oiseaux qui est défini comme un «vecteur champ».
Supposons le scénario suivant: un groupe d'oiseaux est à la recherche
aléatoire de nourritures dans une zone. Il n'y a qu'un seul morceau de
nourriture dans ce domaine de recherche. Les oiseaux ne savent pas où est
la nourriture. Mais ils savent à quel point elle se trouve et les places de leurs
pairs.
Alors, quelle est la meilleure stratégie pour trouver la nourriture ? Une stratégie
efficace est de suivre l'oiseau qui est le plus proche de la nourriture. PSO
apprend du scénario et s'en sert pour résoudre les problèmes d'optimisation.
Dans PSO, chaque solution est unique comme un "oiseau" dans l'espace de
recherche, qui est appelé «Particules». Toutes les particules ont des valeurs qui
sont évaluées par la fonction de mise en forme à optimisé, et qui ont des
vélocités qui dirigent le vol des particules. (Les particules volent à travers
l'espace du problème, en suivant les particules avec les meilleures solutions à
jour). PSO est initialisé avec un groupe aléatoire de particules (solutions) et
puis cherche des optima de chaque génération en faisant la mise à jour.
Chaque individu est traité comme un volume de moins de particules (un
point) dans un espace de recherche D-dimensionnelle. La iem particule est
représentée comme Xi = (xi1, xi2,..., Xid). À chaque génération, chaque
particule est mis à jour par les deux «meilleurs» valeurs. Le premier est le
meilleur emplacement (la position qui a donné la meilleure valeur de justesse)
d'une particule obtenue à ce jour. Cette valeur est appelée pBest. Le pBest
de la ième particule est représenté comme Pi = (pi1, pi2,..., PiD). À chaque
itération, le vecteur P de la particule avec les meilleurs valeurs dans le
voisinage, désignée l ou g, et le vecteur P de la particule courante est
combiné pour ajuster la vélocité le long de chaque dimension, et cette
vélocité est alors, utilisé pour calculer une nouvelle position de la particule. La
portion d'ajustement de vélocité est influencée par la précédente meilleure
position individuelle (P) et est considéré comme la composante de cognition,
et la portion influencé par les meilleurs dans le voisinage est la composante
sociale. Avec l'ajout de facteur d'inertie ω, selon Shi et Eberhart, ces
équations sont les suivantes:
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
vid = ω∗vid +η1 *rand () ∗ (pid −xid) +η2∗Rand () ∗ (pgd −xid) (1.1)
xid = xid +vid (1.2)
Où rand () et Rand () sont deux nombres aléatoires générés de façon
indépendante dans l’intervalle [0,1] et η1 et η2 sont deux facteurs
d'apprentissage qui contrôlent l'influence des composants sociaux et
cognitifs. En (1.1), si la somme sur le côté droit est supérieure à une valeur
constante, alors la vitesse sur cette dimension est attribué à être ± Vmax.
Donc, les vitesses des particules sont serrées dans la gamme [- Vmax, +Vmax]
laquelle sert comme une contrainte pour contrôler la capacité d'exploration
globale en essaim de la particule.
Ainsi, la probabilité des particules en laissant l'espace de recherche est
réduite. Notez que ce n'est pas de limiter les valeurs de Xi dans la gamme [-V
max, +V max]; qu’elle limite la distance maximale d'une particule qui se
déplace au cours d'une itération. L’algorithme principal tel que décrit par
Pomeroy est donné ci-dessous:
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
/ * Mettre en place les particules /
for each particle p do {
for d = 1 to dimensions do {
p.next[d] = random()
p.velocity[d] = random(deltaMin, deltaMax)
}
p.bestSoFar = initialFitness
}
/* set particles’ neighbors */
for each particle p do {
for n = 1 to numberOfNeighbors do {
p.neighbor[n] =getNeighbor(p,n)
}
}
/* run Particle Swarm Optimizer */
while iterations ≤ maxIterations do {
/* Make the ”next locations” current and then*/
/* test their fitness. */
for each particle p do {
for d = 1 to dimensions do {
p.current[d] = p.next[d]
}
fitness = test(p)
if fitness > p.bestSoFar then do {
p.bestSoFar = fitness
for d = 1 to dimensions do {
p.best[d] = p.current[d]
}
}
if fitness = targetFitness then do {
...
/* e.g., write out solution and quit */
}
} /* end of: for each particle p */
for each particle p do {
n = getNeighborWithBestFitness(p)
for d = 1 to dimensions do {
iFactor = iWeight * random(iMin, iMax)
sFactor = sWeight * random(sMin, sMax)
pDelta[d] = p.best[d] - p.current[d]
nDelta[d] = n.best[d] - p.current[d]
delta = (iFactor * pDelta[d]) + (sFactor * nDelta[d])
delta = p.velocity[d] + delta
p.velocity[d] = constrict(delta)
p.next[d] = p.current[d] + p.velocity[d]
}
} /* end of: for each particle p */
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
} /* end of: while iterations ≤ maxIterations */
end /* end of main program */
/* Return neighbor n of particle p */
function getNeighbor(p, n) {
...
return neighborParticle
}
/* Return particle in p’s neighborhood */
/* with the best fitness */
function getNeighborWithBestFitness(p) {
...
return neighborParticle
}
/* Limit the change in a particle’s */
/* dimension value */
function constrict(delta) {
if delta < deltaMin then
return deltaMin
else
if delta > deltaMax then
return deltaMax
else
return delta
}
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Le schéma de base d'algorithme PSO est présenté dans la figure 1.4.
