Teori Algoritma Semut

KECERDASAN KOLEKTIF

PENDAHULUAN

Semut adalah makhluk hidup dengan populasi terpadat di dunia. Perbandingannya, untuk setiap 700 juta semut yang muncul ke dunia ini, hanya terdapat 40 kelahiran manusia. Tentu masih banyak informasi lain yang menakjubkan bisa dipelajari tentang makhluk ini.
Semut merupakan salah satu kelompok yang paling "sosial" dalam genus serangga dan hidup sebagai masyarakat yang disebut "koloni", yang "terorganisasi" luar biasa baik. Tatanan organisasi mereka begitu maju sehingga dapat dikatakan dalam segi ini mereka memiliki per-adaban yang mirip dengan peradaban manusia.

Semut merawat bayi-bayi mereka, melindungi koloni, dan bertempur di samping juga memproduksi dan menyimpan makanan. Bahkan ada koloni yang melakukan pekerjaan yang bersangkutan dengan "pertanian" atau "peternakan". Dengan jaringan komunikasi yang sangat kuat, hewan ini begitu unggul sehingga tak dapat dibandingkan dengan organisme mana pun dalam segi spesialisasi dan organisasi sosial.

Di masa kini, para peneliti yang cerdas dan berpendidikan tinggi bekerja siang-malam dalam pelbagai lembaga pemikiran untuk merumuskan organisasi sosial yang sukses dan menemukan solusi yang langgeng untuk berbagai masalah ekonomi dan sosial. Para ideolog juga telah menghasilkan berbagai model sosial selama berabad-abad. Namun secara umum, belum terlihat tatanan sosial sosioekonomis yang berhasil dicapai melalui segala upaya intensif ini. Karena sejak dulu konsep tatanan masyarakat manusia didasarkan pada persaingan dan kepentingan individu, tatanan sosial yang sempurna tidak mungkin tercapai. Sementara, semut-semut telah menjalani sistem sosial yang ideal bagi mereka selama jutaan tahun hingga hari ini.

Teknologi yang menggunakan Ant Colony Optimization


Komunitas hewan mampu melakukan hal-hal yang tidak akan pernah dapat dilakukan secara sendiri-sendiri. Schwarm-computing memanfaatkan fenomena alam tersebut.Pada tahun 1996, dunia AI pun ikut belajar dari semut dengan diperkenalkannya algoritma semut, atau Ant Colony Optimization, sebagai sebuah simulasi multi agen yang menggunakan metafora alami semut untuk menyelesaikan problem ruang fisik.Algoritma semut diperkenalkan oleh Moyson dan Manderick dan secara meluas dikembangkan oleh Marco Dorigo, merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik melalui grafik. Algoritma ini terinspirasi oleh perilaku semut dalam menemukan jalur dari koloninya menuju makanan.
Para peneliti di Siemens senang mencari inspirasi dari semut-semut. Visi terberani mereka ber-setting tahun 2020. Mesin-mesin bergerak berukuran kecil yang tampak seperti semut besar, bekerja di gedung-gedung pencakar langit New York. Mesin-mesin ini mengambil informasi dari lingkungan, berkomunikasi unikasi satu sama lain, dan secara bersama-sama melaksanakan tugas yang diberikan kepada mereka. Sistem jaringan yang terbentuk sendiri (ANTS, Autonomous Networked System) menurut para pakar suatu hari nanti akan dapat melaksanakan pekerjaan pemeriksaan dan perawatan pada lokasi-lokasi yang sulit dijangkau atau berbahaya serta tugas-tugas pengawasan bergerak.

Karena mereka saling bertukar informasi, masing-masing hewan ini tidak perlu terlalu pintar. Inti kecerdasannya ada dalam sistem. Untuk orientasi, mereka dilengkapi dengan GPS, kamera, dan sistem pengenalan gambar. Setiap anggota sistem melihat sebuah objek dari berbagai sudut pandang dan saling membantu dalam menginterpretasi gambar kamera.
Untuk menemukan solusi efisien bagi masalah sehari-hari, para pengembang semakin sering berorientasi pada model sukses dari komunitas alam yang memiliki kecerdasan kolektif seperti ikan, burung, atau serangga. Sebagai sebuah sistem, hewan-hewan itu mampu bersama-sama menyelesaikan sebuah tugas yang rumit. Perilaku ini juga merupakan tema best seller fiksi ilmiah di Jerman karangan Frank Schaetzing yang berjudul ‘Der Schwarm’.
Beberapa aturan telah cukup bagi sebuah komunitas. Sebagai contoh, terbangnya segerombolan burung dapat dirumuskan dengan 3 aturan. Menyingkir sebelum terjadi tabrakan, terbang secepat burung-burung di sekitar kita, dan terbang ke arah pusat gerombolan. Dalam simulasi komputer, aturan-aturan sederhana tersebut sudah cukup untuk meniru perilaku kelompok secara realistik. Studio-studio animasi Hollywood menggunakannya untuk menampilkan gerak laju gerombolan hewan yang tampak seperti asli.

