떼 지능

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요
2. 역사
- 2.1. 초기 모델
3. 주요 알고리즘
4. 응용 분야
5. 주요 연구자
참조

1. 개요

떼 지능은 개별 에이전트들의 상호작용을 통해 복잡한 행동을 창발시키는 기술로, 자연계의 떼 지어 다니는 동물의 행동을 모방하여 개발되었다. 1986년 크레이그 레이놀즈는 보이드를 개발하여 떼 지능의 기본 원리를 제시했으며, 이후 다양한 알고리즘들이 개발되었다. 주요 알고리즘으로는 개미 군집 최적화, 입자 떼 최적화, 인공 꿀벌 군집 알고리즘, 뻐꾸기 탐색, 반딧불이 알고리즘 등이 있다. 떼 지능은 무인 차량 제어, 우주 탐사, 데이터 마이닝, 예술, 의학 등 다양한 분야에 응용되고 있으며, 특히 의학 분야에서는 진단 정확도를 향상시키는 데 기여하고 있다.

더 읽어볼만한 페이지

다중 에이전트 시스템 - 봇넷
봇넷은 악성 소프트웨어에 감염되어 제3자의 통제를 받는 다수의 기기 네트워크로, 분산 서비스 거부 공격, 스팸 메일 발송, 정보 유출 등 사이버 범죄에 활용되며, 탐지와 차단을 어렵게 하기 위해 지속적으로 진화하고 있다.
다중 에이전트 시스템 - 간이 망 관리 프로토콜
간이 망 관리 프로토콜(SNMP)은 TCP/IP 기반 네트워크를 관리하기 위해 1988년 등장한 프로토콜로, 매니저, 에이전트, 관리 대상 장치로 구성되며, MIB를 사용하여 관리 데이터를 변수로 노출하고 UDP를 통해 통신하며, 버전 3에서 보안이 강화되었다.
최적화 알고리즘 - 기댓값 최대화 알고리즘
최적화 알고리즘 - 유전 알고리즘
유전 알고리즘은 생물 진화 과정을 모방하여 최적해를 탐색하는 계산 최적화 기법으로, 해를 유전자로 표현하고 적합도 함수를 통해 평가하며 선택, 교차, 돌연변이 연산을 반복하여 최적해에 근접하는 해를 생성하며, 성능은 매개변수에 영향을 받고 초기 수렴 문제 해결을 위한 다양한 변형 기법과 관련 기법이 존재한다.
집단지성 - 추천 시스템
추천 시스템은 사용자의 선호도와 행동 패턴을 분석하여 개인 맞춤형 정보나 상품을 추천하는 시스템으로, 다양한 알고리즘과 새로운 기술이 도입되어 정확도와 개인화 수준을 높이고 있으며, 여러 서비스에서 활용되면서 정확도 외 다양성, 개인정보 보호 등 다양한 요소를 고려한 평가가 중요해지고 있다.
집단지성 - 심심이
심심이는 사용자와 자유롭게 대화하며 사용자가 직접 가르치거나 신고할 수 있는 기능을 제공하는, 81개 언어를 지원하는 글로벌 인공지능 채팅 서비스이다.

떼 지능
개요
분야	인공지능, 컴퓨터 과학, 분산 컴퓨팅
유형	행위 기반 로봇
관련 개념	자기 조직화, 복잡계, 창발성
정의
정의	분산되고 자기 조직화된 시스템의 집단적 행동
특징
구성원	단순한 에이전트
제어	중앙 집중식 제어 부재
상호 작용	로컬 상호 작용
자기 조직화	전체 패턴의 창발
원리
긍정적 피드백	강화된 행동
부정적 피드백	행동 균형 유지
변동 증폭	무작위 요소 활용
다중 상호 작용	협업 및 경쟁
알고리즘
예시	개미 군체 최적화 입자 군집 최적화 인공 벌 군체 알고리즘 반딧불이 알고리즘 뻐꾸기 탐색
응용 분야
최적화	다양한 문제 해결
로봇 공학	군집 로봇
데이터 마이닝	패턴 발견
기타	네트워크 라우팅 스케줄링 금융

2. 역사

떼 지능에 대한 연구는 1980년대 후반, 컴퓨터 그래픽스 분야에서 시작되었다. 당시 연구자들은 새나 물고기 무리와 같이 집단적으로 움직이는 생명체의 행동을 컴퓨터로 시뮬레이션하려는 시도를 통해 그 원리를 탐구하고자 했다. 이러한 초기 연구들은 이후 떼 지능 모델 개발의 기초가 되었다.

1990년대에 들어서면서 개미 군집 최적화(Ant Colony Optimization, ACO)나 입자 떼 최적화(Particle Swarm Optimization, PSO)와 같은 구체적인 알고리즘들이 개발되면서 떼 지능 연구는 더욱 본격화되었다. 이 알고리즘들은 자연계의 집단 행동 원리를 모방하여 최적화 문제를 해결하는 데 활용되고 있다.

2. 1. 초기 모델

크레이그 레이놀즈는 1986년에 떼 지어 다니는 행동을 모방한 인공 생명 프로그램인 보이드(Boids)를 개발했다. 이 프로그램은 1987년 ACM SIGGRAPH 학회에서 발표되었다.^[7] '보이드'라는 이름은 '새와 같은 개체(bird-oid object)'를 줄인 말이다.^[8]

보이드는 창발적 행동의 대표적인 예시로, 단순한 규칙을 따르는 개별 에이전트(보이드)들의 상호작용을 통해 복잡한 집단 행동이 나타나는 것을 보여준다. 가장 기본적인 보이드 모델은 다음 세 가지 규칙을 따른다.

'''분리(Separation)''': 주변의 다른 개체들과 부딪히지 않도록 거리를 유지한다.
'''정렬(Alignment)''': 주변 개체들의 평균 이동 방향을 따라 움직인다.
'''응집(Cohesion)''': 주변 개체들의 평균 위치(무리의 중심)를 향해 움직인다.