L'algorithme PSO peut être vu comme un ensemble de vecteurs dont les
trajectoires oscillent autour d'une région défini par chaque meilleure position
individuelle antérieure et la meilleure position de quelques autres individus. Il y
a plusieurs topologies de voisinage pour identifier quelles particules de
l'essaim peut influencer les individus. Les plus communs sont connus comme
gbest et lbest:
Dans l'essaim du gbest, la trajectoire de chaque individu (particule) est
influencée par le meilleur individu trouvé dans l'essaim tout entier. Il est
supposé que les essaims du gbest convergent rapidement, comme toutes les
particules sont attirées simultanément à la meilleure partie de l'espace de
recherche. Cependant, si l'optimum global n'est pas proche de la meilleure
particule, ça peut être impossible pour l'essaim d’explorer d'autres régions et,
par conséquent, l'essaim peut être piégé dans un optimum local.
Dans l'essaim du lbest, chaque individu est influencé par un plus petit nombre
de ses voisins (lesquels sont vus comme des membres adjacents d’une série
d’essaim). Typiquement, il y’a deux voisins de lbest, un à côté droite et un sur
le côté gauche (un treillis de la bague). Ce type d'essaim convergera plus
lentement mais peut localiser l'optimum global avec une plus grande
chance. L’essaim du lbest est capable de circuler autour d'optimum local.
Fig. 1.4. La structure de base de PSO.
Une représentation graphique d'un essaim gbest et lbest respectivement est
décrite dans la Figure 1.5. Si on considère les voisinages sociaux et
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
géographiques tels que présentés dans la figure1.6, puis les deux gbest et
lbest peuvent être considérés comme des formes de voisinage social.
(a) gbest essaim (b) lbest essaim.
Fig. 1.5. Représentation graphique de
Watts a introduit un petit modèle de réseau qui permet d’interpoler entre les
ressources ordinaires de faible dimensions des réseaux aléatoire, par
l'introduction d'une certaine quantité de hasard dans un premier temps
régulières.
Watts identifie deux facteurs qui influent sur l'échange d'informations entre les
petits- réseaux des membres :
• le degré de connectivité: le comportement de chaque individu sera
influencé par le comportement de ses k voisins.
Fig. 1.6. Exemples de (a) voisinage géographique (b) voisinage social dans
un essaim.
• La quantité de regroupement: le regroupement se réfère aux voisins en
commun avec d'autres individus. Ils existent plusieurs types de topologies
essaim qui peuvent être utilisés selon le problème à résoudre. Kennedy et
Mendes ont testé quelques topologies pyramides comme modèle, pour
quelques problèmes d'optimisation des fonctions.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
CHAPITRE 4
4. Essaim Robotique
Essaim Robotique est une nouvelle approche pour la coordination d'un
grand nombre de robots et est apparue comme l'application de l'intelligence
en essaim de systèmes multi-robots. Différents des autres études de
l'intelligence en essaim, essaim robotique met l'accent sur la réalisation
physique des individus et des interactions réalistes entre eux et entre les
individus et l'environnement. Dans ce chapitre, nous présentons un bref
aperçu de cette nouvelle approche. Nous avons d'abord présenté sa
définition, l'examen des principales motivations qui sous-tendent l'approche,
ainsi que ses caractéristiques et les principaux mécanismes de coordination.
Ensuite, nous présentons un bref aperçu des recherches en robotique en
essaim autour de quatre axes, à savoir la conception, de modélisation et
d'analyse, et en fin les robots et les problèmes.
4.1Introduction Essaim Robotique représente une nouvelle approche pour la coordination
d'un grand nombre de robots dont la principale inspiration provient de
l'observation des insectes sociaux. Ces insectes, comme les fourmis, les
guêpes et les termites, sont appelés à coordonner leurs comportements à
accomplir les tâches qui sont au-delà des capacités d'un seul individu, les
fourmis peuvent transporter de grandes proies à leur nid, les termites peuvent
construire de grands monticules de boue dans lequel un niveau désirée de
température et d'humidité est maintenue [5]. L'émergence de ces
comportements synchronisés au niveau du système est plutôt impressionnant
pour des chercheurs travaillant sur les systèmes multi-robots, car il apparaît,
malgré les individus sont relativement incapables, malgré le manque de
coordination centralisée et, malgré la simplicité des interactions.
Le terme intelligence en essaim a été initialement conçu comme un "buzz
word" par Beni, dans les années 1980 pour désigner une classe de systèmes
robotiques cellulaire [2]. Plus tard, le terme est passé à couvrir un large
éventail d'études de l'optimisation pour les études des insectes sociaux, la
perte de son contexte, la robotique dans l'intervalle. Récemment, le terme
Essaim Robotique a commencé à être utilisé comme l'application de
l'intelligence en essaim des systèmes incorporés physiquement.
