Partikelsvrm (Particle swarm optimization) r kollektiv intelligens

2010-11-06

Hans Husman Nyfiken vital Del av artikelserie: http://www.nyfikenvital.org/?q=node/3055 Partikelsvrmar r ett exempel p problemlsning dr vi drar nytta av svrmens kollektiva intelligens. Olika agenter samarbetar med varandra fr att kunna dra nytta av att en annan hittat intressant mat eller upptckt ett otckt rovdjur. De skapandes med fgelflockar och fiskstim som inspiration. Hr tittar vi p principen de fungerar enligt och diskuterar ngra exempel fr hur de kan anvndas fr att avbilda aktivitet associerat till ekonomiska frlopp, uppmrksamhet och perception i mnniskans hjrna och stter dem i relation till neuronnt och sekventiell inlrning. En exempel implementation i GNU Octave finns som klarar en gemensam fitness-funktion fr svrmen. Den grundlggande principen r att vi har ett antal partiklar som var och en vid en tidpunkt representerar en mjlig lsning. Dessa tillsammans kan vi jmfra med en flock fglar eller ett fiskstim: De hller reda p ett antal grannar. Om grannar de hller reda p upptcker en bttre lsning n vad sjlva knner till utnyttjar de detta och frndrar sin rrelse mot denna.

En bttre lsning minimerar fitness-funktionen

Vad som r en bttre lsning avgrs via via en fitness-funktion. Inga srskilda krav finns p hur den ska se ut vilket gr att vi kan anvnda partikelsvrmar till att frska lsa godtyckliga problem. P samma stt som det gr dem flexibla innebr det ocks att de fr vissa problem kommer vara lngsammare n algoritmer som utnyttjar knnedom om det faktiska problemet. ven om det sllan diskuteras ska man dock betnka att flexibiliteten i vad fitness-funktionen egentligen r ocks innebr att vi faktiskt kan stta algoritmer dr som har knnedom om ett faktiskt problem och t.ex. lter olika optimerade numeriska metoder eller neuronnt tvla mot varandra i partikelsvrmen.

Hur partiklarna rr sig

Vid varje tidpunkt berknar vi en hastighet v vilken ocks har en riktning. Utifrn

denna berknas partikelns nya position dr den precis som en fgel som sett att en annan flock medlem accelererar mot ngot p marken - kanske smaskiga frn - kan ndra sin riktning och hastighet. Fr att besluta vr nya hastighet pverkar tre faktorer: Momentum. Kognition. Sociabilitet ("social frmga").

Partiklarnas sociala frmga uttrycker hur de pverkar varandra

Den grundlggande principen med svrmintelligens r att agenterna (hr partiklarna) ska dra nytta av varandra. Vi kan jmfra det med hur en fgelflock pltsligt kan dyka ner mot potentiell mat p marken dr man kan se hur fglarna nrmast den som dk frst ligger efter den i rummet. Hr ser vi hur partiklarna - illustrerade som fglar - befinner sig utspridda i rummet vid en tidpunkt:

Illustration: Nyfiken vital

Ngra tidpunkter eftert ser vi hur den rda fgeln har upptckt ngot p marken. Fglarna nrmast den upptckte det fre de som befinner sig lngre bort vilka frst upptckter det nr fglar nrmare dem har hunnit reagera:

Illustration: Nyfiken vital

Den grundlggande principen fr hur detta skapar vrde i svrmintelligens diskuterades tidigare mer omfattande iSvrmintelligens r sjlvorganiserande intelligens dr ocks bde frdelar och de potentiella risker sjlva beteende medfr sett fr t.ex. mnniskor. Hur sociala vra partiklar r kan vi konfigurera. En mer social partikel fster strre vikt vid den bsta lsningen andra partiklar har hittats vilket i algoritmen uttrycks med konstaten k2:

I varje steg en partikels position uppdateras styr tre parametrar hur olika uttryck av informationsrymden vrderas. En kan sgas uttrycka partikelns "sociala frmga" och ett hgre vrde innebr att den vrderar vriga i stor omfattning. Dess minne indikerar vrdet den fster vid sin egen bsta upplevelse. Momentum begrnsar hur snabbt partikeln kan rra sig relativt sin tidigare hastighet. Partiklar med lgt momentum kan inte accelerera snabbt.
Formel: Nyfiken vital

Har vi ett hgt vrde (om vi antar att alla partiklar har samma konstanter) innebr att partiklarna mycket snabbt kommer reagera p en partikel som uttrycker en lsning som r bttre n deras. Hur bra lsningen r bestms helt enkelt frn hur vl de presterar i fitness-funktionen vilket gr att tidigt nr de r utspridda kan en grupp mycket sociala partiklar snabbt gruppera sig runt en egentligen vldigt dlig lsning och verge stora delar av den mjliga skrymden.

