Die Mitglieder eines Schwarms interagieren lokal miteinander und mit ihrer Umgebung. Diese Interaktionen führen zu einem adaptiven Suchverhalten und schließlich zur globalen Optimierung des Schwarms. Dieser von der Natur inspirierte Optimierungsansatz hat sich in den letzten Jahren rasant entwickelt und inspiriert neue Entwicklungen in zahlreichen Branchen. Doch welche Mechanismen liegen der Schwarmrobotik zugrunde, welche Merkmale kennzeichnen intelligente Schwarmalgorithmen und welche Modelle und Anwendungsmöglichkeiten gibt es aktuell?

Algorithmen in der Schwarmrobotik

Dem Modell eines intelligenten Schwarms liegt ein kooperativer Algorithmus als Schlüsselkomponente zugrunde, der Verhaltensweisen und Interaktionen kontrolliert. Roboterschwärme basieren auf der Grundlage verschiedenster Algorithmen, die Grundfunktionen wie die einfache Verteilung von Objekten oder Robotern im Raum oder Funktionen zur komplexen Zusammenarbeit wie die Bildung einer Kette regeln können.

Die grundlegenden Ziele der Schwarmrobotik zielen häufig auf die Miniaturisierung von Hardware oder Kosteneffizienz ab. Vier der wichtigsten Merkmale von Schwarmintelligenz sind Koordination, Gruppenbildung, Optimierung und Pfadplanung. Typische Eigenschaften von Schwarmalgorithmen sind:

• Geringe Komplexität: Einzelne Roboter folgen einfachen Regeln.
• Skalierbarkeit: Die Auslegung des Systems erfolgt für eine beliebige Anzahl von Robotern.
• Dezentralisierung: Schwarmroboter sind autonom und folgen keinen externen Befehlen.
• Lokale Interaktionen: Die Roboter zeigen ein kollektives Verhalten durch lokalen Informationsaustausch.

Überblick über bestehende Modelle

Im Laufe der Jahre wurden viele unterschiedliche Schwarmalgorithmen entwickelt. Die am häufigsten eingesetzten Modelle sind Artificial Bee Colony (ABC), Boids (Bird-oid object) und Ant Colony Optimization (ACO).

ABC – Artificial Bee Colony

ABC wurde 2005 entwickelt. Der Algorithmus ist vom Verhalten der Honigbiene bei der Suche nach Nahrungsquellen (Nektar) und dem anschließenden Informationsaustausch über diese Nahrungsquellen mit anderen Bienen im Bienenstock inspiriert. Der ABC-Algorithmus umfasst drei Phasen: die Employed Bee Phase, die Onlooker Bee Phase (Startphase) und die Scout Phase (Suchphase). Jede Arbeiterin (Employed Bee) wählt eine ihr bekannte Nahrungsquelle aus und bestimmt den nächstliegenden Ort. Dabei schätzt sie die dort vorhandene Nektarmenge ab und gibt die Information durch ihren Tanz im Bienenstock an die anderen Bienen weiter. Die Beobachterin (Onlooker Bee) beobachtet den Tanz der Arbeiterin, wählt auf der Grundlage dieser Information eine der Nahrungsquellen aus und begibt sich dorthin, um die vorhandene Nektarmenge zu sichten. Alte Nahrungsquellen werden durch die von Kundschafterinnen entdeckten neuen Nahrungsquellen ersetzt. Die beste Nahrungsquelle und die damit verbundene Position werden so konserviert.

Die Position einer Nahrungsquelle stellt das ‚Ziel‘ dar. Die in diesem Bereich gefundene Nektarmenge entspricht der ‚Qualität/Quantität‘, auch Fitness oder ‚Associated Solution‘ genannt. Die Anzahl der Arbeiterinnen entspricht somit der Anzahl der ‚Associated Solutions‘ innerhalb des Schwarms.

Ein anschauliches Beispiel für einen ABC-Algorithmus findet sich in der Landwirtschaft. Die Schwarmrobotik eignet sich insbesondere im Bereich Precision Farming, etwa bei großen Einsätzen in der Landwirtschaft, bei denen Drohnen für topografische und thermografische Zwecke eingesetzt werden.

In der Landwirtschaft liefert die Thermografie wichtige Informationen über die Umgebungsbedingungen, die auf andere Art und Weise schwer zu gewinnen sind. Wird eine Drohne mit einer Thermokamera ausgestattet, lässt sich die Temperatur im untersuchten Gebiet mit erstaunlicher Präzision messen. Dabei stehen verschiedene Temperaturwerte für unterschiedliche Merkmale der pflanzlichen Entwicklung. Der Einsatz von Drohnen im Precision Farming führt zu einer hohen Produkteffizienz und ermöglicht den Einsatz minimaler Ressourcen und damit Einsparungen.

Boids – Bird-oid Objects
Boids steht für eine Simulation künstlichen Lebens, die 1986 von Craig W. Reynolds entwickelt wurde. Es handelt sich dabei um einen Optimierungsalgorithmus, der vom natürlichen Verhalten von Schwarmvögeln inspiriert ist. Boids ist ein einfacher Algorithmus mit drei Regeln, die komplexes Verhalten in der Schwarmrobotik möglich machen: Zusammenhalt (Cohesion), Ausrichtung (Alignment) und Trennung (Separation).