Пример за това къде това може да бъде полезно е при търсене на ново гнездо, в който случай само няколко десетки изследователите се изпращат да намерят достатъчно голямо пространство, а не цялата колония от стотици или хиляди мравки.
Препоръчани видеоклипове
Тази дълго изследвана способност е обект на a нова хартия от изследователи от Лабораторията за компютърни науки и изкуствен интелект (CSAIL) на MIT. Те са създали алгоритъм, който възпроизвежда поведението в компютър и доказва, че може да бъде забележително точен начин за предсказване на гъстотата на населението в мрежа.
„Има това интуитивно усещане в компютърните науки, че биологичните алгоритми са супер стабилни и динамични,“
Камерън Муско, студент от Масачузетския технологичен институт по електротехника и компютърни науки и съавтор на статията, казва пред Digital Trends. „Искахме да разгледаме една от тези системи – колония от мравки, в този случай – и да разберем точно защо те могат да работят толкова ефективно, въпреки че са толкова сложни и устойчиви. Това ни заинтересува.”Защо някой би искал да направи това? Както Муско обяснява, работата може да бъде от практическа полза в области като анализ на големи данни - като например оценка на състава на една конкретна политическа склонност сред потребителите на социални медии. „Традиционно, ако е на Facebook искахте да оцените броя на републиканците [например], бихте произволно извадили подгрупа от потребители и преброихте броя на републиканците“, продължава Муско. „Но не можете да направите това – няма главен списък с потребители, от които можете да вземете проби. И така, това, което показваме, е, че може да бъде почти толкова добро просто произволно „разходка“ между потребители – т.е. да започнете от един потребител, да преминете към приятел, след това към приятел на приятел и т.н. — и пробвайте по този начин.“
В статията е показано, че тези така наречени изследвания на „случайна разходка“ са почти толкова бързи за определяне на гъстотата на населението, колкото по-утвърдения метод за вземане на проби.
„Тази работа служи на две цели“, продължава Муско. „От една страна, това ни дава някои интересни идеи за вземането на биологични системи и използването им за оптимизиране на компютърни мрежи, което виждате с биологично вдъхновени концепции като невронни мрежи. В същото време можем да използваме компютърните науки, за да помогнем на биолозите да решат някои от проблемите, които имат. Хората започват да правят това второ все повече и повече и е наистина полезно - защото вместо да гледаме поведението, ние сме фокусирани върху откриването на алгоритми. Това е различен начин да мислиш за нещата.
Надградете начина си на животDigital Trends помага на читателите да следят забързания свят на технологиите с всички най-нови новини, забавни ревюта на продукти, проницателни редакционни статии и единствени по рода си кратки погледи.