Tetwalker r ett exempel p en robot NASA bygger. De r p sikt tnkta att agera i svrmar inspirerade av hur myror utforskar omvrlden p jakt efter mat (ant colony optimization - ACO).
Foto: NASA

Om vi istllet har ett mycket lgt vrde innebr det att partiklarna fster vldigt lite vikt i vad andra partiklar hittat. Det gr att de kommer tendera att ska rummet dr de befinner ondigt lnge trots att lsningarna de hittar ligger lngt ifrn vad andra delar av rummet kan visa. Vi vill drfr vga mellan att tidiga egentligen inte srskilt bra lsningar inte ska pverka men nd f partiklarna och samlas mot delar av rummet som tycks ligga nra en optimal lsning fr att noggrant ska igenom det. Det kan vi jmfra med: En grsparv i stor flock fr syn p ngot som kan vara ett sdesflt med en massa goda frn. Den dyker ner vilket ocks kanske sex till tio fglar direkt och i stegen efter den ocks gr fr att titta nrmare. Tillsammans verblickar de nu i strre upplsning sdesfltet och upptcker

att deras fiender kajorna redan har tit upp alla frn. De ndrar drfr sin riktning upp mot vriga flocken. Hade alla fglarna reagerat hade energi slsats bort. Dessutom som algoritmen fr partikelsvrmarna fungerar hade det blivit problematisk fr svrmen att klara att ta sig bort frn fltet om alla hade dykt ner.

Fglar i en flock behver bara bry sig om att hlla reda p sina nrmaste grannar, undvika att kollidera samt titta efter god mat och otcka fiender. Rester lser sig sjlvorganiserat fr hela flocken. I bilden ser vi blodnbbsvvare (Quelea quelea) som r vrldens mest talrika fgel i vilt tillstnd med cirka 1.5 miljarder vuxna fglar.
Foto: Alastair Rae

Kognition r hur partikeln vrderar sin egen erfarenhet

Konstanten k1 uttrycker betydelsen en enskild partikel fster vid minnet av sin egna bsta lsningen. Den sociala frmgan uttrycker vikten de fster vid samarbete men fr att samarbete ska vara energieffektivt krvs meningsfull specialisering dr partiklarna faktiskt gr olika saker. Intelligenta organismer

Foto: www.swarm-bots.org

I bilden ser vi de trevliga Swarm-bots som tillverkades i ett projekt finansierat av EUkommissionens Future and Emerging Technologies och som ocks vann ett prestigefyllt pris. Genom att samarbeta i grupp klarar de av att ta sig ver ett svrt hinder som de var fr sig skulle ha

problem att klara.

Samtidigt ven om det nnu r tidigt fr vi inte glmma att nr vi faktiskt frsker efterlikna och skapa intelligens fr att skapa mer energieffektiva lsningar kan det hnda att vi ocks skapar intelligens och medvetande ven om den kanske inte r precis som vi r. Det r drfr kritiskt att partiklarna ocks vrderar sin egna tidigare bsta lsning. Vl avvgt med socialibilitet gr det att vi fr partiklar som sker egna delar av rummet men dr fokus tenderar att ka ver tiden mot delar av rummet som tycks innehlla bttre lsningar.