이 외에도 장애물 회피나 특정 목표를 따라가는 등의 더 복잡한 규칙을 추가할 수도 있다.

1995년에는 터마스 빅섹과 동료 연구자들이 자기 추진 입자(Self-Propelled Particles, SPP) 모델을 제안했다.^[9]^[84] 흔히 빅섹 모델이라고도 불리는 이 모델은 레이놀즈가 제시한 보이드 모델의 특수한 경우로 볼 수 있다.^[7]^[85] SPP 모델에서 입자들은 각자 일정한 속도로 움직이지만, 매 순간 주변에 있는 다른 입자들의 평균 이동 방향을 따라 자신의 방향을 조정한다. 이때 약간의 무작위적인 변화(섭동)가 더해진다.^[10]^[86]

SPP 모델은 동물의 종류에 상관없이 무리가 보여주는 집단적인 특성이 나타날 수 있음을 예측하며,^[11]^[87] 이러한 군집 시스템은 다양한 규모에서 창발적 행동을 만들어낸다. 이러한 현상 중 일부는 보편적이고 안정적인 특징을 보이는 것으로 밝혀지고 있으며, 이론 물리학에서는 이러한 복잡한 집단 행동을 설명할 수 있는 가장 간단한 통계 모델을 찾는 연구를 계속하고 있다.^[12]^[13]^[14]^[88]^[89]^[90]

3. 주요 알고리즘

진화 알고리즘(EA), 입자 떼 최적화(PSO), 차분 진화(DE), 개미 군집 최적화(ACO) 및 그 변형들은 자연 현상에서 영감을 얻은 메타휴리스틱 분야의 대표적인 알고리즘들이다.^[15] 이 섹션에서 주로 다루는 알고리즘들은 대략 2000년경까지 발표된 것들이며, 그 이후에 발표된 더 많은 수의 은유 기반 메타휴리스틱 알고리즘들은 은유 기반 메타휴리스틱 목록에서 찾아볼 수 있다. 다만, 최근에는 일부 알고리즘들이 참신함 없이 정교한 은유만을 내세운다는 비판도 연구 커뮤니티 내에서 제기되고 있다. 관련 비판

메타휴리스틱 알고리즘들은 찾아낸 해가 실제로 최적의 해인지에 대한 보증이 부족하다는 특징이 있다.^[16] 적절한 매개변수를 설정하고 충분한 계산 시간을 거치면 최적에 가까운 해를 찾는 경우가 많지만, 미리 최적의 해를 알지 못하는 이상 찾아낸 해의 품질을 정확히 알 수는 없다.^[16] 이러한 명확한 단점에도 불구하고, 이러한 유형의 알고리즘들은 실제 여러 복잡한 문제 상황에서 효과적으로 작동하며, 광범위하게 연구되고 개발되어 왔다.^[17]^[18]^[19]^[20]^[21] 한편, 해의 품질을 계산할 수 있는 특수한 경우를 활용하여 이러한 단점을 일부 보완하려는 시도도 있다. 예를 들어, 최소 피드백 아크 집합 문제 해결을 위해 개미 군집 최적화 알고리즘에서 영감을 받은 몬테 카를로 알고리즘을 결합하여, 확률적으로 해의 신뢰도를 높이는 하이브리드 방식이 연구되기도 했다.^[22]

떼 지능 알고리즘들은 주로 자연계 생물 집단의 행동 방식을 모방하여 최적화 문제를 해결하려는 시도이다. 예를 들어, 개미 군집 최적화는 개미들이 페로몬을 이용해 최단 경로를 찾는 원리를, 입자 떼 최적화는 새나 물고기 떼가 무리 지어 이동하며 최적의 위치를 찾는 과정을, 인공 꿀벌 군집 알고리즘은 꿀벌들이 효율적으로 먹이를 찾는 행동을 모델링한다. 이러한 알고리즘들은 각기 다른 방식으로 해 공간을 탐색하며 문제에 대한 좋은 해를 찾아 나간다.

3. 1. 개미 군집 최적화 (Ant Colony Optimization, ACO)

개미 군집 최적화(Ant Colony Optimization, ACO)는 1990년대 초 마르코 도리고(Marco Dorigo)가 박사 학위 논문에서 처음 소개한 최적화 알고리즘의 한 종류이다.^[23] 이는 실제 개미 군집이 먹이를 찾아 집으로 돌아오는 행동 방식, 특히 페로몬을 이용한 의사소통 과정에서 영감을 얻어 개발되었다.

ACO는 그래프 상에서 최적의 경로를 찾는 문제를 해결하는 데 유용한 확률적 기법이다.^[23] '인공 개미'라고 불리는 시뮬레이션 에이전트들이 문제의 해가 될 수 있는 가능한 경로, 즉 매개변수 공간을 탐색하며 최적의 해를 찾아 나선다.^[23] 실제 개미들이 이동 경로에 페로몬이라는 화학 물질을 남겨 다른 개미들에게 효율적인 길을 안내하는 것처럼, 인공 개미들도 자신이 탐색한 경로와 그 경로가 나타내는 해의 품질 정보를 기록한다.^[23] 이 정보는 '인공 페로몬'의 형태로 그래프의 경로 위에 축적되며, 이후 다른 인공 개미들이 이 페로몬 농도가 높은 경로를 우선적으로 선택할 확률을 높여 점진적으로 더 좋은 해를 찾도록 유도한다.^[23]^[69]

ACO는 진화 알고리즘 (EA), 입자 떼 최적화 (PSO) 등과 함께 자연 현상에서 영감을 얻은 메타휴리스틱 알고리즘 분야의 중요한 부분을 차지한다.^[15] 메타휴리스틱 알고리즘은 복잡한 최적화 문제에 대해 항상 최적의 해를 찾는 것을 보장하지는 않지만^[16], 실제 다양한 문제 상황에서 효율적으로 만족스러운 해를 찾는 데 유용하다는 것이 많은 연구를 통해 입증되었다.^[17]^[18]^[19]^[20]^[21] ACO 역시 발견된 해의 최적성을 수학적으로 보장하기는 어렵다는 단점이 있다.^[16] 이러한 단점을 보완하기 위해, 예를 들어 최소 피드백 아크 집합 문제에서는 몬테 카를로 알고리즘과 ACO를 결합하여 해의 신뢰도를 확률적으로 높이려는 연구도 진행되었다.^[22]

ACO는 특히 어려운 조합 최적화 문제의 근사해를 찾는 데 효과적이며^[69], 대표적으로 외판원 문제(Traveling Salesman Problem, TSP)와 같은 NP-완전 문제 해결에 널리 활용된다.

