Schwarmverhalten

Seit jeher war der Mensch fasziniert und zutiefst beeindruckt von abertausenden synchron blinkenden Glühwürmchen zur Sommerzeit oder der eleganten Bewegungsweise eines Schwarms von Fischen. Auf andere Weise beeindrucken komplizierte und als technisch ausgereift anmutende Bauten von verschiedenen staatenbildenden Insektenarten, deren Perfektion und Durchdachtheit man erst langsam beginnt zu begreifen.

Schwarmhafte Verhaltensweisen wie die genannten sind in der Biologie seit langem bekannt. Zunächst beispielsweise von Maeterlinck 1927 auf eher poetische Weise beschrieben, legte man in späteren Arbeiten viel Augenmerk auf die Mechanismen, welche sich Schwärme zunutze machen, um alltägliche, jedoch nichttriviale Probleme zu lösen, wie beispielsweise die effiziente Lokalisation und Ausbeutung von Nahrungsquellen. Hierbei stellte man überrascht fest, dass die Komplexität des beobachteten, emergenten Verhaltens des Schwarms oft in krassem Gegensatz zur relativen Einfachheit der Individuen steht, aus denen der Schwarm besteht. Das Gesamtsystem scheint mehr zu sein als die Summe seiner Teile. Während die Individuen nur zu relativ einfachen Verhaltensweisen in der Lage sind, zeigt der Schwarm höchst komplexes, flexibles und robustes Verhalten – man spricht von Schwarmintelligenz oder schlicht Schwarmverhalten. Es sei weiter erwähnt, dass emergentes komplexes Verhalten durch lokale Interaktion einfacher Bausteine nicht nur auf das Reich der Tiere beschränkt ist. Andere Arbeiten identifizieren vergleichbare Phänomene in verschiedenen Bereichen der Physik und Chemie.

In neuerer Zeit - insbesondere ermöglicht durch die kontinuierlich ansteigende Rechenkraft neu entwickelter Computertechnik – ist Schwarmverhalten nicht nur in der Natur zu beobachten, sondern auch zu synthetisieren. Exemplarisch seien hier die von Reynolds im Jahre 1987 publizierten, viel zitierten Boids genannt (Bild links): Boids sind rein synthetische Agenten, deren individuelles Verhalten auf wenigen, sehr einfachen Regeln basiert. Durch das Zusammenspiel dieser Agenten in einem Schwarm entsteht dann ein Verhalten, welches beispielsweise Vogelschwärmen in der Natur verblüffend ähnlich sieht - und gleichzeitig darstellt, wie einfach derartige Verhaltensweisen dezentral organisiert sein können, obwohl sie für den außenstehenden Betrachter den Anschein erwecken, als seien sie von einer zentralen Instanz gesteuert. Methoden aus dem Bereich der Schwarmintelligenz brachten seither Arbeiten in vielen Disziplinen hervor. Über dezentral gesteuerte Roboterschwärme, Routing von Datenverkehr in großen Kommunikationsnetzwerken bis hin zu idealisiertem synthetisiertem Schwarmverhalten, mit dessen Hilfe sinnvolle Lösungen für komplexe Optimierungsprobleme gefunden werden können, scheinen die Möglichkeiten unbegrenzt.

Populäre Verdienste wissenschaftlicher Arbeiten im Bereich des Schwarmverhaltens inspirierten dann Romanautoren zu Bestsellern: Auf der Seite des synthetisierten Schwarmverhaltens sei der Roman Prey von Michael Crichton genannt, in welchem das Verhalten von Schwärmen von Mikrorobotern außer Kontrolle gerät. Mehr durch die Biologie motiviert ist Frank Schätzings Roman Der Schwarm, der eine Bedrohung der Menschheit durch eine bisher unentdeckte, maritime Schwarmintelligenz beschreibt.

Weiter wachsende Rechenkraft ermöglicht schließlich die Synthese von Schwarmverhalten auf evolutionäre Weise: Man bildet Mechanismen der natürlichen Evolution nach, und lässt auf diese Weise künstliches Schwarmverhalten entstehen. Mittels moderner Computer- und Simulationstechnik ganze Evolutionen von Schwärmen durchführen zu können, eröffnet ganz neue Möglichkeiten. Allerdings sind künstliche Evolutionen von Schwärmen bis jetzt meist in signifikanter Art und Weise in ihrer Verhaltensentstehung beschränkt gewesen. Im Rahmen meiner Diplomarbeit "Verteilte, evolutionäre Optimierung von Schwärmen" sind einige dieser Beschränkungen zunächst identifiziert und ihnen anschließend begegnet worden, um umfangreichere, freiere Evolutionen zu erlauben.

