Zugl.: Göttingen, Universiẗat, Diss., 2008.

Zugl.: Stuttgart, Univ., Diss., 2009

Zugl.: Oldenburg, University, Diss., 2006.

Weingarten, Diplomarbeit, 2005.

Zugl.: Bremen, Univ., Diss., 2009

Das Forschungsfeld Schwarmintelligenz, also die Anwendung des Verhaltens dezentraler selbstorganisierender Tierkollektive, im Kontext der Informatik hat eine Reihe von state-of-the-art Kontroll- und Optimierungsmechanismen hervorgebracht. Die Untersuchung selbstorganisierender biologischer Systeme fördert zum einen das Design neuer robuster und adaptiver Algorithmen. Zum anderen kann sie das Verständnis der Funktionalität von selbstorganisierenden Prinzipien, welche in der Natur auftreten, unterstützen. Diese Arbeit deckt beide zuvor beschriebenen Aspekte ab. Unter Verwendung von Modellen und Simulation werden offene Fragen bezüglich der Organisation und des Verhaltens von sozialen Insekten beleuchtet. Weiter werden Abstraktionen von selbstorganisierenden Konzepten, welche man bei sozialen Insekten findet, genutzt, um neue Methoden zur Optimierung zu entwickeln. Der erste Teil dieser Arbeit untersucht allgemeine Aspekte der Arbeitsteilung sozialer Insekten. Zuerst wird die Anpassungsfähigkeit von unterschiedlich großen Kolonien, bezüglich dynamischer Veränderungen in der Umwelt untersucht. Die Ergebnisse zeigen, dass die Fähigkeit einer Kolonie, auf Veränderung in der Umwelt zu reagieren, von der Koloniegröße beeinflusst wird. Ein weiterer Aspekt der Arbeitsteilung, welcher in dieser Arbeit untersucht wird, ist, inwieweit eine räumliche Verteilung von Aufgaben und Individuen einen Einfluss auf die Arbeitsteilung hat. Die Ergebnisse deuten an, dass soziale Insekten von einer räumlichen Trennung, der zu bewerkstelligenden Aufgaben profitieren, da eine solche Trennung die Produktivität der Kolonie erhöht. Das könnte erklären, warum eine räumliche getrennte Anordnung von Aufgaben und Individuen häufig in realen Kolonien sozialer Insekten beobachtet werden kann. Der zweite Teil dieser Arbeit untersucht verschiedene Aspekte von Selbstorganisation bei Honigbienen. Zunächst wird der Einfluss der räumlichen Verteilung von Nestplätzen auf die Nestplatzsuche der europäischen Honigbiene Apis mellifera untersucht. Die Ergebnisse legen nahe, dass die Nestplatzsuche eines Schwarms aktiv durch die Anordnung der Nestplätze in der Umwelt beeinflusst wird. Eine nestplatzreiche Umgebung kann den Prozess eines Schwarms, sich für einen Nestplatz zu entscheiden, stark behindern. Das könnte erklären, warum Honigbienenarten, die geringe Anforderungen an Nestplätze haben, was die Anzahl von potenziellen Nestplätzen natürlich erhöht, eine sehr ungenaue Form der Nestplatzsuche aufweisen. Ein zweiter Aspekt der Honigbienen, welcher untersucht wird, sind die Steuerungsmechanismen, die dem kollektiven Flug eines Bienenschwarms unterliegen. Zwei mögliche Führungsmechanismen, aktive und passive Führung, werden hinsichtlich ihrer Fähigkeit verglichen, die Flugeigenschaften eines echten Honigbienenschwarms zu reproduzieren. Die Simulationsergebnisse bestätigen aktuelle empirische Befunde und zeigen, dass aktive Führung in der Lage ist, Charakteristika fliegender Schwärme widerzuspiegeln. Bei passiver Führung ist das nicht der Fall. Eine Anwendung biologischer Konzepte im Bereich der Informatik wird anhand der Nestplatzsuche demonstriert. Diese ist ein natürlicher Optimierungsprozess, basierend auf einfachen Regeln. Erzielt wird eine lokale Optimierung, die es einem Schwarm ermöglicht, Nestplätze in einer bisher unbekannten Umgebung zu finden und aus diesen den besten Nestplatz zu wählen. Das ist die Motivation, Nestplatzsuche im Bereich der Optimierung anzuwenden. Hierfür wird zuerst das Optimierungspotenzial der biologischen Nestplatzsuche mit Hilfe eines biologischen Modells