Momentum r vr rrelse
Den tredje termen som direkt pverkar hur vi kommer frndra vr hastighet rmomentum. Momentum uttrycker vikten vi fster vid vr tidigare rrelse och r p mnga sett den mest svrbegripliga av termerna. Tnker vi oss en fgel i luften eller en grupp mnniskor inser vi att de inte bara kan frndra sin riktning godtyckligt utan behver ta hnsyn till sin tidigare riktning. Vrdet momentum korrekt anvnd lgger till algoritmen kan vi dock uttrycka som konservatism dr vi vill ha en viss frdrjning i reaktionerna dr vi kan jmfra med det tidigare exemplet med fglar som dk ner mot marken. Reagerar vi blixtsnabbt och tar ut en ny riktning fr vi mindre vrde av gruppen drfr att stora delar av flocken kommer underska samma sak. Med en frdrjning dr varje partikel vrderar in sin tidigare riktning kommer partiklarna tendera att flja frndring men som en superposition mot sin tidigare riktning och drfr uttrycka ocks frdrjningar dr andra partiklar nrmare en potentiell lsningsrymd hinner kommunicera tillbaka dr det ocks kan inkludera vad de fngar upp i den unika vinkeln de kommer in via.

Hur mnga vnner har varje partikel?

Frutom att styra frndringen av positionen via den sociala frmgans inverkan p hur vi vrderar vad vra vnner hittat pverkar hr ocks hur mnga vnner varje partikel har. Anledningen till att en flock r energieffektiv i naturen frstr vi kanske enklast nr vi betraktar ett fiskstim med smfisk. Dessa jagas konstant av rovfiskar och att bilda ett stim ger dem kat skydd till lgre energikostnad: Ytan utt uttrycker maximal verblick som kan tillfra kat vrde fr att upptcka en rovfisk dr rent av viss redundans helt skert finns. Upptcker en fisk ett potentiellt problem rr den sig ifrn faran. Fiskarna nrmast reagerar ocks. Fiskarna nrmast dessa rr sig vidare och givet snabba reaktioner sprider sig rrelsen blixtsnabbt. Den lilla frdrjning som nd finns kompenseras jmfrt med en fisk som frsker hlla reda p alla riktningar av att den faktiskt inte klarar av att gra det sjlv. Konstaterat i bl.a. [3] r ocks att faktorer relaterade till fiskarnas metabolism pverkas av om de r i ett stim eller inte dr deras syrefrbrukning kar nr de tas ut frn stimmet. Det kan korrekt relateras till stress men bttre frklarande r

att se det som att nr de befinner sig utanfr flocken behver de brja frbrnna energi mindre energieffektivt fr att kompensera fr frdelen de tappat. Vi sg ocks att samma typ av relationer gller fr ven frmyrstackar och r ett fenomen som gr igen i naturen allmnt. Samarbetet ger frdelen och det gr det mjligt fr individerna att frbruka mindre energi fr att verleva dr detta r det grundlggande relationen oavsett hur det exakt realiseras. Om en smfisk mste flja alla andra fiskar i stimmet kan det om stimmet r stort rent av vara mer energikrvande n att simma ensam. Fr effektiv problemlsning krvs hr drfr en avvgning dr vi vill att kunskap om potentiellt bttre fda sprids i stimmet men ocks att vi inte tvingar varje partikel till att slsa CPU-kraft p att utvrdera ondigt mnga gnger om alternativa lsningar r bttre n vra egna.

Myrornas hierarkiska strukturer erbjuder en kompromiss Vi kan se flera mjliga strukturer p hur vi lter vra partiklar bilda vnner med varandra. Extremfallet r att alla partiklar vnner med alla andra men det krver att de jmfr ondigt mnga lsningar i varje steg vilket slsar enorm berkningskraft. En till vanlig lsning r att helt enkelt bilda en ring dr en partikel har en eller tv vnner. I detta fall vet vi att en riktig lsning kommer sprida sig och utan ondiga jmfrelser. Om en riktig lsning kan hittas relativt snabbt tappas givetvis en del berkning men om antalet partiklar inte r stort relativt iterationer r det frsumbart.

Foto: Nyfiken vital

nnu vanligare r att frska kompromissa mellan ringen och vara vn med alla genom att lta varje partikel vara vn med ett ftal andra t.ex. fyra stycken. Ett tredje angreppsstt som kan ha stort vrde fr problem vi lser kontinuerligt

och som bestr av flera delar r att definiera en hierarkisk struktur. P det sttet kan effektivare lsningsrymder som hittas snabbt spridas men nd behver frre jmfrelser gras n nr vi sjlva behver jmfra mot alla partiklar i varje hierarkisk struktur.