Das Reich der Lebewesen ist auf jeder seiner Ebenen - vom hochentwickelten Organismus wie dem des Menschen bis auf die Ebene der Einzeller - geprägt von schwarmhaften Verhaltensweisen. Vielen dieser Verhaltensweisen ist gemein, dass die Komplexität des Verhaltens nicht etwa auf der Ebene des Individuums, sondern erst durch lokale Interaktionen zwischen den Individuen und ihrer Umwelt entsteht. Ein Schwarm muss für die Erzeugung solch komplexen Verhaltens also - im Vergleich zur Verhaltenskomplexität - nur aus simplen Individuen zusammengesetzt sein. Man spricht hier von der Emergenz komplexen Verhaltens – davon, dass das Ganze, wie bereits vorher angedeutet, mehr als die Summe seiner Teile ist.

Auf der Ebene der Mikroorganismen zeigen beispielsweise Kugelalgen (Volvox, Bild links) Schwarmverhalten: Sie erzeugen kugelartige Kolonien, welche aus tausenden individueller Zellen bestehen können, die die Oberfläche der Kugel bilden. Im Inneren der Kugel befindet sich eine von den Zellen erzeugte Gallerte. Anhand der Kolonien kann man einen mehrstufigen Vermehrungsvorgang beobachten. Die Kolonie selbst wächst durch Vermehrung auf Zellebene: Die einzelnen Zellen teilen sich, die Kugeloberfläche wächst. Vermehrung auf Kolonieebene findet hingegen durch spezialisierte Zellen auf der Kugeloberfläche statt, welche im Innenraum der Elternkolonie weitere Jungkolonien durch Zellteilung erzeugen. Sobald die Elternkolonie abstirbt, bricht ihre Kugelhülle auf und die Jungkolonien werden automatisch in die Freiheit entlassen. Zellkolonien wie diese können als Zwischenstufe zwischen einem Schwarm von Einzellern und einem Mehrzeller angesehen werden.

Äußerst ausgeprägte Formen von Schwarmverhalten zeigt das Reich der staatenbildenden Insekten - die Zahl der Mitglieder solcher Staaten kann je nach Spezies um viele Größenordnungen variieren. Diese Zusammenarbeit und Spezialisierung im Schwarm kann so weit gehen, dass der individuelle Organismus darüber seine Überlebensfähigkeit aufgibt. Nester der Ameisenart Myrmecocystus melliger können beispielsweise mehr als tausend Honigtöpfe enthalten: Honigtöpfe sind Ameisen, deren Kropf derart voll Honig gepumpt ist, dass ihr Hinterleib bis auf Erbsengröße anschwillt, so dass sie bewegungsunfähig als lebender Futterspeicher unter der Nestdecke hängen (Bild links).

Trotz so extremer, für die Lebensfähigkeit einzelner Individuen nachteiliger Spezialisierungen ist der Schwarm als Superorganismus in der Lage, komplexe Aufgaben zu bewältigen. Zu diesen gehört beispielsweise, Behausungen mit ausgeprägten Strukturen zu errichten, welche eine effiziente Verteidigung gegen Fressfeinde und verschiedene Klimazonen für die Brut sowie die Lagerung oder gar den Anbau von Nahrung ermöglichen. Da die Bewältigung solcher Aufgaben keiner zentralen Steuerung bedarf, erweist sie sich als flexibel und fehlertolerant.

Die Mitgliedschaft eines Individuums in einem Schwarm kann mit ganz unterschiedlichen Intensitäten der Individualitätsaufgabe verbunden sein. So sei als weiteres, weniger bis zur Invididualitätsaufgabe führendes Beispiel das Schwarmverhalten verschiedener Fischarten genannt: Die Individuen eines solchen Schwarms sind zwar durchaus alleine lebensfähig, allerdings ist durch die Mitgliedschaft im Schwarm ein gesteigerter Schutz vor Fressfeinden gegeben (Bild rechts).

Beobachtungen und Dokumentationen von Verhaltensweisen wie den oben beschriebenen dienen als Inspiration für Studien, die zum Ziel haben, ähnliche Verhaltensmerkmale – und die dadurch induzierten Vorteile – auf künstliche Systeme zu übertragen. Hierzu werden die Individuen eines Schwarms durch künstliche Agenten modelliert. Die folgenden Abschnitte sollen einen Überblick über verschiedene Pfade bieten, die diese Studien eingeschlagen haben. Hierbei soll mit der Betrachtung idealisierten Schwarmverhaltens begonnen werden, bei welchem die Individuen nur auf ein sehr einfaches Repertoire an Basisverhaltensweisen zurückgreifen können.