untersucht. Basierend auf der Nestplatzsuche wird ein abstrahiertes algorithmisches Schema, das so genannte „Bee Nest-Site Selection Scheme“ (BNSSS) entworfen. Basierend auf dem Schema wird der erste Nestplatzsuche inspirierte Optimierungsalgorithmus „Bee-Nest\\\'\\\' für die Anwendung im Bereich von molekular Docking entwickelt. Im Vergleich zu anderen Optimierungsalgorithmen erzielt „Bee-Nest“ eine sehr gute Leistung. / The application in computer science of the behaviour found in decentralized self-organizing animal collectives -- also known as swarm intelligence -- has brought forward a number of state-of-the art control and optimization mechanisms. Further study of such self-organizing biological systems can foster the design of new robust and adaptive algorithms, as well as aid in the understanding of self-organizing processes found in nature. This thesis covers both of the aspects described above, namely the use of computational models to investigate open questions regarding the organization and behaviour of social insects, as well as using the abstraction of concepts found in social insects to generate new optimization methods. In the first part of this work, general aspects of division of labour in social insects are investigated. First the adaptiveness of different-sized colonies to dynamic changes in the environment is analysed. The findings show that a colony\\\'s ability to react to changes in the environment scales with its size. Another aspect of division of labour which is investigated is the extent to which different spatial distributions of tasks and individuals influence division of labour. The results suggest that social insects can benefit from a spatial separation of tasks within their environment, as this increases the colony\\\'s productivity. This could explain why a spatial organization of tasks and individuals is often observed in real social insect colonies. The second part of this work investigates several aspects of self-organization found in honeybees. First the influence of spatial nest-site distribution on the ability of the European honeybee Apis mellifera to select a new nest-site is studied. The results suggest that a swarm\\\'s habitat can influence its decision-making process. Nest-site rich habitats can obstruct a swarm\\\'s ability to choose a single site if all sites are of equal quality. This could explain why in nature honeybee species which have less requirements regarding a new nest-site have evolved a more imprecise form of nest-site selection than cavity-nesting species. Another aspect of honeybees which is investigated is the guidance behaviour in migrating swarms. Two potential guidance mechanisms, active and passive guidance, are compared regarding their ability to reproduce real honeybee swarm flight characteristics. The simulation results confirm previous empirical findings, as they show that active guidance is able to reflect a number of characteristics which can be observed in real moving honeybee swarms, while this is not the case for passive guidance. Nest-site selection in honeybees can be regarded as a natural optimization process. It is based on simple rules and achieves local optimization as it enables a swarm to decide between several potential nest-sites in a previously unknown dynamic environment. These factors motivate the application of the nest-site selection process to the problem domain of function optimization. First, the optimization potential of the biological nest-site selection process is studied. Then a general algorithmic scheme called ``Bee Nest-Site Selection Scheme\\\'\\\' (BNSSS) is introduced. Based on the scheme the first nest-site inspired optimization algorithm ``Bee-Nest\\\'\\\' is introduced and successfully applied to the domain of molecular docking.

