Appunti Apprendimento ed evoluzione in sistemi artificiali

I sistemi dinamici possono essere discreti nel tempo, se l'evoluzione avviene a intervalli

discreti di tempo, ad esempio la dinamica di una popolazione, o continui se definiti da

un'equazione differenziale.

Nella dinamica delle popolazioni, il sistema lineare più semplice è quello per cui si può

calcolare il numero di individui nell’istante t1 partendo dal numero di individui nell’istante t,

aggiungendo gli individui nati e sottraendo gli individui morti in base al tasso di natalità e

mortalità. E’ un sistema lineare con un solo attrattore: porterà ad un punto 0 se il tasso di

mortalità è maggiore del tasso di nascita o a un numero infinito se il tasso di nascita è

maggiore del tasso di mortalità. È quindi un sistema irrealistico che non tiene conto del fatto

che la crescita della popolazione non può essere illimitata in quanto scatenerebbe una

naturale competizione per le risorse disponibili.

Un sistema discreto non lineare più veritiero è il modello di Verhulst, secondo il quale, più

sono le persone, più aumenta la mortalità e la crescita rallenta, fino a bilanciarsi (tanti ne

nascono, tanti ne muoiono) in quanto vi è competizione per le risorse. Pag. 3 di 10

1. Agenti (B01)

Un Agente è un’entità che ha uno scopo ben preciso a cui è stato delegato un compito, nel

compiere il quale ha dei tratti di autonomia, cioè può prendere decisioni in autonomia ed

adottare delle strategie. Chi lo delega non conosce i dettagli con cui il compito verrà

effettuato in quanto si affida all’agente. Gli agenti quindi sanno come svolgere il proprio

compito, e se necessario sono in grado di agire sull’ambiente.

In informatica ci sono due definizioni di agente, una corporea e una sociale.

Nella definizione corporea gli agenti sono entità computazionali (cioè manipolano

informazioni), autonome e collocate in un ambiente, cioè in uno spazio reale o virtuale in cui

operare. Per operare nell'ambiente ogni agente ha delle regole comportamentali che deve

seguire, regole che parzialmente possono dipendere anche dalla sua esperienza personale.

Nella definizione sociale gli agenti sono delle persone delle società. Ogni agente ha degli

stati interni e delle regole comportamentali. Alcuni stati sono fissi nella vita degli agenti

mentre altri cambiano a causa dell'interazione con altri agenti o a causa dell'interazione con

l'ambiente esterno. Da questo si deduce che gli agenti possono quindi interagire con altri

agenti. Questa interazione può comportare la nascita di strutture di più alto livello, delle sorti

di agenzia.

Un agente può essere descritto con due paradigmi:

Paradigma debole nel quale un agente è un sistema autonomo (agisce indipendentemente

dagli altri), reattivo (percepisce l'ambiente e reagisce ai suoi cambiamenti), pro-attivo (cioè

con un comportamento che favorisce il raggiungimento degli obiettivi) e con abilità sociali

(cioè in grado di comunicare con altri agenti).

Paradigma forte nel quale si aggiungono altre caratteristiche di più alto livello, considerate

quasi umane, come la conoscenza, le intenzioni, le emozioni, il senso d'obbligo, gli scopi

Esempi di agenti con paradigma debole ce ne sono tantissimi, ad esempio il robot roomba

che con le sue regole comportamentali, i suoi sensori ed i suoi attuatori riesce a muoversi

nell’ambiente domestico ed eseguire la pulizia del pavimento.

Gli esempi di agenti con paradigma forte sono tipicamente legati ad esseri umani, come

agenti di commercio, agenti immobiliari, ecc. Pag. 4 di 10

2.sistemi multi-agente

In informatica un sistema multi agente è un sistema composto da numerosi agenti in grado

di instaurare interazioni, sotto forma di scambio di messaggi o attraverso la modifica

dell’ambiente comune.

Una delle caratteristiche fondamentali degli agenti abbiamo visto che è l’interazione con

l’ambiente, cioè essere in grado di percepirlo, di muoversi in esso ed anche di poter agire

sull’ambiente modificandolo.

Quando ci sono più agenti nello stesso ambiente ogni agente diventa parte dell’ambiente

degli altri agenti che possono quindi, attraverso le abilità sociali, percepire le azioni degli altri

agenti e reagire a queste, in pratica possono collaborare.

Ed è proprio questo concetto di collaborazione che dà valore ai sistemi multi agente.

Abbiamo infatti visto come alcuni sistemi nella vita reale non siano efficaci se i compiti

vengono delegati ad un solo agente ma diventino veramente efficaci quando il compito viene

affidato a più agenti contemporaneamente, per due differenti motivazioni: un primo scenario

può essere quello di un compito molto lungo per il quale un agente da solo può compiere

solo poche operazioni e non raggiungerebbe l’obiettivo, ma tanti agenti uguali possono in

parallelo compiere le stesse operazioni e raggiungere quindi l’obiettivo, ad esempio la

definizione dei contorni degli oggetti in un’immagine. Altro scenario è ad esempio quello in

cui nello stesso ambiente operano più agenti che comunicando tra di loro ottimizzano il

lavoro, ad esempio in una catena di montaggio gli agenti posti lungo la catena produttiva

possono informarsi a vicenda sul sopraggiungere di nuovi pezzi da lavorare. Pag. 5 di 10

3. Swarm Intelligence (B02)

Esistono sistemi multi agente dove gli agenti sono semplici, ma la loro collettività riesce a far

emergere una sorta di intelligenza o di un comportamento, o di una auto-organizzazione in

risposta agli stimoli ambientali. Le regole sono definite per ogni singolo agente, ma è il

collettivo che le elabora per far nascere nuovi comportamenti di gruppo, che possono essere

paragonati ad una forma di intelligenza che di fatto non è la somma delle singole intelligenze

degli agenti. Anzi, nessun elemento del collettivo può proclamarsi intelligente.