Algorithmen, die auf idealisiertem Schwarmverhalten basieren, finden mittlerweile erfolgreich als Metaheuristiken Anwendung, mit denen man versucht, sinnvolle Lösungen für komplexe Optimierungsprobleme zu finden. Explizit seien die beiden Optimierungsverfahren Particle Swarm Optimization (PSO) und Ant Colony Optimization (ACO) genannt.

Den PSO-Algorithmus haben wir im Rahmen des Textes Optimierungsverfahren und Designautomatisierung schon kennengelernt.

Der ACO-Algorithmus hingegen ist inspiriert von der Futtersuche nach Art der Ameisen: Ameisen beuten Futterquellen aus, indem eine Ameise, die Futter gefunden hat, von dort eine Spur von Duftstoffen (Pheromonen) zurück zum Nest legt. Dieser Pheromonspur können dann andere Ameisen vom Nest aus direkt folgen, und so ohne Suchaufwand helfen, die Futterquelle auszubeuten. Die vormals verschlungenen, zufällig anmutenden Suchpfade der Ameisen wandeln sich zu Pfaden, welche auf optimalerem Weg zum Futter führen. Mehr noch: Da auf kürzeren Wegen zu derselben Futterquelle öfter pro Zeit hin- und hergelaufen werden kann, werden evtl. gefundene kürzere Wege zum Futter stärker mit Pheromonen gekennzeichnet – und demzufolge automatisch bevorzugt. Diese Mechanismen bildet ACO nach und wendet sie auf graphenbasierte Optimierungsprobleme an.

Auch spezialisiertere Algorithmen als Metaheuristiken bauen auf idealisiertem Schwarmverhalten auf, wie beispielsweise schwarmbasierte Clusteringverfahren oder Algorithmen im Umfeld der Graphenpartition.

Im Rahmen der theoretischen Biologie wird versucht, in der Natur beobachtetes Schwarmverhalten direkt zu synthetisieren: Man leitet aus den Beobachtungen ein Verhaltensmodell für die einzelnen Individuen eines Schwarms ab, implementiert künstliche Individuen in Form von z.B. simulierten oder realen Robotern mit denselben Verhaltensregeln und überprüft, ob ein Schwarm dieser Individuen ähnliches Verhalten wie das natürliche Vorbild zeigt.

Hierbei kann von Interesse sein, Entscheidungsprozesse des Schwarms zu simulieren und zu analysieren: Auf welche Weise kommt der Superorganismus – aus vielen, sehr simplen Individuen mit jeweils lokaler Wahrnehmung bestehend – zu einer Ausschlussentscheidung, welche Futterquelle oder welcher neue Nistplatz genutzt werden soll oder auf welche Weise vorhandene Arbeit geteilt wird? Beispielsweise ist die Ameisenart Lasius niger dafür bekannt, solche Ausschlussentscheidungen zu treffen, weiterhin existieren Untersuchungen zu ähnlichen Ausschlussentscheidungen bei der Nistplatzsuche von Bienenschwärmen.

Außerdem bietet synthetisiertes Schwarmverhalten die Möglichkeit, das eigentlich beobachtete Verhalten in einen Kontext von abgeänderten Varianten seiner selbst¹⁾ zu setzen. So kann analysiert werden, welche beobachteten einzelnen Verhaltensmerkmale besonders zur Effizienz des Gesamtschwarms beitragen: Ein Beispiel hierfür findet sich in den Arbeiten von Kriegern et al, wo Robotern die Möglichkeit gegeben wurde, nach dem Vorbild verschiedener Ameisenvölker aktiv weitere Roboter zu rekrutieren, was die Effizienz in der Futtersuche erhöht hat.

Ein anderer Ansatz als Verhalten manuell zu implementieren oder nachzubilden ist, es evolutionär entstehen zu lassen. Hierbei kommen evolutionäre Algorithmen zum Einsatz, die Bereits im Vorgängerartikel Optimierungsverfahren und Designautomatisierung zusammen mit Arbeiten der evolutionären Robotik vorgestellt vorgestellt wurden. Als Beispiel aus dem Bereich des evolutionären Schwarmverhaltens wurde dort auch unser Projekt Beanbag Robotics erwähnt.

Dorigo et al. hingegen schufen einen Roboter Swarm-Bot, welcher seinerseits aus mehreren einzelnen autonomen Robotern (s-Bots), zusammengesetzt ist. Die s-Bots können sich mittels spezieller Aktorik aneinanderketten, so zu einem Swarm-Bot verschmelzen und u.a. durch Evolution lernen, verschiedene Aufgaben im Schwarm besser zu lösen als auf der Individualebene.

Lesen Sie weiter in Verteilte, evolutionäre Optimierung von Schwärmen, wie biologie-orientierte, freie Evolutionen von Schwarmverhalten durchgeführt werden.