Zugl.: Paderborn, Univ., Diss., 2006

Zugl.: Ilmenau, Techn. Univ., Diss., 2009

Groups of starlings can form impressive shapes as they travel northward together in the springtime. This is among a group of natural phenomena based on swarm behaviour. The research field of artificial intelligence in computer science, particularly the areas of robotics and image processing, has in recent decades given increasing attention to the underlying structures. The behaviour of these intelligent swarms has opened new approaches for face detection as well. G. Beni and J. Wang coined the term “swarm intelligence” to describe this type of group behaviour. In this context, intelligence describes the ability to solve complex problems. The objective of this project is to automatically find exactly one face on a photo or video material by means of swarm intelligence. The process developed for this purpose consists of a combination of various known structures, which are then adapted to the task of face detection. To illustrate the result, a 3D hat shape is placed on top of the face using an example application program.

Das Forschungsfeld Schwarmintelligenz, also die Anwendung des Verhaltens dezentraler selbstorganisierender Tierkollektive, im Kontext der Informatik hat eine Reihe von state-of-the-art Kontroll- und Optimierungsmechanismen hervorgebracht. Die Untersuchung selbstorganisierender biologischer Systeme fördert zum einen das Design neuer robuster und adaptiver Algorithmen. Zum anderen kann sie das Verständnis der Funktionalität von selbstorganisierenden Prinzipien, welche in der Natur auftreten, unterstützen. Diese Arbeit deckt beide zuvor beschriebenen Aspekte ab. Unter Verwendung von Modellen und Simulation werden offene Fragen bezüglich der Organisation und des Verhaltens von sozialen Insekten beleuchtet. Weiter werden Abstraktionen von selbstorganisierenden Konzepten, welche man bei sozialen Insekten findet, genutzt, um neue Methoden zur Optimierung zu entwickeln. Der erste Teil dieser Arbeit untersucht allgemeine Aspekte der Arbeitsteilung sozialer Insekten. Zuerst wird die Anpassungsfähigkeit von unterschiedlich großen Kolonien, bezüglich dynamischer Veränderungen in der Umwelt untersucht. Die Ergebnisse zeigen, dass die Fähigkeit einer Kolonie, auf Veränderung in der Umwelt zu reagieren, von der Koloniegröße beeinflusst wird. Ein weiterer Aspekt der Arbeitsteilung, welcher in dieser Arbeit untersucht wird, ist, inwieweit eine räumliche Verteilung von Aufgaben und Individuen einen Einfluss auf die Arbeitsteilung hat. Die Ergebnisse deuten an, dass soziale Insekten von einer räumlichen Trennung, der zu bewerkstelligenden Aufgaben profitieren, da eine solche Trennung die Produktivität der Kolonie erhöht. Das könnte erklären, warum eine räumliche getrennte Anordnung von Aufgaben und Individuen häufig in realen Kolonien sozialer Insekten beobachtet werden kann. Der zweite Teil dieser Arbeit untersucht verschiedene Aspekte von Selbstorganisation bei Honigbienen. Zunächst wird der Einfluss der räumlichen Verteilung von Nestplätzen auf die Nestplatzsuche der europäischen Honigbiene Apis mellifera untersucht. Die Ergebnisse legen nahe, dass die Nestplatzsuche eines Schwarms aktiv durch die Anordnung der Nestplätze in der Umwelt beeinflusst wird. Eine nestplatzreiche Umgebung kann den Prozess eines Schwarms, sich für einen Nestplatz zu entscheiden, stark behindern. Das könnte erklären, warum Honigbienenarten, die geringe Anforderungen an Nestplätze haben, was die Anzahl von potenziellen Nestplätzen natürlich erhöht, eine sehr ungenaue Form der Nestplatzsuche aufweisen. Ein zweiter Aspekt der Honigbienen, welcher untersucht wird, sind die Steuerungsmechanismen, die dem kollektiven Flug eines Bienenschwarms unterliegen. Zwei mögliche Führungsmechanismen, aktive und passive Führung, werden hinsichtlich ihrer Fähigkeit verglichen, die Flugeigenschaften eines echten Honigbienenschwarms zu reproduzieren. Die Simulationsergebnisse bestätigen aktuelle empirische Befunde und zeigen, dass aktive Führung in der Lage ist, Charakteristika fliegender Schwärme widerzuspiegeln. Bei passiver Führung ist das nicht der Fall. Eine Anwendung biologischer Konzepte im Bereich der Informatik wird anhand der Nestplatzsuche