4.2 Qu'est-ce que Essaim Robotique? Compte tenu de la pléthore de termes utilisés pour décrire les différentes
approches utilisées dans les systèmes multi-robots, comme " la robotique
distribuée " ou "la robotique collective," les caractéristiques de la robotique
en essaim en provenance du reste de besoin d'être clarifiés. Cette
préoccupation a été explicitement énoncée dans [10] et une définition est
fournie de la manière suivante.
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
Définition 1
" Essaim Robotique est l'étude de la façon dont un grand nombre d’agents
physiques relativement simples peuvent être conçus de telle sorte que le
comportement collectif désiré émerge de l'interaction entre les agents et
entre les agents et l'environnement».
4.2.1 Propriétés du niveau de système Le système de fonctionnement au niveau d'un système robotique en essaim
devrait présenter trois propriétés fonctionnelles qui sont observés dans des
essaims et de rester en tant que propriétés des systèmes multi-robots.
• Robustesse. Le système robotique en essaim devrait être en mesure de
fonctionner en dépit des perturbations de l'environnement ou du mauvais
fonctionnement de ses individus. Un certain nombre de facteurs peuvent être
observés dans les insectes sociaux derrière la robustesse de leur
fonctionnement. Tout d'abord, les essaims sont en soi des systèmes redondants, la perte d'une
personne peut être immédiatement compensée par un autre.
Deuxièmement, la coordination est décentralisée et donc la destruction
d'une partie de l'essaim est peu probable de mettre fin à son opération.
Troisièmement, les individus qui composent l'essaim est relativement simple,
ce qui les rend moins vulnérables à l'échec.
Quatrièmement, la détection est distribuée, d'où le système est robuste
contre les perturbations dans l'environnement.
• Flexibilité. Les personnes d'un essaim devraient être en mesure de
coordonner leurs comportements pour lutter contre les tâches de nature
différentes. Par exemple, les individus dans une colonie de fourmis peuvent
collectivement trouver le chemin le plus court pour une source de nourriture
ou d'une grande proie grâce à l'utilisation de différentes stratégies de
coordination.
• Extensibilité. Les essaims devraient être en mesure de fonctionner dans un
large éventail de tailles de groupe et de soutenir un grand nombre d'individus
sans impact sur la performance. C'est à dire, les mécanismes de coordination
et les stratégies à développer pour les systèmes de robotique en essaim
devraient assurer le fonctionnement de l'essaim dans différentes tailles.
4.2.2Caractéristiques
Nous allons maintenant résumer les principales caractéristiques de l'essaim de
recherche en robotique (voir [9] pour une discussion).
Tout d'abord, la recherche doit être pertinente pour la coordination d'un
essaim de robots. C'est à dire, les personnes doivent avoir une incarnation
physique, se situer, et d'être physiquement capable d'interagir avec leur
environnement. En outre, les mécanismes de coordination devraient être
étudiés en promettant d'être évolutive pour un large éventail de tailles
d’essaim.
Deuxièmement, le système robotique à l'étude devrait être assez
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
homogène.
C'est à dire, les individus qui composent l'essaim devraient être assez
identiques, du moins au niveau des interactions. Coordination des stratégies
élaborées pour des systèmes hétérogènes multi-robots, qui sont composées
d'individus qui diffèrent dans leurs interactions en raison de leur physique ou
leur incarnation de contrôle du comportement, en dehors de l'approche de
la robotique en essaim.
Troisièmement, les individus devraient être relativement simples. Le critère
de la simplicité dans la définition ne se réfère pas directement à la
complexité du matériel et des logiciels des robots, mais plutôt pour but de
souligner les limites de leurs capacités individuelles par rapport à la tâche. Les
membres du système de l'essaim devraient être relativement incapables ou
inefficaces seul en l'égard de la tâche à accomplir. C'est, soit (i) la tâche
devrait être difficile, voire impossible, d'être menées par un seul robot, et la
coopération d'un groupe de robots devrait être indispensable, ou (ii) le
déploiement d'un groupe de robots devrait améliorer les performances et la
robustesse de la manipulation de la tâche.
Quatrièmement, les individus devraient avoir les capacités d'interaction
locale. Cette contrainte assure que la coordination entre les robots est
distribuée, et qu'il est plus probable à l'échelle de la taille de l'essaim. Les
mécanismes qui s'appuient sur les capacités d'interaction sont susceptibles
d'être limitées par la bande passante.
4.2.3 Mécanismes de coordination
Les études en systèmes physiques et biologiques ont révélé qu'il existe un
certain nombre de mécanismes de coordination qui sont à l'œuvre dans les
systèmes naturels qui peuvent servir de sources d'inspiration pour la
coordination de l'essaim des systèmes robotiques. Deux des principaux
mécanismes de coordination sont: l'auto-organisation et stigmergy.
Auto-organisation, définie comme «un processus dans lequel les formes à
l'échelle mondiale émergent uniquement de nombreuses interactions parmi
les bas niveaux des composantes du système» [5], est commun dans les
systèmes naturels. Les études d'auto-organisation dans les systèmes naturels
montrent que l'interaction des commentaires positifs et négatifs des
interactions locales entre les individus est indispensable [4]. Dans ces
systèmes, une évaluation positive est généralement généré par des
comportements auto-catalytiques, c’est le changement infligé dans le
système essaim de l’environnement par l'exécution d'un comportement
augmente le déclenchement de même comportement.