한편, 스위스 연구자들은 혈연 선택 이론의 해밀턴 법칙에 기반하여 집단 내 이타주의가 어떻게 진화하고 집단의 효율성을 높이는지를 보여주는 알고리즘을 개발하기도 했다.^[67]^[68] 또한, 하천 형성 역학(River Formation Dynamics, RFD)은 ACO와 유사한 기법으로, 물의 흐름이 지형을 침식하고 퇴적시켜 강을 형성하는 과정을 모방하여 최적해를 탐색한다. 이는 ACO의 기울기 기반 버전으로 볼 수 있으며, 최단 경로 문제, 최소 신장 트리 문제 등 다양한 문제에 적용되어 좋은 성능을 보여주고 있다.

3. 2. 입자 떼 최적화 (Particle Swarm Optimization, PSO)

입자 떼 최적화(Particle Swarm Optimization, PSO)는 최적의 해를 n차원 공간의 점이나 표면으로 나타낼 수 있는 문제를 다루기 위한 전역 최적화 알고리즘이다.^[24]^[25] 이 방식에서는 가설적인 입자들을 탐색 공간에 배치하고 초기 속도를 부여하며, 입자 간의 통신 채널을 설정한다.^[24]^[25]^[79]^[80]

입자들은 해 공간을 이동하며, 각 시간 단계마다 특정 적합성 기준에 따라 평가된다.^[24]^[25] 시간이 지나면서 입자들은 통신 그룹 내에서 더 나은 적합성 값을 가진 다른 입자들을 향해 가속하게 된다.^[24]^[25]^[79]^[80]

모의 담금질과 같은 다른 전역 최소화 전략과 비교했을 때, PSO의 주요 장점은 많은 수의 입자를 사용하기 때문에 국소 최솟값 문제에 대해 탄력성이 높다는 점이다.^[24]^[25]^[79]^[80]

멀티 스웜 최적화(Multi-swarm optimization)는 입자 떼 최적화(PSO)의 변형으로, 입자 떼를 여러 부분군으로 나누어 다봉성(multi-modal) 최적화 문제 해결에 활용하는 기법이다. 일반적으로 각 부분군은 특정 분할 방식에 따라 정해진 위치와 시기에 특정 영역을 탐색하도록 할당된다.

3. 3. 인공 꿀벌 군집 알고리즘 (Artificial Bee Colony Algorithm, ABC)

인공 꿀벌 군집 알고리즘(Artificial Bee Colony Algorithm, ABC)은 2005년 카라보가(Dervis Karaboga)가 수치적 최적화 문제를 해결하기 위해 제안한 메타휴리스틱 알고리즘이다.^[70] 이 알고리즘은 꿀벌 군집이 효율적으로 먹이를 찾는 행동 방식에서 영감을 얻었다. ABC 알고리즘은 크게 세 가지 역할을 하는 인공 벌을 모방하여 작동한다.

'''일벌'''(employed bee^eng 또는 수확벌): 각자 할당된 특정 먹이원(해 후보) 주변을 탐색하며 더 좋은 먹이원을 찾는다(국소 탐색). 일벌은 자신이 찾은 해 후보의 적합도 정보를 기억하고 공유한다. 일벌은 해 후보를 결정론적으로 선택하여 탐색을 진행하며, 특정 해 후보가 더 이상 개선되지 않으면 해당 위치를 포기한다.
'''관찰벌'''(onlooker bee^eng 또는 추종벌): 일벌들이 공유한 정보를 바탕으로 더 품질 좋은 해 후보를 확률적으로 선택하여 그 주변을 탐색한다. 즉, 좋은 해 주변에 더 많은 탐색 노력을 집중시키는 역할을 한다. 더 많은 관찰벌이 특정 해 후보로 모일수록, 해당 해가 좋은 해일 가능성이 높다는 긍정적 피드백으로 작용한다.
'''정찰벌'''(scout bee^eng): 일벌이 포기한 해 후보 자리에 무작위로 새로운 해 후보를 탐색하여 찾아낸다(전역 탐색). 이는 탐색 과정이 특정 지역에만 머무르지 않고 더 넓은 탐색 공간을 조사하게 하여, 지역 최적해에 빠지는 것을 방지하는 역할을 한다. 버려진 해 후보 위치는 좋지 않은 해라는 부정적 피드백을 생성한다.

이처럼 ABC 알고리즘은 일벌과 관찰벌을 통해 기존의 좋은 해 주변을 깊게 탐색하는 '''지식 이용'''(exploitation^eng, 국소 탐색)과 정찰벌을 통해 새로운 영역을 탐색하는 '''탐사'''(exploration^eng, 전역 탐색) 사이의 균형을 효과적으로 맞추도록 설계되었다.