Di fatto questi comportamenti sono detti “emergenti” in quanto non derivano da una scelta

razionale, da un ordine impartito o da una progettazione. Gli agenti non hanno una visione

globale e non sanno di eseguire qualcosa di intelligente. Eppure in natura c’è un elevato

numero di sistemi che esibiscono swarm intelligence, come ad esempio colonie di animali,

formiche, termiti, lucciole, banchi di pesci, stormi di uccelli, organismi unicellulari che si

radunano per spostarsi più velocemente, ecc.

In tutti questi esempi gli swarm si auto-organizzano e spesso si adattano all’ambiente

esterno, riconfigurando il proprio comportamento dopo aver percepito i cambiamenti

dell’ambiente.

Questo elevato numero di esempi fa pensare che non sia un comportamento accidentale,

ma un meccanismo cresciuto durante l’evoluzione.

Sono 3 gli elementi fondamentali per la costituzione della swarm intelligence:

1. individui: percepiscono l’ambiente locale, non globale, reagiscono ad un semplice

meccanismo di azione-reazione, possono influire sull’ambiente, come il feromone

delle formiche, e molto spesso agiscono in base a meccanismi stocastici (il rumore è

un ingrediente fondamentale). Se un individuo ha queste caratteristiche può essere

inserito in un sistema di intelligenza collettiva.

2. interazioni: le interazioni non sono comunicazioni dirette tra gli individui ma passano

per l’ambiente (si chiama Stigmergia ed è un metodo di comunicazione col quale gli

individui del sistema comunicano fra loro modificando l'ambiente circostante), ad

esempio il feromone delle formiche lasciato nell’ambiente quando trovano del cibo e

lo riportano al formicaio. Un’altra forma di interazione è tramite l’osservazione degli

altri individui, come gli storni che osservano i 7 individui intorno e si comportano in

maniera adeguata all’interno dello stormo.

3. ambiente: è l’ambiente in cui gli individui vivono e tramite cui avvengono le

interazioni. Può avere proprietà proprie indipendenti dal sistema multi agente e

processi attivi in grado di modificare le proprie caratteristiche, come ad esempio la

diffusione del feromone e l’evaporazione dello stesso.

Un particolare schema di interazione, che deve essere presente, è quello dei feedback,

mediante il quale le azioni eseguite dagli individui hanno delle ripercussioni positive o

negative sull’individuo stesso o su altri individui.

Retroazioni positive, di attivazione o di rinforzo: il comportamento di un individuo viene

emulato da altri individui fino a portare tutti gli individui a comportarsi nello stesso modo.

Retroazioni negative, di inibizione o controllo: il comportamento di un individuo, o i suoi

effetti sull’ambiente, portano gli altri individui a non emularne il comportamento.

Queste due retroazioni, in contrasto fra loro, formano una sorta di alternanza tra rinforzo e

controllo, evitando quindi che il sistema diverga ma raggiunga un equilibrio dinamicamente

stabile. Pag. 6 di 10

Un altro elemento utile nella swarm intelligence è la casualità, che introduce un rumore

fondamentale per ottenere un equilibrio. Questo elemento fa sì che casualmente gli individui

non seguano gli schemi classici ma si comportino in maniera differente. Questo rumore

porta una perturbazione che potrebbe portare cambiamenti in un sistema che altrimenti

potrebbe trovarsi in un minimo locale, aumentando la probabilità di trovare una soluzione

migliore.

Anche il ruolo della massa è fondamentale, il sistema non riesce ad auto-organizzarsi se

non è presente un elevato numero di individui. La massa permette di continuare il lavoro

anche se qualche agente non collabora, permette di esplorare più zone grazie a scelte

stocastiche.

Rispetto ai sistemi multiagente, i swarm systems pongono maggiormente l’accento sul

gruppo invece che sul singolo componente, ed inoltre è presente l’elemento fondamentale

Ambiente che permette agli individui di interagire e quindi di formare il coordinamento. La

swarm intelligence risulta inoltre essere più efficace, più flessibile e a basso costo, a patto di

accettare la presenza di qualche agente inutile e la perdita della definizione certa del

risultato.

Anche in presenza di agenti sofisticati con una propria intelligenza si può avere swarm

intelligence, come ad esempio la folla che scappa da un edificio, un branco di lupi a caccia,

in quanto il meccanismo dei feedback porta a spostare l’intelligenza verso l’individuo o verso

lo swarm.

3.1 Esempi di Swarm intelligence in natura

Sincronizzazione: lucciole, applausi, cellule cardiache.

Aggregazione: amebe che si radunano per spostarsi in cerca di cibo usando un feromone.

Movimento librato e collettivo: in natura stormi o banchi, in informatica i Boids (uccelli

arti