demonstriert. Diese ist ein natürlicher Optimierungsprozess, basierend auf einfachen Regeln. Erzielt wird eine lokale Optimierung, die es einem Schwarm ermöglicht, Nestplätze in einer bisher unbekannten Umgebung zu finden und aus diesen den besten Nestplatz zu wählen. Das ist die Motivation, Nestplatzsuche im Bereich der Optimierung anzuwenden. Hierfür wird zuerst das Optimierungspotenzial der biologischen Nestplatzsuche mit Hilfe eines biologischen Modells untersucht. Basierend auf der Nestplatzsuche wird ein abstrahiertes algorithmisches Schema, das so genannte „Bee Nest-Site Selection Scheme“ (BNSSS) entworfen. Basierend auf dem Schema wird der erste Nestplatzsuche inspirierte Optimierungsalgorithmus „Bee-Nest\\\''\\\'' für die Anwendung im Bereich von molekular Docking entwickelt. Im Vergleich zu anderen Optimierungsalgorithmen erzielt „Bee-Nest“ eine sehr gute Leistung. / The application in computer science of the behaviour found in decentralized self-organizing animal collectives -- also known as swarm intelligence -- has brought forward a number of state-of-the art control and optimization mechanisms. Further study of such self-organizing biological systems can foster the design of new robust and adaptive algorithms, as well as aid in the understanding of self-organizing processes found in nature. This thesis covers both of the aspects described above, namely the use of computational models to investigate open questions regarding the organization and behaviour of social insects, as well as using the abstraction of concepts found in social insects to generate new optimization methods. In the first part of this work, general aspects of division of labour in social insects are investigated. First the adaptiveness of different-sized colonies to dynamic changes in the environment is analysed. The findings show that a colony\\\''s ability to react to changes in the environment scales with its size. Another aspect of division of labour which is investigated is the extent to which different spatial distributions of tasks and individuals influence division of labour. The results suggest that social insects can benefit from a spatial separation of tasks within their environment, as this increases the colony\\\''s productivity. This could explain why a spatial organization of tasks and individuals is often observed in real social insect colonies. The second part of this work investigates several aspects of self-organization found in honeybees. First the influence of spatial nest-site distribution on the ability of the European honeybee Apis mellifera to select a new nest-site is studied. The results suggest that a swarm\\\''s habitat can influence its decision-making process. Nest-site rich habitats can obstruct a swarm\\\''s ability to choose a single site if all sites are of equal quality. This could explain why in nature honeybee species which have less requirements regarding a new nest-site have evolved a more imprecise form of nest-site selection than cavity-nesting species. Another aspect of honeybees which is investigated is the guidance behaviour in migrating swarms. Two potential guidance mechanisms, active and passive guidance, are compared regarding their ability to reproduce real honeybee swarm flight characteristics. The simulation results confirm previous empirical findings, as they show that active guidance is able to reflect a number of characteristics which can be observed in real moving honeybee swarms, while this is not the case for passive guidance. Nest-site selection in honeybees can be regarded as a natural optimization process. It is based on simple rules and achieves local optimization as it enables a swarm to decide between several potential nest-sites in a previously unknown dynamic environment. These factors motivate the application of the nest-site selection process to the problem domain of function optimization. First, the optimization potential of the biological nest-site selection process is studied. Then a general algorithmic scheme called ``Bee Nest-Site Selection Scheme\\\''\\\'' (BNSSS) is introduced. Based on the scheme the first nest-site inspired optimization algorithm ``Bee-Nest\\\''\\\'' is introduced and successfully applied to the domain of molecular docking.