[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,121 +2,180 @@
|
||||
id: wiki-2026-0508-swarm-intelligence
|
||||
title: Swarm Intelligence
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [Swarm AI, Collective Intelligence, Multi-Agent Optimization]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-consolidated, technical-documentation]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [optimization, multi-agent, bio-inspired, ai]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: numpy-deap
|
||||
---
|
||||
|
||||
# [[Swarm Intelligence|Swarm Intelligence]]
|
||||
# Swarm Intelligence
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단순한 개체들의 위대한 합창: 중앙 집중적 통제 없이도 개별 개체들이 주변과 상호작용하며 만드는 집단적 질서를 통해, 개별 지능을 뛰어넘는 고난도의 최적해를 찾아내는 자연의 알고리즘."
|
||||
## 매 한 줄
|
||||
> **"매 simple agents 의 collective 의 emergent intelligence"**. 매 ant colony, bird flock, bee swarm 의 inspired — 매 local rules + interaction 의 global optimization. 2026 의 application 의 LLM agent swarms (CrewAI, AutoGen) + classic optim.
|
||||
|
||||
---
|
||||
## 매 핵심
|
||||
|
||||
> "중앙의 지휘관 없이 단순한 개체들의 상호작용만으로 거대한 질서를 창조하고, 흩어진 정보 조각들을 모아 집단적인 최적의 해답을 도출하라" — 개미, 벌, 새와 같은 생명체들의 집단적 행동 양식을 모방하여 복잡한 문제를 해결하는 분산형 인공지능 기술.
|
||||
### 매 핵심 algorithms
|
||||
- **PSO (Particle Swarm Optimization)**: 매 particle 의 personal best + global best 의 update.
|
||||
- **ACO (Ant Colony Optimization)**: 매 pheromone trail 의 path optim — TSP.
|
||||
- **ABC (Artificial Bee Colony)**: 매 employed/onlooker/scout 의 분업.
|
||||
- **Firefly / Cuckoo**: 매 attractiveness / Lévy flight 의 search.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
집단 지능(Swarm Intelligence, 군집 지능)은 개미, 벌, 새와 같은 사회적 곤충 및 동물들이 보여주는 집단적 행동에서 영감을 얻은 분산적이고 자발적인 지능 형태입니다.
|
||||
### 매 properties
|
||||
- **Decentralization**: 매 central control 의 X.
|
||||
- **Self-organization**: 매 local interaction → global pattern.
|
||||
- **Robustness**: 매 single agent 의 fail 의 swarm 의 survive.
|
||||
- **Stigmergy**: 매 environment 의 state 의 indirect communication (pheromone).
|
||||
|
||||
1. **3대 원칙**:
|
||||
* **Decentralization**: 지휘관이나 중앙 통제 장치가 없음.
|
||||
* **Self-Organization**: 개체 간의 로컬한 상호작용이 거시적인 패턴을 형성 (Self-Correction과 밀접).
|
||||
* **Stigmergy**: 환경에 남겨진 흔적(예: 개미의 페로몬)을 매개로 소통하여 협업 수행.
|
||||
2. **주요 알고리즘**:
|
||||
* **Ant Colony [[Optimization|Optimization]] (ACO)**: 최단 경로를 찾는 개미의 습성을 이용해 네트워크 라우팅 및 물류 최적화.
|
||||
* **Particle Swarm Optimization (PSO)**: 무리의 이동을 모방하여 다차원 공간의 최적점 탐색.
|
||||
3. **로보틱스/AI 적용**:
|
||||
* **Drone Swarms**: 수천 대의 드론이 충돌 없이 군집 비행하며 입체적 공격이나 감시 수행.
|
||||
* **Multi-Agent[[_system|system]]s**: 소형 AI 에이전트들이 협업하여 복잡한 소프트웨어 문제를 해결.
|
||||
### 매 응용
|
||||
1. Routing (vehicle, network).
|
||||
2. Scheduling (job shop, cloud workload).
|
||||
3. Hyperparameter tuning (PSO 의 grid search 의 대체).
|
||||
4. LLM multi-agent (CrewAI roles, debate, voting).
|
||||
5. Drone swarms (formation, coverage).
|
||||
|
||||
---
|
||||
## 💻 패턴
|
||||
|
||||
- **추출된 패턴:** "Self-organization and Decentralized Collaboration" — 개별 에이전트는 주변의 국소적인 정보만으로 행동하지만, 이들의 상호작용이 누적되어 전체 시스템 차원의 목적(최적 경로 탐색, 먹이 확보 등)을 달성하는 패턴.
