Video: Battlestar Galactica Operation Anabasis DLC Jump 3 and 4 2024
Een natuurlijk voorbeeld van een zelforganiserende groep die je kunt toepassen in voorspellend analysegedrag, is een kolonie mieren die op jacht is naar voedsel. De mieren optimaliseren hun baan collectief, zodat het altijd de kortste route naar een voedseldoel neemt.
Zelfs als je een marcherende kolonie mieren probeert te storen en voorkomt dat ze bij het voedseldoel komen, komen ze snel weer op het goede spoor en vinden (opnieuw) de kortste weg naar het voedseldoel, allemaal vermijden ze dezelfde obstakels tijdens het zoeken naar voedsel. Deze uniformiteit van gedrag is mogelijk omdat elke mier een spoor van feromonen op de grond afzet.
Overweeg een leger van mieren nutteloos in hun nest. Wanneer ze op zoek gaan naar voedsel, hebben ze absoluut geen informatie over waar het te vinden is. Ze marcheren willekeurig totdat een individuele mier voedsel vindt; nu moet de gelukkige mier (noem het Ant X) zijn vondst overbrengen op de rest van de mieren - en om dat te doen, moet het zijn weg terug vinden naar het nest.
Gelukkig produceerde Ant X zijn eigen feromonen, de hele tijd dat het op zoek was naar voedsel; het kan zijn eigen spoor van feromonen terug volgen naar het nest. Op zijn weg terug naar het nest, volgend op zijn eigen feromonenspoor, zet Ant X meer feromonen op hetzelfde pad.
Als gevolg hiervan zal de geur op het pad van Ant X de sterkste zijn onder de paden van de andere mieren. Het sterkste spoor van feromonen zal alle andere mieren aantrekken die nog steeds op zoek zijn naar voedsel. Ze volgen de sterkste geur. Naarmate er meer mieren op het spoor van Ant X aansluiten, voegen ze er meer feromonen aan toe; de geur wordt sterker. Al snel hebben alle andere mieren een sterke geur om te volgen.
Als verschillende mieren dezelfde voedselbron hebben ontdekt, zullen de mieren die het kortste pad hebben genomen meer trips maken in vergelijking met mieren die langere paden volgen - vandaar dat er meer feromonen op het kortste pad worden geproduceerd. De relatie tussen individueel en collectief gedrag is een verhelderend natuurlijk voorbeeld.
Elke punt staat voor een document. Stel dat de zwarte stippen documenten zijn over voorspellende analyses en dat de witte stippen documenten zijn over antropologie. Punten die de verschillende soorten documenten vertegenwoordigen, worden willekeurig verdeeld in het raster van vijf cellen.
"Mieren" worden willekeurig in het raster geïmplementeerd om naar vergelijkbare documenten te zoeken. Elke cel met een waarde erin vertegenwoordigt een instantie van een "feromoon. "Met behulp van de documentmatrix wordt de" feromoon "-waarde van elke cel berekend op basis van het overeenkomstige document.
Oké, hoe produceert de collectieve intelligentie van een mierenkolonie een model voor effectieve clustering van gegevens? Het antwoord ligt in een eenvoudige analogie: mieren zoeken naar voedsel in hun omgeving, net zoals we zoeken naar clusters in een dataset - op zoek naar vergelijkbare documenten binnen een grote reeks documenten.
Overweeg een dataset met documenten die u op onderwerp wilt ordenen. Vergelijkbare documenten worden in hetzelfde cluster gegroepeerd. Hier kan de mierenkolonie hints geven over hoe vergelijkbare documenten te groeperen.
Stel u een tweedimensionaal (2D) raster voor waar u documenten als punten kunt weergeven. Het 2D-raster is verdeeld in cellen. Elke cel heeft een "feromoon" (waarde) die ermee geassocieerd is. In het kort onderscheidt de waarde "feromoon" elk document in een bepaalde cel.
De punten worden aanvankelijk willekeurig verdeeld - en elke punt in het raster vertegenwoordigt een uniek document. De volgende stap is om willekeurig andere stippen op het 2D-raster te plaatsen, waarmee de zoektocht van de mierenkolonie naar voedsel in zijn omgeving wordt gesimuleerd. Die punten worden aanvankelijk verspreid in hetzelfde 2D-raster met de documenten.
Elke nieuwe punt die aan het raster wordt toegevoegd, vertegenwoordigt een mier. Die "mieren", vaak aangeduid in het antikoloniealgoritme als agents , bewegen in het 2D-raster. Elke 'mier' pakt de andere stippen (documenten) op of laat deze vallen, afhankelijk van waar de documenten het best thuishoren. In deze analogie neemt het "voedsel" de vorm aan van documenten die voldoende vergelijkbaar zijn, zodat ze geclusterd kunnen worden.
Een "mier" loopt willekeurig in het raster; als het een document tegenkomt, kan het een van de twee acties uitvoeren: kiezen of loslaten. Elke cel heeft een "feromoonintensiteit" die aangeeft hoe vergelijkbaar het document is met de andere documenten (punten) die zich in de buurt van het document in kwestie bevinden - de ene "mier" staat op het punt om te pakken of te laten vallen.
Merk op dat de "ant" in cel 3 het document met de zwarte punt zal oppakken omdat de witte "feromoon" -waarde domineert; en ga naar een cel waar de waarde dichtbij is (vergelijkbaar) met die in cel 4 (meerdere zwarte stippen). Het zoeken blijft itereren totdat de clusters zich vormen.
In feite verplaatst de "ant" documenten van de ene cel naar de andere om clusters te vormen door een van slechts twee acties uit te voeren: een document ophalen of een document neerzetten.
Toen de "mieren" willekeurig in het raster begonnen te bewegen, resulteerde een punt (document) erin dat de "ant" een document van zijn huidige cel oppakte, ermee meebeweegde en het in een cel liet vallen waarin het had voldoende overeenkomst om te passen.
Hoe zou een "ant" de beste cel bepalen waarin een document kan worden neergezet? Het antwoord is dat de waarden in de cellen fungeren als "feromonen" - en elke cel in het 2D-raster bevat een numerieke waarde die op een manier kan worden berekend die een document in de cel voorstelt.
Houd er rekening mee dat elk document wordt weergegeven als een reeks getallen of een vector met numerieke waarden. De "intensiteit van het feromoon" (de numerieke waarde) neemt toe wanneer er meer documenten in de cel worden geplaatst - en die waarde neemt af als de getallen die documenten representeren uit de cel worden verplaatst.