Ett exempel p hur en hierarkisk struktur kan se ut. Vilken som r bttre n ngon annan beror p hur problemet ser ut och hur mycket vi vid design knner till om problemet. I detta fall har vi lokala grupper av svrmar som i respektive arbetar ytterst nra varandra och delar information med alla andra. Vi kan se det som att var och en av dessa sker en del av rummet ytterst noga med snabb reaktion p indikationer om frndring. En partikel i varje svrm har till enda uppgift och vi kan som gjort hr definiera partikeln till att inte endast ha vnner utanfr den lokala gruppen utan sakna fr gruppen normal fitness-funktion och istllet uttrycka hur den kommunicerar samarbeta med fr andra svrmar chef-fglar istllet. Dr gruppen av chef-fglar kan ses som en gemensamt svrm ovanfr vriga svrmar. I vissa typer av modelleringar kan vi exempelvis anvnda denna koppling tillsammans med andra komponenter fr att modellera beteende hos branschinriktade fonder.
Illustration: Nyfiken vital

Formationerna uttrycker entropi: partiklarnas oskerhet Hur partiklarna bildar formationer i rummet uttrycker deras entropi eller om vi s vill oskerhet. Vad som r en bttre lsning relativt de olika partiklarna ser vi som den euklidiska distansen mellan dem. Nr algoritmen brjar och sker en lsning kommer partiklarna i genomsnitt vara jmnt utspridda ver rymden med lsningskandidater d.v.s. uttrycka hg entropi:

Illustration: Nyfiken vital

Vi kan se det som att maximal oskerhet rder om var en lsning till problemet finns. Fglarna r drfr jmnt utspridda i rummet fr att ska efter tlig information. Algoritmen kan ocks konvergera mot en lsning (ven om det beroende p hur implementationen och problemet ser ut ingen garanti finns fr det) och vid en tidpunkt kommer nr det sker fglarna ha klumpat sig runt eller p lsningen (beroende t.ex. av steglngd och liknande faktorer som kan styra om de ngonsin med ngon sannolikhet nr exakt samma vrde):

Illustration: Nyfiken vital

I detta fall kommer formationen uttrycka lgre entropi. P samma stt r algoritmens oskerhet om vad som r rtt lsning minskat. Vi kan ocks se det som att den slumpmssiga komponenten i pverkan p fglarnas positioner har reducerats genom att fnga upp kunskap som samlats in genom att vandra i slumpmssiga riktningar. Multiple Drafts Model

Pinocchios lnga nsa r ett exempel p en omedveten handling.

Foto: Nyfiken vital

Vad vi avser med medvetande och vad det egentligen r har vi ett antal filosofiska ider om. Nr det gller teorier om medvetande finns ocks tv "extrempunkter" dr vi p den ena sidan har Daniel Dennett's Multiple Drafts Modelsom r vldigt tidstypisk med den konnektionistiska iden om

helhet som skapas i hjrnan. En annan vanlig komponent r att se hjrnan som en ha enklare tilldelar, mer avancerade och upp till en verst styrande mest medveten entitet. Vilken av dessa sett att se p det som r korrekt r kanske inte ens en meningsfull frga innan vi kan definiera medvetande p ett stt vi kan modellera drfr innan vi klarar det r svrt att avgra om definitionen r riktig. Vi rr oss ocks i dagligt tal med begrepp s inarbetade s att vi inte ifrgastter eller reflekterar ver dem. T.ex. begrepp som medvetet ochomedvetet dr vi frestller oss omedvetna beslut som varande mer n enkla bedmningar som energieffektivt hanteras mer automatiskt utifrn enkla tumregler t.ex. motsvarande att vi r mer skeptiska mot dialekter drfr att det knns nytt: Tal med brytning knns oftare lgnaktigt Ett enklare stt att betrakta omedvetet r att utesluta det som begrepp och istllet sga att vad vi avser med medvetet r handlingar vi igonblicket kommer ihg att vi fattat. Betnk hr att vi faktiskt kan fatta ett beslut ytterst "medvetet" som snabbt lmnar vrt arbetsminne och inte tervnder till oss frrn lngt senare. Att den lilla "karta" samlad "hgst upp" i hjrnan dr perception och vriga delar av hjrnans arbete avbildas likt hur en teater avbildar omvrlden i sin frestllning eller hur "hjrnans" hgsta chef skulle nska f allt utmlat fr sig nu identifierats (se [2]) ger det detta synstt viss merit och kanske vad vi kan se som en tredje vg som bde utesluter multiple drafts model och den kartesiska teatern fr att istllet definiera uppfattat medvetande som vad vi kommer ihg att vi varit medvetande om dr det bildar vad vi kan liknade vid just den kartesiska teatern men dr vi ocks just har den strre helheten som fattar beslut likt multiple drafts model.

