Was ist das?
🎯 Simulator-Tipps
📚 Glossar
🏆 Schlüsselpersonen
Marco Dorigo (1992)
Er erfand 1992 in seiner Doktorarbeit die Ant Colony Optimization (ACO) und begründete damit einen der einflussreichsten Zweige der Schwarmintelligenz. Seine Arbeit zeigte, dass künstliche Ameisen mithilfe pheromonähnlicher Kommunikation kombinatorische Optimierungsprobleme lösen können.
James Kennedy (1995)
Gemeinsam mit Russell Eberhart erfand er die Partikelschwarmoptimierung (PSO), inspiriert vom Sozialverhalten von Vogelschwärmen und Fischschwärmen. PSO wurde zu einem der am weitesten verbreiteten Optimierungsalgorithmen in Technik und Wissenschaft.
Craig Reynolds (1986)
Erstellte die Boids-Simulation, die demonstrierte, wie komplexes Flockungsverhalten aus drei einfachen Regeln (Trennung, Ausrichtung, Kohäsion) entsteht. Diese grundlegende Arbeit inspirierte sowohl Schwarmintelligenz-Algorithmen als auch CGI-Crowd-Simulationen in Filmen.
Dervis Karaboga (2005)
Entwickelte den Algorithmus „Artificial Bee Colony“ (ABC), eine Schwarmoptimierungsmethode, die vom intelligenten Futtersuchverhalten von Honigbienen mit ihrer Arbeitsteilung zwischen angestellten Bienen, Zuschauerbienen und Pfadfinderbienen inspiriert ist.
Russell Eberhart (1995)
Erfand zusammen mit James Kennedy die Partikelschwarmoptimierung und trug zu umfangreichen Forschungsarbeiten zu Parameterabstimmung, Konvergenzanalyse und Anwendungen von PSO auf das Training neuronaler Netzwerke und das technische Design bei.
Thomas Seeley (1990s-present)
Ein Biologe an der Cornell University, dessen detaillierte Studien zur Entscheidungsfindung von Honigbienen die wissenschaftliche Grundlage für von Bienen inspirierte Algorithmen lieferten, insbesondere durch sein Buch „Honeybee Democracy“, in dem er die kollektive Auswahl von Nistplätzen beschreibt.
Seyedali Mirjalili (2014)
Entwickelte den Grey Wolf Optimizer (GWO) und mehrere andere von der Natur inspirierte Metaheuristiken, darunter den Wal-Optimierungsalgorithmus und die Mottenflammen-Optimierung, und trug so zur schnellen Erweiterung des Schwarmintelligenz-Toolkits bei.
🎓 Lernressourcen
- Ant Colony Optimization: A New Meta-Heuristic
Das grundlegende Papier stellt ACO als rechnerische Optimierungstechnik vor und zeigt, wie künstliche Ameisen mithilfe der Pheromonkommunikation das Problem des Handlungsreisenden effektiv lösen können. - Particle Swarm Optimization
Der ursprüngliche IEEE-Konferenzbeitrag von 1995 stellt PSO vor und zeigt, wie eine Partikelpopulation mit Geschwindigkeits- und Positionsaktualisierungen, die durch soziales Verhalten inspiriert sind, kontinuierliche Funktionen optimieren kann. - Grey Wolf Optimizer
Der Artikel zur Einführung von GWO in Advances in Engineering Software (2014) schlägt einen Algorithmus vor, der von der sozialen Hierarchie und der Jagdstrategie grauer Wolfsrudel inspiriert ist. - Swarm Intelligence: From Natural to Artificial Systems
Das maßgebliche Buch über Schwarmintelligenz, das biologische Studien sozialer Insekten mit rechnerischen Algorithmen verbindet und Ameisenvölker, Bienenschwärme und entstehendes Verhalten in komplexen Systemen behandelt. - Nature-Inspired Optimization Algorithms
Ein umfassendes Lehrbuch, das alle wichtigen Schwarm- und Evolutionsalgorithmen abdeckt, einschließlich PSO, ACO, Glühwürmchenalgorithmus, Fledermausalgorithmus und Kuckuckssuche, mit mathematischen Grundlagen und praktischen Anwendungen. - Honeybee Democracy
Ein faszinierender Bericht darüber, wie Honigbienenschwärme durch einen Prozess der Erkundung durch Kundschafterbienen, Schwänzeltanzkommunikation und Quorum Sensing – die biologische Inspiration für den ABC-Algorithmus – kollektive Entscheidungen treffen. - How Ants Solve the Traveling Salesman Problem - Kurzgesagt Style
Eine animierte Erklärung, wie echte Ameisen Pheromonspuren nutzen, um kürzeste Wege zu finden, und wie dieses Verhalten ACO-Algorithmen inspirierte, die von Fluggesellschaften und Logistikunternehmen weltweit verwendet werden. - Particle Swarm Optimization Visualization
Eine visuelle Demonstration von PSO in Aktion, die zeigt, wie Partikel eine Fitnesslandschaft erkunden, zu optimalen Lösungen konvergieren und wie Parameterauswahlen das Konvergenzverhalten beeinflussen. - Starling Murmurations - Emergence in Nature
Atemberaubende Aufnahmen von Starenmurmeln mit wissenschaftlicher Erklärung, wie einfache lokale Regeln atemberaubendes kollektives Verhalten erzeugen – die reale Inspiration hinter Boids und PSO. - Grey Wolf Optimizer Explained with Python Implementation
Ein Tutorial, das die Wolfshierarchie und die Jagdphasen des GWO-Algorithmus erklärt, mit einer schrittweisen Python-Implementierung und Visualisierung des Optimierungsprozesses. - Honeybee Democracy - How Bees Make Decisions
Basierend auf der Forschung von Thomas Seeley erklärt dieses Video den bemerkenswerten demokratischen Entscheidungsprozess von Honigbienenschwärmen, die biologische Inspiration hinter dem ABC-Algorithmus.