La inteligencia de enjambre es la disciplina que se ocupa de los sistemas naturales y artificiales compuestos por muchos individuos que se coordinan mediante el control descentralizado y la autoorganización. Se trata de un subcampo de la inteligencia artificial que se centra en los comportamientos colectivos que resultan de las interacciones de los individuos entre sí y con su entorno o medio ambiente al igual que lo hacen los enjambres naturales.
Algunos de los sistemas estudiados por la inteligencia del enjambre son las colonias de hormigas y termitas, los bancos de peces, las bandadas de pájaros o manadas de animales terrestres.
Ciertos artefactos humanos también caen en el dominio de la inteligencia de enjambre. En particular, algunos sistemas de múltiples robots, y también algunos programas de computadora que están escritos para abordar problemas de optimización y análisis de datos.
Este tipo de algoritmo está inspirado en el comportamiento de bandadas de aves y el comportamiento de cardúmenes de peces en la naturaleza. El objetivo de este tipo de algoritmo es que todos los componentes ubiquen un objetivo común y que luego avancen gradualmente hacia la posición deseada mientras exploran las distintas posiciones en un límite. Cada componente no debe chocar con otros. Debe alinear su propio rumbo con el promedio de otros componentes y moverse hacia la posición promedio de los componentes. Se aplica principalmente en áreas como la robótica.
Se basa en el increíble comportamiento de las abejas melíferas naturales. Como ya sabemos, en las colonias de abejas, la colmena enviará abejas exploradoras. Los exploradores localizan el néctar, regresan a la colmena y comunican sus hallazgos con otras abejas a través de un baile de meneo.
La finalidad del algoritmo de una abeja es localizar y explorar varios sitios dentro de un límite. Un ejemplo de la aplicación de este algoritmo es UNU, una plataforma de software desarrollada por Unanimous AI. La plataforma reúne a grupos de personas para tomar decisiones colectivas y permite a los usuarios responder preguntas como un enjambre.
Los interesantes algoritmos de optimización de colonias de hormigas se inspiran en las acciones de las hormigas. Intentan resolver los problemas clásicos de ruta más corta y los problemas de agrupación de grandes conjuntos de datos. Por ejemplo, estas increíbles criaturas se comunican entre sí sobre buenos caminos mediante el uso de feromonas. Las hormigas individuales toman decisiones sobre qué caminos tomar en función de la intensidad y visibilidad del rastro de feromonas.
La técnica tiene muchas aplicaciones que incluyen problemas de asignación, enrutamiento, subconjunto, programación, aprendizaje automático y bioinformática. La optimización de colonias de hormigas se utiliza actualmente junto con el aprendizaje automático para diagnosticar el cáncer de pulmón con una mayor eficiencia que los métodos alternativos.
Se trata de un nuevo tipo de enfoque basado en el concepto de gravedad de Newton. Según esta teoría, todas las partículas del universo entero se sienten atraídas por todas las demás partículas con una fuerza directamente proporcional. Por otro lado, buscan que las masas interactúen entre sí basándose en las leyes del movimiento mientras gravitan hacia objetos con masas más pesadas. Si bien este enfoque se desarrolló recientemente en 2009, los investigadores han favorecido su aplicación en áreas como identificación de parámetros, ingeniería, agrupamiento y clasificación.
La bacteria E. Coli se alimenta de una manera que le permite acercarse o alejarse de señales específicas al percibir gradientes químicos en el área. Este increíble proceso inspiró el algoritmo que intenta permitir que los componentes se muevan hacia el objetivo. Un tipo de aplicación para la que se utiliza este algoritmo son los métodos de predicción de aguas subterráneas.