Ce cycle de rétroaction positive est contrebalancé par un mécanisme de
rétroaction négative, qui résulte généralement d'un «épuisement des
ressources physiques» [4].
En plus de ces mécanismes, l'auto-organisation dépend également de
l'existence aléatoire et multiple interaction au sein du système.
Les études d'auto-organisation dans les systèmes naturels se développent
souvent des modèles qui sont construits avec une simplification des
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
interactions dans l'environnement et le résumé des mécanismes de
comportement chez les individus. Les modèles d'auto- organisation sociaux
des insectes et des animaux ont déjà été utilisés comme sources d'inspiration,
car, en un sens, la robotique en essaim peut être considérée comme
l'ingénierie et l'utilisation d’auto-organisations en physique incorporée dans les
essaims.
Stigmergy, définie comme la communication indirecte des individus à
travers l'environnement, a été proposée par Grasse [13] pour expliquer les
mécanismes de coordination derrière la construction de nids de termites.
Stigmergic communication est commune à de nombreux insectes sociaux, les
fourmis sont appelés à déposer des phéromones sur le terrain pour marquer
les chemins de sources de nourriture et ces phéromones comme attirant à
suivre par les fourmis. Stigmergy est intéressant pour la robotique en essaim,
car il fournit un mécanisme de communication qui est local, distribué et
évolutif.
4.3 Orientations de la recherche
Au cours des 4-5 dernières années, l'intérêt pour la robotique en essaim a été
à la hausse.
L'intérêt croissant dans cette nouvelle approche est actuellement alimentée
par les progrès de la mécatronique et d'autres technologies, telles que les
MEMS, qui ont commencé à réduire la taille et le coût des robots pour la
production de masse et ouvert la voie vers le déploiement à grande échelle
des systèmes essaim robotiques dans des applications Realworld. Dans la
discussion ci-dessous, nous allons donner un bref examen de la robotique en
essaim d'études en quatre catégories, à savoir la conception, de
modélisation et d'analyse, les problèmes des robots
4.3.1 Conception
Le principal problème d'un système robotique en essaim peut être le suivant:
Comment doit-on concevoir des personnes, tant en termes de réalisation
physique, ainsi que leur comportement de contrôle, tel que souhaité
apparaître le niveau d’essaim d'interaction entre les individus et entre les
individus et l'environnement? Cet objectif, qui peut également être considéré
comme le "génie de l'auto-organisation" dans les systèmes multi-robots, est
une tâche qui est difficile, sinon impossible, à résoudre en termes généraux.
Les études au sein de cette catégorie peuvent être regroupées en deux: ad-
hoc et des approches principales.
Dans les approches ad hoc, les comportements des différents robots sont
conçus manuellement pour réaliser le comportement désiré au niveau
d’essaim. Dans cette approche, en général, mais pas toujours, les
comportements des insectes sociaux sont généralement adaptés à des
robots à portée de main. Ce processus suppose implicitement que les
comportements utilisés comme source d'inspiration sont observés à un certain
niveau d'abstraction qui saisit les paramètres essentiels qui doivent être
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
adaptés à des robots et encore de reproduire des comportements de niveau
de l'essaim.
En approches principales, au lieu de concevoir un essaim au niveau
comportement, à travers une méthodologie générale auquel on désire des
comportements de niveau d’essaim on peut les utilisés pour construire des
comportements individuels nécessaires qui sont proposés ou utilisés.
Une telle approche est l'utilisation de l'évolution artificielle. Des méthodes
évolutionnaires ont été utilisées avec succès pour développer des
comportements au sein du projet Swarm-Bots [12]. En particulier, le
SwarmBot3D [22], est une simulation a base physique de l'environnement, le
système robotique Swarm-Bots à différents niveaux de complexité, a été
utilisé. Dans la plupart de ces études, la réaction simple ou les perceptrons
multicouches récurrents ont été utilisés pour encoder les comportements.
L'évolution des comportements dans l'environnement de simulation ont
ensuite été transférés avec succès à la physique du système robot.
4.3.2 Modélisation et Analyse
Le comportement d'un système robotique en essaim au niveau du système
émerge de l'interaction de ses individus. Ces interactions, déterminées par les
comportements des individus et l'environnement, sont, par nature
probabiliste. En conséquence de cela, le résultat du comportement de
systèmes robotiques de l'essaim n'est pas simple et la modélisation et l'analyse
de l'essaim est souhaitable pour au moins deux buts. Tout d'abord, pour des
tâches désirées à accomplir, et pour un projet de conception de
comportement au niveau individuel, on doit obtenir des garanties pour la
performance au niveau système. Deuxièmement, dans la plupart des
approches ad hoc, bien que la composition globale des comportements
individuels puisse être connue, la valeur optimale des paramètres peut rester
inconnue. Les expériences systématiques avec des robots physiques sont
souvent difficiles à exécuter. En outre, ils peuvent ne fournir que peu de
garanties limitées et un aperçu du fonctionnement du système. Les modèles
qui peuvent être utilisés à cette fin peuvent être examinés en trois groupes.