Rumus meniru perilaku hewan.
Rute semut sebagai contoh semut menemukan rute terpendek berkat penandaan feromon oleh rekannya. Bila jaraknya sama panjang, dipilih rute yang pertama ditemukan. Ahli IT telah memanfaatkan taktik ini untuk berbagai aplikasi.
Percobaan yang dipandang sangat berhasil adalah dalam pembuatan algoritma semut. Cara semut melacak jarak terpendek antara sarang dan sumber makanan melalui bebauan tertentu (feromon) digunakan sebagai contoh solusi masalah logistik dan optimalisasi, misalnya routing dalam jaringan telekomunikasi.
Semut software meniru perilaku semut asli, yaitu dengan menetapkan variabel solusi yang dicari secara bertahap seperti dalam mencari rute. Kriteria pemilihannya adalah kualitas nila inilai potensial untuk variabel dalam pemilihan sebelumnya—sama seperti nilai feromon pada semut.
Tugas utama software adalah merumuskan ‘kesadaran konteks’. Dari data yang tersedia, software harus menemukan dalam msituasi apa seorang manusia atau objek berada dan bagaimana sebuah lingkungan cerdas dapat bereaksi.
Siemens sudah menerapkan teknik semacam itu pada bagian home-networking dan teknik konstruksi. Suatu arsitektur software bersama merupakan bingkai untuk solusi berbagai tugas.

Jaringan pengawas terkoneksi sendiri.
Channelview
Semua info mengenai pengawasan lalu-lintas dikirim ke pusat kendali. Bila ada bahaya, kamera kamera cerdas bersama sistem lainnya mengaktifkan langkah-langkah pengamanan yang tepat di terowongan Giswil.
Untuk suplai energi masa depan, jaringan seperti komunitas tersebut bahkan dapat memainkan peran yang lebih penting. Jaringan listrik Uni-Eropa direncanakan akan disuplai lebih banyak dari sumber energi seperti air, angin, dan matahari. Jaringan raksasa ini menurut para pakar tidak bisa diatur dari satu tempat. Harus dipikirkan bagaimana listrik dapat mengontrol dirinya sendiri. Visinya adalah membagi kecerdasan dalam jaringan listrik untuk menangkap fluktuasi langsung pada titik simpul, bukan pada sebuah sentral yang kelebihan beban. Dengan cara ini, blackout besar-besaran dapat dihindari. Masih dibutuhkan beberapa penelitian lanjutan hingga keinginan ini dapat diwujudkan.
Kecerdasan terbagi sudah digunakan dalam pengawasan lalu lintas. Proyek perintis di area padat menggunakan sistem manajemen sentral dengan perangkat akhir seperti sistem navigasi plus ponsel. Untuk itu, ribuan sensor digunakan untuk mengumpulkan data. Tersembunyi dalam pelapis jalan, jembatan atau tiang, sensor-sensor ini mencatat data kepadatan lalu-lintas, arah, dan kecepatan kendaraan. Pada area kritis seperti terowongan, analisis dilakukan secara otomatis langsung di lokasi. Terowongan Giswil diSwiss misalnya, telah dilengkapi dengan pengawasan video cerdas. Instalasi ini dapat mendeteksi adanya kebakaran berdasarkan timbulnya asap, juga dapat mengenali adanya kemacetan.
Dalam sebuah gedung, sensor seperti dalam terowongan tadi dapat digunakan untuk memberitahu pemadam kebakaran rute terbaik ke sumber kebakaran. Dalam jaringan pengawas yang terbentuk sendiri secara adhoc, komponen yang tidak berfungsi dapat langsung digantikan oleh unit lain di sekitarnya. Perawatan sehari-hari idealnya juga dilakukan dengan Schwarm-computing. Sensor-sensor mengatur diri sendiri untuk mengambil alih tugas yang boros energi secara bergiliran.


di kutip dari :http=//hanswilliam.multiply.com