|
||||
- **주요 알고리즘:**
|
||||
- **Ant Colony Optimization (ACO):** 페로몬 자국을 따라 최단 경로를 찾는 개미의 습성 모방. 물류 및 네트워크 경로 최적화에 탁월.
|
||||
- **Particle Swarm Optimization (PSO):** 먹이를 찾는 새 떼의 위치 변화 모방. 연속적인 공간에서의 수치 최적화에 강점.
|
||||
- **핵심 원칙:**
|
||||
- **[[Scalability|Scalability]]:** 개체 수가 늘어나도 통제 부담이 크지 않음.
|
||||
- **[[Robustness|Robustness]]:** 일부 개체가 사라져도 시스템 전체의 목적 달성에 지장이 없음.
|
||||
- **[[Adaptability|Adaptability]]:** 환경 변화에 유연하게 대응.
|
||||
- **의의:** 군집 로봇(Swarm Robotics), 트래픽 제어, 복잡한 조합 최적화 문제 등 중앙 집중형 제어가 한계에 부딪히는 지점에서 강력한 대안을 제시함.
|
||||
### PSO — minimize objective
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 개별 지능(슈퍼컴퓨터 하나)을 키우는 것에 집착했으나, 현대 AI 인프라 정책은 작고 저렴한 에이전트 수천 개를 엮어 집단 지능을 구현하는 '엣지 군집 정책'으로 확장됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 군집 지능 무기가 가져올 통제 불능 리스크를 방어하기 위해, 인위적인 군집 비행 및 로봇 무리의 동작 프로토콜에 '킬 스위치'를 의무화하고 집단 윤리를 프로그래밍하는 국방 테크 정책이 수립됨.
|
||||
def pso(f, dim, n=30, iters=200, w=0.7, c1=1.5, c2=1.5, lo=-5, hi=5):
|
||||
x = np.random.uniform(lo, hi, (n, dim))
|
||||
v = np.zeros_like(x)
|
||||
pbest = x.copy()
|
||||
pbest_val = np.array([f(p) for p in x])
|
||||
g = pbest[pbest_val.argmin()]
|
||||
for _ in range(iters):
|
||||
r1, r2 = np.random.rand(n, dim), np.random.rand(n, dim)
|
||||
v = w*v + c1*r1*(pbest - x) + c2*r2*(g - x)
|
||||
x = np.clip(x + v, lo, hi)
|
||||
vals = np.array([f(p) for p in x])
|
||||
mask = vals < pbest_val
|
||||
pbest[mask], pbest_val[mask] = x[mask], vals[mask]
|
||||
g = pbest[pbest_val.argmin()]
|
||||
return g, pbest_val.min()
|
||||
|
||||
---
|
||||
|
||||
- **과거 데이터와의 충돌:** 초기에는 생물학적 모사에 치중했으나, 이제는 이를 수학적으로 정교하게 모델링하여 클라우드 리소스 배분이나 다중 에이전트 강화학습(MARL)의 협력 전략 설계로 응용 영역이 넓어짐.
|
||||
- **정책 변화:** Antigravity 프로젝트는 다수의 에이전트가 지식을 병렬로 가드닝할 때, 서로 중복되지 않으면서도 최적의 탐색 순서를 결정하기 위해 집단 지능의 분산 협력 프로토콜을 시스템 기저에 도입함.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Complex Adaptive Systems, [[Robotics|Robotics]], [[Simulated-Annealing|Simulated-Annealing]], Self-Correction Mechanisms, [[Decision Theory|Decision Theory]]
|
||||
- **Modern Tech/Tools**: Swarm [[Robotics|Robotics]], Slime mold algorithms, Boids simulation.