Dans la modélisation à base de capteurs, la détection et l'actionnement d’un
robot bien que des interactions robot-robot et robot-environnement sont
modélisées. Ce type de modélisation, principalement utilisé pour la
construction réaliste des simulateurs de systèmes robotiques, nous permet de
mener des expériences en simulation et encore d'obtenir des résultats qui
sont en accord avec ceux obtenus à partir de robots physiques. Bien que ce
type de modélisation est commun dans la construction de simulateurs
robotique [21], les modèles à être utilisés dans la robotique en essaim ont
besoin de plus de fidélité au niveau des interactions inter-robot. Toutefois, la
construction de ces modèles est soumise à l'arbitrage entre le réalisme et la
simplicité - les modèles et les interactions doivent être réalistes pour être utiles,
et, pourtant, dans le même temps, ils doivent être aussi simples que possible
pour la vitesse.
Une plate-forme de simulation construite avec l'ensemble de ces questions à
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
l'esprit est Swarmbot3D [22], un simulateur basé sur la physique développé
spécifiquement pour le système robotique swarm-bot. Le simulateur contient
des modèles du s-bot robot à différents niveaux de complexité et a été vérifié
contre les robots physiques. Le simulateur a été utilisé à la fois de générer des
comportements pour les différents problèmes à l'aide des méthodes
d'évolutions, ainsi que d'analyser systématiquement le système qui en résulte
au niveau des comportements. Ces simulations, même au plus bas niveau de
complexité, se sont révélées de calcul intensif, et un système qui peut
paralléliser les simulations sur un cluster d'ordinateurs a été développé
dedans.
Ce type de modélisation peut être utilisé comme un moyen constructif de
concevoir les comportements, et à donner un aperçu sur le comportement
de l'essaim grâce à des expérimentations.
Dans la modélisation microscopique, similaire à l'approche à base de
capteurs, une modélisation effectuée au niveau individuel. Les états de
l’individu et les transitions entre ces états sont modélisés analytiquement.
Cette modélisation prend en compte les caractéristiques de l'environnement,
de l'incarnation physique et comportementale de contrôle des robots. Grâce
à ces modèles, au lieu de simuler les interactions individuelles au sein du
système, le modèle évolue l'état des individus dans le temps.
Un excellent exemple de ce type de modélisation dans la robotique en
essaim peut être trouvé dans [16]. Les auteurs ont étudié le problème de
traction bâton, dans laquelle deux robots doivent collaborer pour tirer des
bâtons. Ils ont proposé un modèle probabiliste pour représenter les
changements dans les Etats des robots. Le modèle, qui est essentiellement un
ensemble d'équations de taux, a été construit avec les caractéristiques
physiques des robots, tels que la forme du corps et la taille du robot, ainsi que
l'emplacement et les caractéristiques des capteurs, et de l'environnement. Il
a également pris en compte la conception du comportement de l'individu et
de robots utilisés comme base pour les transitions entre les différents Etats. La
modélisation Microscopique a été signalé à être beaucoup plus rapide que
la modélisation à base de capteur et fourni encore les moyens de relier les
paramètres de comportement du système au niveau des résultats.
Dans la modélisation macroscopique, à la différence des deux approches, la
modélisation se fait au niveau de l'essaim. Ce type de modélisation, dans
laquelle le comportement de certaines quantités moyennes, qui représentent
l'état du système est représenté, et est commune en physique et en chimie.
Contrairement aux modèles à base de capteurs et microscopiques, les
modèles macroscopiques doivent être résolus afin d'obtenir une seule fois
l'état d'équilibre du modèle. Il permet de trouver les paramètres optimaux de
comportement systématique, sans procéder à des expériences avec des
robots et fournit un point de vue de garantie théorique sur le comportement
de niveau système de l'essaim. Un exemple de ce type de modélisation peut
être trouvé dans [19]. Dans cette étude, un modèle d'analyse
macroscopique pour un problème de tirer des bâtons mentionné ci-dessus,
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
est proposé.
Dans ce modèle, le nombre de robots dans un état ainsi que le nombre de
bâtons non extraies sont utilisés pour représenter l'état du système et le taux
d'équations décrivant le changement dans ceux-ci sont issus. En utilisant un
tel modèle, les auteurs sont en mesure de déterminer les paramètres
optimaux pour les comportements du robot sans faire de l'expérimentation
systématique.
4.3.3 Robots
L'une des principales orientations de recherche a été le développement de
l'essaim des systèmes robotiques, depuis la construction d'un système
robotique en essaim elle prend plus de rassembler un certain nombre de
copies d'un robot de la plate-forme générique. Toutes les études à cette fin,
ont été axées sur le développement de robots mobiles, qui visent à fournir
une plate-forme de recherche et ne sont pas destinés à l'exploitation du
monde réel.
Ci-dessous, nous allons discuter les exigences supplémentaires (ou de la liste
de souhaits de point de vue des chercheurs) attendus de robots qui seraient
utilisés dans des systèmes robotiques en essaim.
• Détection et signalisation. L'accent principal de la robotique en essaim est
l'interaction entre les robots, ainsi que l'interaction entre les robots et leur
environnement, entraînant des contraintes supplémentaires qui seront utilisées
pour les robots.