Vi kan stlla bda dessa uttryck ocks i relation till nr vi anvnder partikelsvrmar inte fr att ska lsningen p ett optimeringsproblem utan fr att flja rrelsen hos aktrer vi bevakar t.ex. entiteter som handlar med valuta eller p annat stt inverkar p valutakurser. Att avbilda omvrlden med partikelsvrmar I detta fall kan vi utifrn entropin partiklarnas position uttrycker vldigt enkelt och snabbt f en versiktsbild av vilken grad av oskerhet de uttrycker i den mening att vi kan se likhet i aktion mellan dem. P samma stt kan frndring i rrelse ocks uttrycka relativa frndringar i entropi och ge en indikation om den specifika snarare n globala predikterbarheten. Att se socialibilitet frnderlig tillsammans med kognition precis som euklidisk distans klarar att fnga vldigt mycket i vrigt av vad politiska och ekonomiska entiteter om de r stora och befinner sig i ett strre samspelande system meningsfullt att avbilda kan uttrycka. De flesta av de mjligheter partikelsvrmarna erbjuder fr det har dock redan diskuterats i: Prediktera ekonomisk kris och brskurser med sjlvorganiserad intelligens Dr det viktigaste att inse att vad partikelsvrmarna klarar att uttrycka r det verskdliga kollektiva beteendet dr andra algoritmer och lsningar krvs under fr att skatta specifika faktorer. Man ska samtidigt vara p det klara med att de r oerhrt effektiva och flexibla just fr att fnga tidsperioder nr snabba rrelser sker och utan ngon som helst tvekan rtt konfigurerade presterar verlgset mot mnga i omrdet betydligt mer anvnda och vedertagna metoder. Att jmfra partikelsvrmar med artificiella och biologiska neuronnt Vad ett artificiellt neuronnt gr r att utifrn trningsdata skatta en funktion som givet data av viss typ ger rtt utvrde. Vi kan ocks se neuronnt som en grupp av neuroner trnade fr att uttrycka korrelation eller interferens. Partikelsvrmar kan vi se som vad som skickar data genom funktioner fr att se om

data frn situationen just nu minimerar dem. En partikelsvrm r drfr vad som kan anvnda neuronnt fr att besvara frgor typiskt i form av fitness-funktioner. Antar vi t.ex. fr att anvnda Tnkande Valpar som exempel att valpen tidigare prvat att ta ett freml som ser ut som ett ben och det givit en trningssignal (smakade bra och blev angenmt mtt) kan vi se det som att ha trnat ett neuronnt till att reagera med motivation att ta p saker som ser ut som ben (givet att ingen annan trning existerar som att saker som ser ut som ben men har en lampsladd frn dem kan ge en elstt om man gnager p dem). Om valpen nu vid en tidpunkt blir hungrig och ser tre frml kan vi betrakta neuronntet som identifierar ben som en fitness-funktion. Det freml som liknar ett ben minimerar denna fitness-funktion och om det sker snabbare och/eller bttre n annat kommer den vinna. Att modellera uppmrksamhet och perception Vi kan ocks kanske bttre frst partikelsvrmar genom att betrakta hur vi kan modellera uppmrksamhet och perception. Nyligen dokumenterades i en ny studie en ytterst fascinerandemultisensoriska karta vr hjrna skapar "hgre upp" i hjrnan ver vad mer specialiserade delar ser, knner, hr, arbetar med o.s.v. frn vilken beslut om uppmrksamhet och samverkan kan fattas (se [2]). Det r en situation dr vi kan se hur partikelsvrmar kan modellera hur vi prioriterar vr uppmrksamhet (studien visar inte exakt hur den praktiskt fungerar men att den skapas var frvntat givet att uppmrksamhet vi behver fatta beslut om rr en brkdel av den information som handhas i hjrnan av specialiserade delar men samtidigt r det fga troligt att det skulle vara tillrckligt att enskilda delar signalerar nr behov av uppmrksamhet krvs drfr att relationer mellan specialiserade delar kan finnas som respektive del inte kan se). Ett av flera mjliga vgar fr att gra det diskuterades tidigare i: Hur varumrken pverkar oss Att jmfra partikelsvrmar med sekvenser uttryckta av dopamin Fr att p ett tredje stt uttrycka skillnaden med de mer vlknda neuronnten kan vi jmfra med hur dopamin mer n att endast vara en belningssignal tycks uttrycka inlrda sekvenser och hur ngot brjar och slutar i tiden. Vi kan se det som en signal som uttryckande en inlrd sekvens vandrar ver ett antal neuroner som br sekvensens mening och betydelse. Partikelsvrmar r nu i sin problemlsning stokastiska (de hittar fram till lsningen genom att prva slumptal) men vi kan hr nd jmfra det med detta genom att se det som att de vandrar ver neuroner som aktiveras representerade det data som dras. Nr neuroner deltagit i en lsning eller troligen har det drfr att de uttrycker korrelation bl.a. i form av temporala samband (d.v.s. att de har avfyrat ungefr samtidigt) flyttar de sig nrmare varandra genom att neuronen som mottog signalen frn den andra "lter" dendriten vxa mot den andra. Oavsett om vi betraktar det direkt fysiskt eller fr problemen de lser har fr neuronerna liksom partiklarna den euklidiska distansen mellan dem reducerats. De samarbetar i en lsning dr problemrymden de arbetar med r mindre men mer specialiserad. Metoden r dock generell i att den i princip kan lsa det mesta och ngot rtt och fel i vad man jmfr den med i hjrnan eller djurvrlden finns drfr absolut