3. 4. 뻐꾸기 탐색 (Cuckoo Search, CS)

뻐꾸기 탐색(Cuckoo search, CS)은 뻐꾸기의 탁란(다른 새의 둥지에 알을 낳아 기르게 하는 행동) 행동에서 아이디어를 얻은 메타휴리스틱 알고리즘이다.^[72] 이 알고리즘은 레비 분포에서 얻어지는 점프 스텝을 동반하는 레비 비행(Lévy flight)에 의해 강화된다.^[73] 최근 연구에 따르면 CS는 입자 떼 최적화(PSO) 등의 다른 알고리즘을 능가하는 성능을 보이기도 한다. 예를 들어, 뻐꾸기 탐색과 PSO, 차분 진화(DE), ABC(Artificial Bee Colony) 알고리즘을 비교한 연구에서는 PSO나 ABC에 비해 CS와 DE의 결과가 더 견고하다는 결과가 나왔다.^[74]

3. 5. 반딧불이 알고리즘 (Firefly Algorithm, FA)

반딧불이 알고리즘(Firefly Algorithm, FA)은 반딧불이가 빛을 내어 깜빡이는 행동에서 영감을 받아 만들어진 떼 지능 알고리즘의 한 종류이다. 이 알고리즘에서는 빛의 세기가 각 반딧불이가 다른 반딧불이를 끌어당기는 정도(유인도)를 나타낸다. 이러한 유인도에 따라 반딧불이 무리는 여러 개의 작은 그룹으로 나뉘고, 각 그룹은 주변에서 가장 밝은 빛을 내는 곳(국소 최적해)으로 모이게 된다. 이런 특징 때문에 반딧불이 알고리즘은 여러 개의 최적해를 가질 수 있는 다봉성 최적화 문제(multimodal optimization problem)를 해결하는 데 특히 유용하다.^[75] 실제로 이 알고리즘은 연속적인 값을 찾는 최적화 문제, 외판원 문제, 데이터를 비슷한 것끼리 묶는 클러스터링, 이미지 처리 및 이미지나 데이터에서 중요한 특징을 뽑아내는 특징 추출 등 다양한 분야에 적용되고 있다.

3. 6. 기타 알고리즘

중력 탐색 알고리즘 (Gravitational Search Algorithm, GSA)은 만유인력의 법칙과 질량의 상호 작용에 기반을 둔 알고리즘이다.^[76] GSA는 뉴턴 역학을 사용하여 탐색 에이전트로 질량 집단을 활용한다. 각 에이전트는 물체로 간주되며, 그 질량은 해당 해의 적합도 함수 값에 대응한다. 만유인력의 법칙에 따라 에이전트들은 서로 끌어당기며, 모든 물체는 더 큰 질량을 가진 물체(즉, 더 나은 해) 쪽으로 이동하게 된다. 시간이 지남에 따라 질량들은 가장 무거운 질량 주변으로 모이게 되며, 이 질량이 탐색 공간 내의 최적해를 나타내는 것이 이상적이다. 2011년에는 Nobahari와 Nikusokhan에 의해 GSA의 다중 목적 함수 버전인 비우월 정렬 중력 탐색 알고리즘(NSGSA)이 제안되었다.^[77]
지능형 물방울 (Intelligent Water Drops, IWD) 알고리즘은 떼 지능 기반의 최적화 알고리즘으로, 자연계의 강이 거의 항상 최적의 경로를 따라 흐르는 현상에서 영감을 얻었다.^[78] 이 최적 경로는 물이 낮은 곳으로 흐르면서 강바닥과 상호작용하는 과정에서 형성된다. IWD 알고리즘에서는 여러 개의 인공적인 물방울(에이전트)이 문제 환경과 상호작용하며 최적해를 탐색한다. 이 알고리즘은 점진적으로 해에 접근하는 방식으로 작동한다.^[78]

확률적 확산 탐색 (Stochastic Diffusion Search, SDS)은 에이전트 기반의 확률적 광역 탐색 및 최적화 기법이다. 이 알고리즘은 목적 함수를 여러 개의 부분 함수로 분해할 수 있는 문제에 특히 유용하다. 각 에이전트는 현재 가설에 기반하여 무작위로 선택된 부분 목적 함수를 평가하는 과정을 반복한다. 표준 SDS에서 부분 함수의 평가는 이진 결과(활성화 또는 비활성화)로 나타난다. 가설에 대한 정보는 에이전트 간의 직접적인 1대1 통신을 통해 개체군 전체로 확산된다. 이는 개미 군집 최적화에서 사용되는 간접적인 정보 전달 방식인 스티그머지와는 다른 방식이다. SDS는 긍정적 피드백 메커니즘을 통해 에이전트 개체군이 점차적으로 광역 최적해 주변에서 안정화되도록 보장한다. SDS는 수학적으로 분석 가능하며 효율적이고 견고한 탐색 및 최적화 알고리즘으로 알려져 있다.

4. 응용 분야

떼 지능은 자연계의 집단 행동 원리를 모방하여 다양한 공학적, 사회적 문제 해결에 응용되고 있다. 주요 응용 분야로는 로봇 공학, 통신 네트워크 최적화, 복잡한 최적화 문제 해결, 예술 및 엔터테인먼트 분야의 시뮬레이션, 그리고 의학 분야의 진단 및 치료 보조 등이 있다. 각 분야에서의 구체적인 활용 사례는 아래 하위 섹션에서 자세히 다룬다.

4. 1. 로봇 공학

떼 지능은 여러 로봇이 협력하여 복잡한 작업을 수행하는 군집 로봇 시스템 연구에 중요한 기반을 제공한다. 이러한 기술은 다양한 분야에서 활용 가능성을 보여주고 있다.

