Штучний ройовий інтелект

У статті розглянуто, як штучний інтелект у формі рою може розвиватися завдяки еволюційним алгоритмам, спрямованим на зменшення сенсорного здивування системи. Використано принцип вільної енергії для кількісного опису оптимізаційного методу, який може підтримувати постійне навчання. Запропоновано інте...

Повний опис

Збережено в:
Бібліографічні деталі
Опубліковано в: :Проблеми керування та інформатики
Дата:2024
Автори: Омельяненко, Я.В., Сініцин, І.П.
Формат: Стаття
Мова:Українська
Опубліковано: Інститут кібернетики ім. В.М. Глушкова НАН України 2024
Теми:
Онлайн доступ:https://nasplib.isofts.kiev.ua/handle/123456789/211161
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:Штучний ройовий інтелект / Я.В. Омельяненко, І.П. Сініцин // Проблеми керування та інформатики. — 2024. — № 3. — С. 91–103. — Бібліогр.: 32 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine
Опис
Резюме:У статті розглянуто, як штучний інтелект у формі рою може розвиватися завдяки еволюційним алгоритмам, спрямованим на зменшення сенсорного здивування системи. Використано принцип вільної енергії для кількісного опису оптимізаційного методу, який може підтримувати постійне навчання. Запропоновано інтеграцію цього методу з еволюційними алгоритмами для прискорення розвитку спеціалізованих штучних нейронних мереж (ШНМ), що визначають пропріоцептивну конфігурацію роботизованих елементів рою. Показано, як оптимізація вільної енергії сприяє гомеостазу ройової системи, забезпечуючи її здатність залишатися в межах сенсорних обмежень. The article explores how artificial intelligence in the form of a swarm can evolve through evolutionary algorithms aimed at reducing the system's sensory surprise. The free energy principle is used to quantitatively describe an optimization method that can support continuous learning. It suggests integrating this method with evolutionary algorithms to accelerate the development of specialized artificial neural networks (ANNs) that define the proprioceptive configuration of robotic swarm elements. It shows how free energy optimization contributes to the swarm system's homeostasis, ensuring its ability to stay within sensory limits.
ISSN:0572-2691