En particulier, (i) l'interférence entre les systèmes de détection des robots et
de l'effet de facteurs environnementaux sur eux devrait être minimale, (ii) les
robots devraient être capables de distinguer d'autres robots-parents (de
préférence, aussi facilement que les capteurs de proximité), et (iii) les robots
devraient être en mesure de laisser des "marques" dans l'environnement et
être en mesure de leur sens. En outre, il est préférable que les robots soient
équipés d’une certaine forme générique de capacité de détection afin de
permettre aux chercheurs de tester de nouvelles stratégies de détection.
• Communication. Contrairement aux systèmes robotiques autonomes, en
branchant les câbles de communication dans les robots n’est plus une option
faisable. Par conséquent, les robots doivent supporter la communication sans
fil (i) entre une console et des robots, afin de faciliter le suivi et le débogage
des algorithmes sur des robots, (ii) les robots comme dans la forme de réseaux
ad-hoc. Les robots doivent également être programmable en parallèle par le
biais d'un canal de communication sans fil depuis des algorithmes de
contrôle qui sont pour la plupart les mêmes pour tous les robots et la
programmation de l'essaim dans son ensemble serait un gros gain de temps.
• interaction physique. Les robots devraient être capables d'interagir
physiquement avec d'autre et avec l'environnement car cela est requis par
les tâches éventuelles telles que l'auto-assemblage et l’auto-organisation de
la construction.
• puissance. Les robots devraient avoir une longue durée de vie des piles.
Dans la plupart des études, l'essaim doit fonctionner pour une période qui est
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
assez longue, pour emerger le comportement, et atteindre l'objectif.
• Coût. Les robots devraient être marché aussi bon que possible, puisque,
contrairement aux robots autonomes, ils seront vendus au moins en groupes
de plusieurs dizaines.
• Taille. La dimension importe dans l'essaim des systèmes robotiques. Les
robots doivent être suffisamment petits pour ne pas rendre nécessaire
l'augmentation de la taille de la scène lors des essais d'expérimentations
avec le système, et encore de ne pas limiter l'extensibilité du robot ou
d'augmenter le coût de l'essaim de robots en raison de la miniaturisation des
composants.
• Simulation. Les essaims exigent des systèmes robotiques réalistes simulateurs.
Ils sont essentiels pour accélérer le développement de nouveaux algorithmes
de contrôle. Ces simulateurs ont besoin de modéliser les interactions entre les
robots, ainsi que les interactions avec des robots à leur environnement de
manière réaliste qui est aussi vérifié contre les robots physiques.
Le Développement d'une plate-forme de robot unique, cela rendrait compte
que la liste du souhait entière est difficile, sinon impossible. Le choix de
conception réalisés en ce qui concerne l'une des conditions, telles que la
taille, pose des contraintes à la réalisation d'autres conditions, telles que les
centrales électriques et de communication. Dans le reste de cette section,
nous passerons en revue certaines des plates-formes existantes de robot
mobile qui sont développés (ou peut être utilisé) pour mener la recherche et
de la robotique en essaim évaluer en fonction de la liste ci-dessus.
• Alice est un petit robot mobile rectangulaire de dimensions 22 × 21 mm.
Le robot, entraîné par deux moteurs à haut rendement SWATCH de
locomotion, l'hôte d'un microcontrôleur PIC16F877 avec mémoire flash
EPROM 8K mots. Alice dispose de quatre capteurs de proximité IR pour
détection d'obstacles et une courte distance robot robot-à-module de
communication ainsi que d'un récepteur infrarouge pour la télécommande. Il
existe également une grande variété de modules, comme une caméra
linéaire, RF, ou modules de préhension, d'extension de ses capacités. Dix
heures d'autonomie sont signalées avec deux piles bouton et de 20 heures
d'autonomie est atteinte avec une batterie supplémentaire LiPoly. Le robot
modèle est disponible dans le simulateur Webots.
• e-Puck est un robot circulaire d'un diamètre de 70 mm. Le robot, entraînés
par deux moteurs pas à pas pour la locomotion, l'hôte d'un microcontrôleur
dsPIC 30F6014A avec 144 Ko de mémoire programme et 8 Ko de RAM. IR
ePuck a huit capteurs utilisés pour mesurer la proximité des objets, ainsi que la
lumière ambiante.
Il a un haut-parleur de commentaires sonores et de trois microphones
directionnels qui peuvent être utilisés pour la localisation du son et d'un
accéléromètre à trois axes. Le robot a une caméra couleur, un certain
nombre de voyants pour signaler ou de montrer son état et Bluetooth comme
le principal canal de communication sans fil. Les robots peuvent être
programmés par l'intermédiaire de ce module Bluetooth. e-Puck prévoit
également une extension de bus est en option et des modules de
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
communication ZigBee. Trois heures d'autonomie sont signalés au moyen d'un
5 Wh Li-Ion. Le robot modèle est disponible dans le simulateur Webots.
•Jasmine est un petit robot rectangulaire avec des dimensions 23 × 23 mm.