군사 분야: 미국 군대는 무인 차량이나 무인기를 효과적으로 제어하기 위해 떼 지능 기술을 연구하고 있다.^[32]^[91] 다수의 무인 시스템이 협력하여 정찰, 감시, 공격 등의 임무를 수행하는 시나리오를 구상하고 있다.
우주 탐사 분야: 유럽 우주국(ESA)은 우주 공간에서 로봇들이 스스로 구조물을 만들거나(자가 조립) 정밀한 측정을 수행하는(간섭 측정) 궤도 상의 로봇 군집 운용을 검토하고 있다.^[32]^[91] NASA 역시 여러 로봇을 동시에 활용하여 행성 표면을 효율적으로 탐사하고 지도를 제작하는 데 떼 지능 기술 적용을 연구 중이다.^[32]^[91] 이는 단일 로봇으로는 수행하기 어려운 대규모 탐사나 복잡한 임무를 가능하게 할 수 있다.
의료 분야: 1992년 M. 앤서니 루이스와 조지 A. 베키는 아주 작은 크기의 로봇인 나노봇 여러 개를 이용하여 인체 내부의 암 종양을 찾아 제거하는 데 떼 지능을 활용할 수 있다는 가능성을 제시했다.^[32]^[91] 다수의 나노봇이 협력하여 특정 세포를 표적으로 삼거나 약물을 전달하는 등의 정밀한 의료 행위에 대한 연구가 진행 중이다.

4. 2. 통신 네트워크

통신망에서 떼 지능의 사용은 개미 기반 라우팅(Ant Based Routing) 형태로 연구되어 왔다. 이는 1990년대 중반 도리고(Dorigo) 등과 휴렛 팩커드(Hewlett-Packard) 연구자들이 각각 독자적으로 연구를 시작했으며, 이후 여러 변형 기술이 등장했다. 기본적으로 이 방식은 확률적 알고리즘에 기반한 라우팅 테이블을 사용한다. 네트워크를 탐색하는 수많은 "개미"(작은 제어 패킷)가 성공적으로 통과한 경로를 찾아내면, 해당 경로 정보를 강화하는 방식으로 작동한다.^[23]

경로 강화 방식에는 순방향, 역방향, 그리고 양방향 동시 강화 등이 연구되었다. 역방향 강화는 네트워크가 대칭적이어야 하며 양방향 경로를 함께 고려한다. 반면 순방향 강화는 실제 데이터 전송 결과가 확인되기 전에 경로에 보상을 주는 방식이다(마치 영화가 재미있을지 알기 전에 영화표 값을 내는 것과 비슷하다). 하지만 이 시스템은 확률적으로 작동하기 때문에 경로 선택의 재현성이 부족하다는 단점이 있으며, 이는 상업적 활용에 큰 제약이 되고 있다.

무선 통신 네트워크의 전송 인프라 위치를 결정하는 것은 서로 상충하는 목표를 가진 중요한 공학 문제이다. 최소한의 장비 위치(사이트)를 선택하면서 사용자에게는 넓은 서비스 범위를 제공해야 하기 때문이다. 이러한 문제 해결을 위해 개미의 행동에서 영감을 받은 또 다른 떼 지능 알고리즘인 확률적 확산 검색(Probabilistic Diffusion Search, SDS)이 성공적으로 사용되었다. SDS는 대규모의 복잡한 문제에서도 효율적인 해결책을 찾는 데 유용함이 입증되었다.^[41]

4. 3. 최적화 문제

떼 지능 알고리즘은 메타휴리스틱 기법으로 다양한 최적화 문제 해결에 활용된다. 대표적인 알고리즘으로는 진화 알고리즘 (EA), 입자 떼 최적화 (PSO), 차분 진화 (DE), 개미 군집 최적화 (ACO) 등이 있으며, 이들은 자연 현상에서 영감을 얻은 메타휴리스틱 분야의 주요 부분을 차지한다.^[15]

메타휴리스틱 알고리즘은 찾아낸 해의 최적성을 수학적으로 보장하지 못한다는 한계가 있다.^[16] 최적의 해가 무엇인지 미리 알 수 없는 경우, 알고리즘이 찾은 해의 품질을 정확히 평가하기 어렵다.^[16] 그러나 이러한 단점에도 불구하고, 메타휴리스틱 알고리즘들은 실제 여러 문제 상황에서 효과적으로 작동하며 최적에 가까운 해를 찾는 능력이 입증되어 광범위하게 연구되고 활용되고 있다.^[17]^[18]^[19]^[20]^[21] 또한, 특정 문제에 대해서는 해의 품질을 계산하고 이를 기준으로 다른 해들의 신뢰도를 평가하는 방식으로 단점을 보완하기도 한다. 예를 들어, 최소 피드백 아크 집합 문제 해결을 위해 개미 군집 최적화 알고리즘과 몬테 카를로 알고리즘을 결합한 하이브리드 기법이 개발되었다.^[22]

최근에는 새로운 은유에 기반한 메타휴리스틱 알고리즘들이 많이 제안되고 있지만, 일부는 기존 알고리즘과의 차별성 부족으로 연구 커뮤니티에서 비판을 받기도 한다.^[15] (은유 기반 메타휴리스틱 목록 참조)

다음은 떼 지능을 활용한 주요 최적화 알고리즘이다.

개미 군집 최적화 (Ant Colony Optimization, ACO): 개미들이 먹이를 찾아 최단 경로를 찾는 행동 원리를 모방한 확률적 기법이다.^[23] 마르코 도리고(Marco Dorigo)가 박사 학위 논문에서 처음 소개했다. 인공 개미(에이전트)들이 해 공간(그래프)을 탐색하며 이동 경로에 인공 페로몬 정보를 남긴다. 이 페로몬 정보는 후속 개미들의 경로 선택에 영향을 주어 점진적으로 더 좋은 해를 찾도록 유도한다.^[23]^[69] ACO는 특히 그래프 상에서 최적 경로를 찾는 문제나 어려운 조합 최적화 문제의 근사해를 탐색하는 데 유용하다.^[69]

입자 떼 최적화 (Particle Swarm Optimization, PSO): 새 떼나 물고기 떼의 사회적 행동을 모방한 전역 최적화 알고리즘이다. 해를 n차원 공간상의 점(입자)으로 표현하고, 각 입자는 초기 속도를 가지며 자신의 경험과 통신 그룹 내 다른 입자들의 경험(더 나은 적합도 값을 가진 입자)을 바탕으로 더 좋은 해를 향해 이동한다.^[24]^[25]^[79]^[80] 여러 입자가 동시에 해 공간을 탐색하며 서로 통신하므로 모의 담금질과 같은 다른 전역 최적화 전략에 비해 국소 최솟값 문제에 빠질 위험이 적다는 장점이 있다.^[25]

멀티 스웜 최적화 (Multi-swarm Optimization): PSO의 입자 떼를 여러 개의 하위 떼(sub-swarm)로 나누어 탐색을 수행하는 기법이다. 각 하위 떼는 특정 분할법에 따라 정해진 위치와 시기에 특정 영역을 탐색하도록 할당될 수 있다. 이는 해 공간이 복잡하거나 여러 개의 최적 해가 존재하는 다봉성(multi-modal) 최적화 문제 해결에 적합하다.