inte. Upplever man en jmfrelse mer intuitiv anvnder man bst den nr man visualiserar fr problemlsning. Robotar i svrmar Ett till omrde dr partikelsvrmar liksom andra algoritmer fr svrmintelligens praktiskt prvas fr att mjliggra effektivare problemlsning r fr robotar. Genom att uttrycka enkla och billiga robotar som fr samarbete kan det vara mjligt att hitta en mer flexibel lsning billigare att tillverka fr anvndning i fler situationer n nr en enhet behver hantera hela lsning i en kropp. Tydligast blir vrdet en robotsvrm tillfr i och med att en sdan kan tappa ett stort antal enheter nedfr stup eller i vattenplar utan att det r ngon katastrof utan tillfr snarast vrde genom att informera det inte lika ddlustiga flertalet om att inte g just dr. Referenserna i [6] och [7] har mer information dr [6] r en lngre doktorsavhandling dr enklare robotar skapats som styrs via svrmintelligens och den senare r information frn NASA om ett projekt som bygger robotsvrmar fr att utforska Mars. Att visualisera lsningar fr kad frstelse Nr tnker nrmare p det finns det ett antal vlknda numeriska metoder man kan verstta eller betrakta som svrmintelligens men dr det inte knns naturligt att gra det. En viktig aspekt p svrmintelligens som aldrig berrs kan drfr vara att de frutom att lsa problem p ett flexibelt stt gr det enkelt att frestlla sig visuellt hur de fungerar vilket i sin tur gr det lttare att tillmpa dem flexibelt. Det r ocks en generell princip: - Att visualisera ett problem och uttrycka mjliga lsningar visuellt strker problemlsningsfrmgan. Relaterat

Tidigare artiklar om svrmintelligens och kollektiva organismer: I superorganismer skapar individerna en kollektiv organism Svrmintelligens r sjlvorganiserande intelligens Mnniskans sprk och kreativitet: 1.6 Organisationer En lngre diskussion om partikelsvrmar fr att prediktera och modellera ekonomiska frlopp: Prediktera ekonomisk kris och brskurser med sjlvorganiserad intelligens Neuromarketing ser vad vi knner om reklam, produkter och budskap Lngre diskussion om mjligheterna i samband med modellering av uppmrksamhet och perception med partikelsvrmar: Hur varumrken pverkar oss Att berkna kraften i ett varumrke Fler artiklar relaterade till strre implementationer dr partikelsvrmar kommer anvndas:

TigerAnt Tnkande Valpar

Ls mer: [1] The Particle SwarmExplosion, Stability, and Convergence in a Multidimensional Complex Space (PDF). Maurice Clerc och James Kennedy, IEEE Transactions on Evolutionary Computation, 2002. [2] Topographic maps of multisensory attention. DOI: 10.1073/pnas.1011616107 Jeffrey S. Andersona, Michael A. Ferguson, Melissa Lopez-Larson och Deborah Yurgelun-Todd, Proceedings of the National Academy of Sciences, 2010. [3] Risk of predation, hydrodynamic efficiency and their influence on school structure (PDF). Mark V. Abrahams och Patrick W . Colgan, Environmental Biology of Fishes, 1985 [4] Multiple drafts model. Dr. Daniel Dennett och Dr. Kathleen Akins, Scholarpedia, 2008. Scholarpedia r en uppslagsbok med ett stort antal mycket vlgjorda artiklar om vetenskap srskilt inom neurovetenskap och datormodeller. Till skillnad frn Wikipedia kan inte vem som helst skriva i den utan istllet bjuder man in olika vlknda experter fr respektive omrde dr artikeln ocks bedms innan publicering med peer review p.s.s. som vetenskapliga journaler. Denna artiklar har t.ex. skrivits av Dr. Daniel Dennett som r den som definierade teorin som artikeln berr. Vi kan jmfra Wikipedia som fungera som en partikelsvrm dr alla partiklar samarbetar med alla medan Scholarpedia mer liknar hur bin letar rtt p ett nytt trd att bo i dr de skickar de mest erfarna honungssamlarna som knner omrdet bst medan de vriga tar det lugnt i vntan p att kunna ta del av deras sammanfattande kunskap fr att skapa vrde ifrn: Bin liknar mnniskan och r demokratiska Bde algoritmerna har vrde och kompletterar varandra dr Wikipedia uttrycker en hgre hastighet och formande efter gonblickets intresse med fler partiklar medan Scholarpedia istllet har hgre korrekthet och i mnesurval mer objektivt urval. [5] Difficulties in Defining Errors in Case Against Harvard Researcher. The New York Times.

En versikt ver studierna Hauser gjorde vars korrekthet nu delvis r ifrgasatta. Dessa inkluderar en studie dr enklare apor uttryckte frmga att terge sekvenser vilket r tmligen unikt. Vi kan mer allmnt se att mnniskan har denna frmga och som tidigare diskuterats kan vi betrakta det sngfglar uttrycker som att vara jmfrbart med detta. nnu tydligare kan vi ocks se hur papegojor rent av kan imitera hela meningar. Mnniskan delar ocks en viss typ genetisk skillnad mot aporna dr vi har stora likheter med hur det fungerar hos bl.a. sngfglarna (alla sngfglar har inte studerats men tminstone fr zebrafinkar) och delfiner men ytterst f djurarter i vrigt och inte med aporna. Drav att resultaten Hauser hade publicerat kunde upplevas givet den frstelsen minst sagt anmrkningsvrda. Frmgan var ju innan kunskapen om den mjliga dispergensen mellan oss och aporna var mer spridd frvntad att finnas p ngot stt bland aporna och det gr om man tittar vldigt lnge p samma sak att man ltt ser saker som inte finns dr och det hela behver drfr inte vara medvetet fusk. Srskilt kring det kan man peka p att om tolkning av t.ex. apors beteende krver vning dr exakt vad man gr inte gr att uttrycka i en regellista ver hur det grs r alla studier baserade p sdant vad man bst struntar i att lsa om resultaten har faktisk betydelse drfr sdant kommer precis som indikerat hr inkludera feltolkningar. [6] Self-Organized Flocking with a Mobile Robot Swarm (PDF). Ali Emre Turgut, Middle East Technical University, 2008. Doktorsavhandling dr man byggt sm robotar som uppvisar sjlvorganiserat flockbeteende med partikelsvrmar. [7] Shape-Shifting Robot Nanotech Swarms on Mars. NASA, 2005. Om ett projekt hos NASA dr man tnker sig att anvnda robotar svrmar vid utforskandet av frmmande planeter och i frsta hand Mars 2034. [8] www.swarm-bots.org Projekt frn 2003 finansierat av EU-kommissionen dr man sg ver och implementerade ngra ider om hur enskilda tekniskt enkla robotar kan samarbete.