Le robot, grâce à deux petits moteurs d'engins de locomotion tête, dispose
de six capteurs IR pour détection de proximité et de communication à
proximité. Il ya une puissante LED IR pour l'analyse détaillée d'un objet
d'intérêt et d'un module de communication infrarouge avec les hôtes.
Jasmine III a une conception modulaire, dans lequel les différents modules de
détection comme un capteur de lumière ambiante, un capteur de couleur
et de la locomotion des différents modules peuvent être utilisés. Deux heures
d'autonomie sont rapportés avec LiPoly batteries. Un simulateur appelé
LaRoSim a été construit pour mener des expériences dans la simulation.
• s-bot, a une forme circulaire d'un diamètre de 116 mm. Les robots ont une
locomotion sous-système constitué de deux roues et des voies qui sont
entraînés par deux moteurs DC engins de tête. s-robots sont équipés de deux
pinces pour l'étude de problèmes tels que l'auto-assemblage et la
coordination du mouvement. Les robots ont des capteurs de différentes
modalités, dont 15 pour les capteurs de proximité infrarouge de détection
d'obstacles, quatre capteurs IR en dessous du robot face au sol, capteurs de
couple sur les roues, un capteur de force entre la base et les roues, d'un
accéléromètre à trois axes, une caméra omnidirectionnelle et huit LEDs RGB
pour la messagerie entre les s-bots. Le robot est équipé d'un custom XScale
400 MHz CPU bord, 32 Mo de mémoire flash et 64 Mo de RAM. Un module Wi-
Fi est utilisé pour la communication sans fil.
Les robots ont de batterie d’une heure de vie (Li-Ion). Un sur mesure
SwarmBot3D est appelé simulateur développé pour simuler s-bots à différents
niveaux de complexité.
• Swarmbot est un robot de forme carrée avec des dimensions 130 × 130 mm.
Il a quatre roues de chaque côté par deux engins de tête des moteurs DC. Le
robot est équipé d'un processeur ARM Thumb, un FPGA, huit capteurs de
choc, quatre capteurs de lumière et une caméra. Le Swarmbot utilise ISIS, un
système infrarouge qui peut capter la gamme, l'incidence et l'orientation des
voisins d'autres robots. Des modules supplémentaires sont linéaires CCD,
magnétiques et de la nourriture essaim-cam émetteurs qui peuvent être
utilisés sur demande. Il ya une unité de communication RF pour le débogage
et la programmation. La durée de vie des piles des robots ne sont pas
déclarés.
• Centibots sont des versions modifiées de Pioneer 2-A et Amigobots. Un
système de navigation inertielle pour estimer les coordonnées des robots, un
laser SICK pour la construction et carte d'une caméra CCD utilisé pour
étendre les capacités de détection des robots. Un ordinateur de bord,
webcam USB pour objet d'intrusion et de détection d'intérêt sont ajoutées à
Amigobots. Il y a un Wi-Fi sans fil ad-hoc entre le réseau de robots. Une
autonomie de trois à six heures est indiquée pour les pionniers et les deux
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
heures pour Amigobots.
• Kobot est un robot mobile de plate-forme circulaire d'un diamètre de 120
mm. Deux engins de haute qualité de moteurs à courant continu sont utilisés
pour la locomotion.
Kobot IR modulé a un système qui peut fournir des lectures de la proximité
d'objets et de distinguer les robots d'obstacles. Le système de télédétection,
qui utilise des signaux IR modulée, est robuste contre l'environnement et des
conditions d'éclairage réduit les interférences entre les robots. Kobots utilise le
protocole IEEE 802.15.4/ZigBee comme canal de communication sans fil.
Grâce à cette chaîne, les robots dans un essaim peuvent être programmés
en parallèle. Dix heures d'autonomie de la batterie est signalé avec LiPoly
batteries. Un simulateur sur mesure est disponible.
4.3.4 Problèmes. Jusqu'à présent, les recherches en robotique en essaim sont surtout limitées à
l'élaboration de concept proof-of-études dans des simulateurs ou des
systèmes robotiques et dans des environnements de laboratoire. Ci-dessous,
nous allons décrire quelques-uns des problèmes qui ont été abordées dans un
essaim de robotique de recherche et de décrire quelques-unes des études
portant sur leur exemplaire.
• Agrégation. Une agrégation Auto-organisé, le groupement de personnes
d'un essaim dans un cluster sans utiliser des indices de l'environnement, est un
comportement observé dans les organismes allant des bactéries aux
mammifères et les insectes sociaux. En essaim des systèmes robotiques, il peut
être considéré comme l'un des comportements qui peuvent agir comme un
précurseur d'autres comportements tels que le flocage et l'auto-assemblage.
Dans [11, 30], les comportements d'agrégation ont été développés pour des
robots myopes, des robots capables de percevoir qu'une petite partie de
l'ensemble de l'environnement, limitée à une grande scène, en utilisant
l'évolution des approches ainsi que d'un contrôleur probabiliste inspirés par les
insectes sociaux.
• Dispersion. Une dispersion Auto-organisées peut être considérée comme le
contraire de l'agrégation et est d'intérêt dans la surveillance des scénarios.
Dans ce problème (voir, par exemple, [27, 26, 28]), le défi est d'obtenir la
diffusion uniforme d'un essaim de robots dans un espace, la maximisation de
la zone couverte reste encore reliés par une certaine forme de canal de
communication.