하천 형성 역학 (River Formation Dynamics, RFD): 물의 흐름이 지형을 침식하고 퇴적시켜 강을 형성하는 과정에서 영감을 얻은 최적화 기법이다. ACO와 유사하며, ACO의 기울기(gradient) 버전으로 볼 수 있다. 해 공간의 각 지점에 높이(비용)를 부여하고, 물(에이전트)이 낮은 곳으로 흐르면서 경로를 형성하고 지형(해 공간의 높이)을 동적으로 변화시킨다. 이 과정을 반복하며 하강하는 기울기를 따라 최적 해(가장 낮은 지점)에 가까워진다. RFD는 최단 경로 문제를 포함한 다양한 NP 완전 문제 해결에 사용될 수 있으며, 해의 질과 계산 시간 사이의 균형이 좋은 것으로 평가받는다. 최소 신장 트리 문제 해결에도 적합하다.

4. 4. 예술 및 엔터테인먼트

예술가들은 복잡한 인터랙티브 시스템을 만들거나 군중 시뮬레이션을 구현하는 수단으로 떼 지능 기술을 사용한다.

크레이그 레이놀즈가 1986년에 개발한 보이드(Boids)는 떼 지어 다니는 행동을 시뮬레이션하는 인공 생명 프로그램으로, 이러한 기술의 초기 예시 중 하나이다.^[7]^[8] 보이드는 개별 에이전트(보이드)가 분리, 정렬, 응집이라는 단순한 규칙을 따르며 상호작용함으로써 복잡한 창발적 행동을 보여준다.

영화 분야에서는 떼 지능 기술이 활발하게 활용되었다. ''Stanley and Stella in: Breaking the Ice''는 보이드 시스템을 사용하여 물고기와 새 떼의 움직임을 사실적으로 묘사하며 군집 기술을 렌더링에 사용한 최초의 애니메이션 영화로 알려져 있다. 팀 버튼 감독의 영화 ''배트맨 2''에서는 박쥐 떼의 움직임을 표현하기 위해 군집 기술이 사용되었다.^[43] 또한, ''반지의 제왕'' 영화 삼부작에서는 전투 장면의 대규모 군중을 묘사하기 위해 매시브(Massive)라는 유사한 소프트웨어가 활용되었다. 이러한 군집 기술은 상대적으로 저렴하고 견고하며 단순하다는 점에서 매력적인 선택지로 여겨진다.

예술 창작 분야에서도 떼 지능 알고리즘이 응용된다. 알-리파이에(Al-Rifai) 등의 연구에서는 개미의 먹이 찾기 행동을 모방한 확률적 확산 탐색(SDS) 알고리즘과 새 떼의 행동을 모방한 입자 떼 최적화(PSO) 알고리즘을 결합한 하이브리드 전략을 개발했다.^[58] 이 시스템은 입력된 이미지의 새로운 그림을 스케치하는 데 사용되며, PSO의 지역 탐색 속성과 SDS의 전역적 탐색 행동 사이의 예술적 긴장을 활용한다. 이 과정은 들뢰즈의 "난초와 말벌" 은유에 빗대어 리좀 철학의 관점에서 분석되기도 했다.^[59]

후속 연구인 "Swarmic Sketches and Attention Mechanism"에서는 SDS를 조정하여 디지털 캔버스의 특정 영역에 '주의'를 기울이는 메커니즘을 도입했다.^[60] 떼의 주의가 특정 선으로 향하면, PSO가 해당 선의 '스와믹 스케치(Swarmic Sketch)'를 생성한다. 이를 통해 떼는 입력된 그림을 해석할 때마다 고유하고 반복되지 않는 스케치를 만들어낸다. 또 다른 연구 "Swarmic Paintings and Colour Attention"에서는 SDS 알고리즘이 색상 주의를 담당하여 비사실적인 이미지를 생성하는 데 사용되었다.^[61] 이러한 시스템들의 계산적 창의성은 떼 지능의 탐험(exploration)과 활용(exploitation) 단계 내에서 창의성의 필수 조건인 자유와 제약을 통해 논의된다.^[58]^[62]^[63]

마이클 시어도어(Michael Theodore)와 니콜라우스 코렐(Nikolaus Correll)과 같은 예술가들은 떼 지능을 이용한 예술 설치물을 통해 엔지니어링된 시스템이 어떻게 생동감을 가질 수 있는지 탐구한다.^[64]

4. 5. 의학

떼 지능 기술은 의학 분야에서 다양한 방식으로 응용될 잠재력을 보여준다. 특히 진단 정확도 향상과 새로운 치료법 개발에 활용될 가능성이 주목받는다.