|
||||
---
|
||||
|
||||
---
|
||||
|
||||
- [[Optimization-Algorithms|Optimization-Algorithms]], [[Robotics-Foundations|Robotics-Foundations]], [[Multi-agent-System|Multi-agent-System]]s-Best-Practices, [[Simulated-Annealing|Simulated-Annealing]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Swarm-Intelligence.md
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
best, val = pso(lambda x: np.sum(x**2), dim=10)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### ACO — TSP
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def aco_tsp(dist, n_ants=20, iters=100, alpha=1, beta=3, rho=0.1, Q=1):
|
||||
n = len(dist)
|
||||
tau = np.ones((n, n))
|
||||
eta = 1 / (dist + 1e-10)
|
||||
best_path, best_len = None, float('inf')
|
||||
for _ in range(iters):
|
||||
paths = []
|
||||
for _ in range(n_ants):
|
||||
path = [np.random.randint(n)]
|
||||
unvisited = set(range(n)) - {path[0]}
|
||||
while unvisited:
|
||||
i = path[-1]
|
||||
p = np.array([(tau[i,j]**alpha) * (eta[i,j]**beta) for j in unvisited])
|
||||
p /= p.sum()
|
||||
j = list(unvisited)[np.random.choice(len(unvisited), p=p)]
|
||||
path.append(j)
|
||||
unvisited.remove(j)
|
||||
paths.append(path)
|
||||
# update
|
||||
tau *= (1 - rho)
|
||||
for path in paths:
|
||||
length = sum(dist[path[i], path[i+1]] for i in range(n-1))
|
||||
if length < best_len:
|
||||
best_len, best_path = length, path
|
||||
for i in range(n-1):
|
||||
tau[path[i], path[i+1]] += Q / length
|
||||
return best_path, best_len
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### LLM agent swarm — CrewAI
|
||||
```python
|
||||
from crewai import Agent, Task, Crew
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
researcher = Agent(role="Researcher", goal="find facts",
|
||||
llm="claude-opus-4-7")
|
||||
critic = Agent(role="Critic", goal="poke holes",
|
||||
llm="claude-opus-4-7")
|
||||
synth = Agent(role="Synthesizer", goal="merge views",
|
||||
llm="claude-opus-4-7")
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
crew = Crew(
|
||||
agents=[researcher, critic, synth],
|
||||
tasks=[
|
||||
Task(description="research X", agent=researcher),
|
||||
Task(description="critique research", agent=critic),
|
||||
Task(description="synthesize", agent=synth),
|
||||
],
|
||||
process="sequential",
|
||||
)
|
||||
result = crew.kickoff()
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Boids — flocking simulation
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
def boids_step(pos, vel, sep_r=1, ali_r=3, coh_r=5, max_v=2):
|
||||
n = len(pos)
|
||||
new_vel = vel.copy()
|
||||
for i in range(n):
|
||||
d = np.linalg.norm(pos - pos[i], axis=1)
|
||||
sep = -np.sum((pos[d < sep_r] - pos[i]), axis=0)
|
||||
ali = np.mean(vel[(d < ali_r) & (d > 0)], axis=0) - vel[i] if ((d < ali_r) & (d > 0)).any() else 0
|
||||
coh = np.mean(pos[(d < coh_r) & (d > 0)], axis=0) - pos[i] if ((d < coh_r) & (d > 0)).any() else 0
|
||||
new_vel[i] += 0.5*sep + 0.3*ali + 0.2*coh
|
||||
speed = np.linalg.norm(new_vel[i])
|
||||
if speed > max_v:
|
||||
new_vel[i] = new_vel[i] / speed * max_v
|
||||
return pos + new_vel, new_vel
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Continuous optimization | PSO |
|
||||
| Combinatorial (TSP, scheduling) | ACO |
|
||||
| Multi-objective | NSGA-II / MOPSO |
|
||||
| LLM-based reasoning | Agent swarm (CrewAI) |
|
||||
| Convex problem | 매 swarm 의 X — gradient descent |
|
||||
|
||||
**기본값**: 매 PSO 의 continuous, 매 ACO 의 graph problems.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Metaheuristics]] · [[Multi-Agent Systems]]
|
||||
- 변형: [[Genetic Algorithms]] · [[Simulated Annealing]] · [[CMA-ES]]
|
||||
- 응용: [[Hyperparameter Tuning]] · [[Drone Swarms]] · [[Agent Frameworks]]
|
||||
- Adjacent: [[Emergence]] · [[Self-Organization]] · [[Stigmergy]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: black-box optimization, multi-agent reasoning, 매 gradient 의 unavailable.
|
||||
**언제 X**: convex / differentiable (use gradient methods), small discrete (use exact).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **No diversification**: 매 premature convergence — 매 inertia / mutation 의 tune.
|
||||
- **Wrong neighborhood topology**: 매 fully-connected 의 always 의 X — ring/star 의 try.
|
||||
- **Naive multi-LLM swarm**: 매 cost 의 N× — 매 token budget 의 monitor.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Kennedy & Eberhart 1995 PSO; Dorigo ACO; CrewAI 2026 docs).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — PSO, ACO, boids, LLM agent swarms |
|
||||
|
||||
Reference in New Issue
Block a user