• Forage. Ce problème est inspiré par le comportement des fourmis qui
recherche de sources de nourriture distribués autour de leur nid. Dans ce
problème, le défi est de trouver les meilleures stratégies de recherche
permettant de maximiser le taux de retour de la nourriture pour les ressources
engagées (par exemple le nombre de personnes effectuant des stratégies
d'alimentation ou de signalisation), dans un environnement. Différentes
stratégies d'alimentation ont été étudiées et analysées [31, 17, 20], et des
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
modèles de quête de nourriture ont été développés [18, 15].
• L'auto-assemblage. Ce comportement est observé dans les fourmis, où ils
forment des chaînes par le biais de la connexion les unes aux autres pour
construire des ponts ou des flotteurs, comme les structures pour rester au-
dessus de l'eau. Le problème de l'auto-assemblage peut être défini comme
la création de structures auto- organisées par la formation de connexions
physiques au sein d'un essaim de robots différents. L'auto-assemblage a été
étudié en physique des robots [7, 24] tel qu’une structure auto-assemblée
désirée est formée.
• Mouvement Connecté. Ce problème peut être décrit comme suit:
Comment un essaim de robots mobiles, reliés physiquement les uns aux
autres, coordonnes leurs mouvements tels que le groupe se déplace sans
heurts dans un environnement et d'éviter les obstacles environnementaux, tels
que des trous, d'une manière coordonnée. Ce problème a été étudié [32, 33]
dans le cadre du projet Swarm-Bots. Dans ces études, l'évolution des
approches ont été utilisées pour développer les comportements qui peuvent
contrôler un certain nombre de robots connectés afin d'éviter les trous dans
l'environnement. Les robots, qui sont physiquement reliés les uns aux autres
par l'intermédiaire de leurs pinces, ont été en mesure de détecter les forces
qui agissent sur le corps par le biais de capteurs et de traction ont été
capables de détecter des trous en dessous.
• Coopérative de Transport. Les fourmis sont connues de transporter de
grandes proies à leur nid grâce à la coordination de leurs actions de pousser
et de tirer. Une telle coordination est évidemment la capacité des systèmes
robotiques de l'essaim, car il permet aux personnes d'unir leurs forces,
générant une force suffisamment grande pour tirer un objet lourd. Ce
problème est en partie lié à la circulation connectée, à la différence que
comporte un objet passif qui doit être transporté. Dans [14], une série de
réseaux de neurones s’est déroulé pour obtenir l'isolement du groupe et les
comportements de transport dans un simulateur basé sur la physique.
La position angulaire de l'objectif (marqués par une source de lumière) et de
la distance ainsi que la position angulaire de la proie et d'une connexion du
capteur indiquant si le robot est connecté à d'autres robots ou non ont été
utilisés pour contrôler les moteurs du robot.
• Formation de Structures. Il s'agit d'un terme générique et non pas le
problème de la façon dont un motif géométrique souhaité peut être obtenu
et maintenu par un essaim de robots sans aucune coordination centralisée.
La formation du modèle peut se reporter soit à la géométrie ou à la formation
de schéma fonctionnel. En formation géométrique, le défi est de développer
des comportements tels que les personnes d'un essaim souhaité forment un
motif géométrique, semblable à la formation de cristaux. Dans cette tâche,
l'environnement est censé être uniforme et l'accent est mis sur l'utilisation des
interactions inter-robot à créer de tels modèles. En schéma fonctionnel de
formation, la tendance à se former est dictée par l'environnement. Dans des
décors naturels d'essaims, les environs d'une proie par un groupe de
prédateurs ou la formation des chaînes de traction par les tisseurs de fourmis
Swarm Intelligence
1e
r j
an
vi
er
2
00
9
peuvent être considérés comme des exemples de modèle de formation
fonctionnelle, où la forme géométrique ou la taille de la structure sont
constitués en partie déterminée par la tâche à accomplir en main.
• L'auto-construction organisée. Ce problème peut être formulé comme suit:
Comment un certain nombre d'objets passifs, distribuées au hasard dans un
environnement, peuvent être regroupés par un essaim de robots. Ce
problème, parfois aussi appelé «agrégation», a été l'un des premiers
problèmes étudiés. Beckers a étudié la façon dont un essaim de robots
physique frisbees cluster peut se propager dans un environnement, et a
montré que, malgré le manque de communication et de signalisation entre
les robots, frisbee clusters peuvent être obtenues.
4.4 Conclusion Dans ce chapitre, on a fourni une brève revue de la robotique en essaim une
nouvelle approche pour le contrôle et la coordination de systèmes multi-
robots. On a affirmé l'inspirateur de cette approche, les propriétés, et les
exigences et clarifier la définition des caractéristiques de cette approche par
rapport à d'autres études existantes. Ensuite, on a examiné les études dans
ce nouveau domaine, en les regroupant en quatre catégories. En raison de
l'absence d'un bon article de synthèse dans ce domaine relativement
nouveau, on a choisi de présenter au lecteur une vue d'ensemble du champ
en termes assez généraux et a souligné certaines des études les plus
intéressantes.