1992년 M. 앤서니 루이스와 조지 A. 베키는 암 종양을 제거하기 위해 인체 내의 나노봇을 떼 지능으로 제어하는 아이디어를 제시했다.^[32]^[91] 또한, 알-리파이에와 아버는 확률적 확산 탐색이라는 기법을 사용하여 종양의 위치를 파악하는 데 떼 지능을 활용하는 연구를 진행했다.^[33]^[34]

진단 분야에서는 의사들의 집단 지성을 활용하여 정확도를 높이는 연구가 이루어졌다. 스탠퍼드 대학교 의과대학은 2018년 연구를 통해, 실시간 떼 지능 알고리즘으로 연결된 의사 집단이 엑스레이 사진을 판독할 때 개별 의사나 전통적인 방식의 집단보다 진단 오류를 크게 줄일 수 있음을 확인했다. 이 연구에서 떼 지능을 활용한 의사 집단은 기존 방식 대비 진단 오류를 33% 줄였으며, 이는 기존의 기계 학습 방식보다도 22% 더 나은 결과였다.^[50]^[51]^[52]^[53]

캘리포니아 대학교 샌프란시스코(UCSF) 의과대학에서도 2021년 유사한 연구 결과를 발표했다. 소규모 의사 그룹이 자기 공명 영상(MRI) 이미지를 진단할 때 인공 떼 지능(ASI) 기술을 사용하자, 단순 다수결 방식에 비해 진단 정확도가 23% 향상되는 효과를 보였다.^[54]^[55] 이러한 연구들은 떼 지능이 의료 전문가들의 협업을 통해 진단 정확성을 높이는 데 기여할 수 있음을 시사한다.^[50]^[53]

5. 주요 연구자

모리스 클레르
니콜라우스 코렐
마르코 도리고
러셀 C. 에버하트
루카 마리아 감바르델라
제임스 케네디
알체리오 마르티놀리
크레이그 레이놀즈
마그누스 에게르슈테트
P. N. 수간탄

참조

_[1] 서적 Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989) Springer
_[2] 서적 Proceedings IEEE International Symposium on Intelligent Control 1988 IEEE 1989
_[3] 논문 Occlusion-Based Coordination Protocol Design for Autonomous Robotic Shepherding Tasks https://ieeexplore.i[...]
_[4] 간행물 Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review 2022-08-01
_[5] 논문 A Decentralized Cluster Formation Containment Framework for Multirobot Systems https://ieeexplore.i[...]
_[6] 간행물 Synthetic Collective Intelligence 2016-10
_[7] 서적 Proceedings of the 14th annual conference on Computer graphics and interactive techniques Association for Computing Machinery 1987
_[8] 간행물 A review of particle swarm optimization. Part I: background and development 2007-07
_[9] 간행물 Novel type of phase transition in a system of self-driven particles
_[10] 간행물 Collective behavior of interacting self-propelled particles
_[11] 간행물 From disorder to order in marching locusts http://webscript.pri[...] 2011-10-07
_[12] 간행물 Hydrodynamics and phases of flocks http://eprints.iisc.[...] 2011-10-07
_[13] 간행물 Hydrodynamic equations for self-propelled particles: microscopic derivation and stability analysis
_[14] 간행물 Minimal mechanisms for school formation in self-propelled particles http://www.iam.ubc.c[...]
_[15] 서적 Proceedings of the Companion Publication of the 2014 Annual Conference on Genetic and Evolutionary Computation http://www.macs.hw.a[...] 2014
_[16] Citation Computational Comparison of Metaheuristics Springer International Publishing 2019
_[17] Citation Variable Neighborhood Search for Nurse Rostering Problems Springer US 2004
_[18] 간행물 Feature Article: Optimization for simulation: Theory vs. Practice 2002-08-01
_[19] 간행물 Ant colony optimization 2006-11
_[20] 간행물 Review of "Adaptation in Natural and Artificial Systems by John H. Holland", The U. of Michigan Press, 1975 1975-08-01
_[21] Citation Greedy Randomized Adaptive Search Procedures: Advances, Hybridizations, and Applications Springer US 2010
_[22] 간행물 Ant inspired Monte Carlo algorithm for minimum feedback arc set http://www.sciencedi[...] 2019-05-15
_[23] 서적 Ant Colony Optimization MIT Press
_[24] 간행물 Recent Approaches to Global Optimization Problems Through Particle Swarm Optimization
_[25] 서적 Particle Swarm Optimization http://www.iste.co.u[...] ISTE
_[26] 서적 07/20/2015-07/24/2015 2015-07-20
_[27] 서적 Intelligent Systems and Applications Springer International Publishing 2020
_[28] 간행물 Keeping Humans in the Loop: Pooling Knowledge through Artificial Swarm Intelligence to Improve Business Decision Making https://digitalcommo[...] 2019
_[29] 서적 2019 IEEE International Conference on Humanized Computing and Communication (HCC)
_[30] 뉴스 How AI systems beat Vegas oddsmakers in sports forecasting accuracy https://www.techrepu[...] 2018-09-04
_[31] 웹사이트 Swarm intelligence: AI inspired by honeybees can help us make better decisions https://bigthink.com[...] 2021-10-13
_[32] 간행물 The Behavioral Self-Organization of Nanorobots Using Local Rules https://www.research[...]
_[33] 간행물 Identifying metastasis in bone scans with Stochastic Diffusion Search https://www.research[...]
_[34] 문서 Utilising Stochastic Diffusion Search to identify metastasis in bone scans and microcalcifications on mammographs http://www.academia.[...] IEEE
_[35] 간행물 A Survey of Using Swarm Intelligence Algorithms in IoT 2020-01
_[36] 논문 Swarm Intelligence to Face IoT Challenges 2023-05-29
_[37] 웹사이트 Intent-Based Networking for the Internet of Things {{!}} Frontiers Research Topic https://www.frontier[...] 2024-08-14
_[38] 논문 Editorial Survey: Swarm Intelligence for Data Mining
_[39] 논문 Swarm Intelligence for Self-Organized Clustering
_[40] 서적 THE WISDOM OF THE MANY : how to create self -organisation and how to use collective... intelligence in companies and in society from mana. BOOKS ON DEMAND 2019-11
_[41] 문서 An agent based approach to site selection for wireless networks https://dl.acm.org/c[...] Proc ACM Symposium on Applied Computing
_[42] 뉴스 Planes, Trains and Ant Hills: Computer scientists simulate activity of ants to reduce airline delays https://www.scienced[...] 2008-04-01
_[43] 논문 A Profound Survey on Swarm Intelligence http://scholar.googl[...] 2012
_[44] 서적 The Smart Swarm: How understanding flocks, schools, and colonies can make us better at communicating, decision making, and getting things done https://archive.org/[...] Avery
_[45] 웹사이트 Why bees could be the secret to superhuman intelligence http://www.bbc.com/f[...] 2017-01-20
_[46] 서적 2017 IEEE 8th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON) 2017-10
_[47] 논문 Smarter as a group: How swarm intelligence picked Derby winners https://www.csmonito[...]
_[48] 웹사이트 AI startup taps human 'swarm' intelligence to predict winners https://www.cnet.com[...]
_[49] 논문 Artificial Swarm Intelligence, a human-in-the-loop approach to A.I. https://dl.acm.org/d[...] AAAI Press 2016-02-12
_[50] 웹사이트 AI-Human "Hive Mind" Diagnoses Pneumonia https://spectrum.iee[...] 2019-07-20
_[51] 웹사이트 Unanimous AI achieves 22% more accurate pneumonia diagnoses https://venturebeat.[...] 2019-07-20
_[52] 웹사이트 A Swarm of Insight - Radiology Today Magazine https://www.radiolog[...] 2019-07-20
_[53] 서적 2018 IEEE 9th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON) IEEE 2018-11
_[54] 간행물 Utilizing a digital swarm intelligence platform to improve consensus among radiologists and exploring its applications 2021-09-06
_[55] 논문 Utilizing a Digital Swarm Intelligence Platform to Improve Consensus Among Radiologists and Exploring Its Applications 2023-04-04
_[56] 논문 The evolution of swarm grammars -- growing trees, crafting art and bottom-up design 2009
_[57] 논문 Pattern Activation/Recognition Theory of Mind 2015-07-15
_[58] 논문 Creativity and Autonomy in Swarm Intelligence Systems http://research.gold[...]
_[59] 서적 A thousand plateaus University of Minnesota Press
_[60] 서적 Evolutionary and Biologically Inspired Music, Sound, Art and Design https://research.gol[...]
_[61] 서적 Evolutionary and Biologically Inspired Music, Sound, Art and Design https://research.gol[...]
_[62] 문서 Creative or Not? Birds and Ants Draw with Muscle http://eprints.gold.[...] Proceedings of AISB'11 Computing and Philosophy
_[63] 간행물 Swarm intelligence and weak artificial creativity https://www.aaai.org[...] In: The Association for the Advancement of Artificial Intelligence (AAAI) 2013: Spring Symposium, Stanford University, Palo Alto, California, U.S.A.
_[64] 웹사이트 Correll lab https://www.colorado[...]
_[65] 문서 Swarm Intelligence in Cellular Robotic Systems Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy 1989-06-26
_[66] 웹사이트 自然界のアルゴリズム - scienceblog https://www.scienceb[...] 2023-01-24
_[67] 문서 Altruism helps swarming robots fly better http://genevalunch.c[...] 2011-05-04
_[68] 논문 A quantitative test of Hamilton's rule for the evolution of altruism http://www.plosbiolo[...]
_[69] 서적 Ant Colony Optimization MIT Press
_[70] 문서 Artificial bee colony algorithm http://www.scholarpe[...]
_[71] 논문 A Novel Heuristic Optimization Method: Charged System Search
_[72] 간행물 Cuckoo search via Lévy flights IEEE Publications 2009-12
_[73] 웹사이트 Novel 'Cuckoo Search Algorithm' Beats Particle Swarm Optimization in Engineering Design http://www.scienceda[...] Science Daily 2012-05-21
_[74] 문서 A conception comparison of the cuckoo search, particle swarm optimization, differential evolution and artificial bee colony algorithms 2011-07-06
_[75] 서적 Nature-Inspired Metaheuristic Algorithms Luniver Press
_[76] 논문 GSA: a gravitational search algorithm
_[77] 논문 Non-dominated Sorting Gravitational Search Algorithm
_[78] 논문 The intelligent water drops algorithm: a nature-inspired swarm-based optimization algorithm http://www.inderscie[...]
_[79] 논문 Recent Approaches to Global Optimization Problems Through Particle Swarm Optimization
_[80] 문서 Particle Swarm Optimization http://www.iste.co.u[...] ISTE
_[81] 문서 Using River Formation Dynamics to Design Heuristic Algorithms http://springerlink.[...] Springer
_[82] 문서 Finding Minimum Spanning/Distances Trees by Using River Formation Dynamics http://springerlink.[...] Springer
_[83] 문서 A Formal Approach to Heuristically Test Restorable Systems http://springerlink.[...] Springer
_[84] 논문 Novel type of phase transition in a system of self-driven particles https://arxiv.org/pd[...]
_[85] 논문 Flocks, herds and schools: A distributed behavioral model http://citeseerx.ist[...]
_[86] 논문 Collective behavior of interacting self-propelled particles https://arxiv.org/pd[...]
_[87] 논문 From disorder to order in marching locusts http://webscript.pri[...]
_[88] 논문 Hydrodynamics and phases of flocks http://eprints.iisc.[...]
_[89] 논문 Hydrodynamic equations for self-propelled particles: microscopic derivation and stability analysis https://arxiv.org/pd[...]
_[90] 논문 Minimal mechanisms for school formation in self-propelled particles http://www.iam.ubc.c[...]
_[91] 논문 The Behavioral Self-Organization of Nanorobots Using Local Rules
_[92] 논문 Editorial Survey: Swarm Intelligence for Data Mining
_[93] 서적 The Smart Swarm: How understanding flocks, schools, and colonies can make us better at communicating, decision making, and getting things done Avery
_[94] 뉴스 "Planes, Trains and Ant Hills: Computer scientists simulate activity of ants to reduce airline delays http://www.scienceda[...] 2008-04-01

본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com