La plupart des comportements collectifs naturels permettent à un groupe d’accomplir des tâches qu’un seul individu ne saurait atteindre¹ (coordination, visibilité à grande distance, intimidation des prédateurs, etc.). L’étude par les physiciens des motifs émergents liés au comportement collectif - même si elle est essentielle - a quelque peu occulté cette fonction primordiale alors que ces comportements “intelligents” trouvent diverses applications, notamment en robotique en essaim². En effet des centaines d’appareils simples et peu coûteux peuvent être déployés pour effectuer des tâches qu’un robot unique, même très perfectionné, ne saurait accomplir. C’est le cas par exemple de la recherche d’une cible dans un environnement complexe.

En étudiant le comportement collectif d’agents contrôlés par des réseaux de neurones simples, il a été observé qu’ils sont capables de trouver collectivement la solution de labyrinthes, alors même que la seule information partagée entre les agents est d’estimer la densité des autres agents:

Cependant, ce comportement n’est pas généralisable à tous les labyrinthes possibles, ce qui provient probablement du fait que, pour ces simulations, les poids du réseau de neurones de contrôle ont été ajustés à la main.

Dans ce stage il est proposé de faire évoluer les réseaux de neurones contrôlant une population d’agents afin de trouver automatquement des architectures capables de résoudre tous les labyrinthes, et ainsi démontrer que ce comportement intelligent peut émerger même lorsque la communication entre agents est réduite à son minimum. Pour cela des algorithmes évolutifs très proches de l’évolution naturelle seront employés^3,4.

Bibliographie

1.Ioannou, C. C. & Laskowski, K. L. A multi-scale review of the dynamics of collective behaviour: from rapid responses to ontogeny and evolution. Philos. Trans. R. Soc. Lond. B Biol. Sci.378, 20220059 (2023).

2.Schranz, M., Umlauft, M., Sende, M. & Elmenreich, W. Swarm Robotic Behaviors and Current Applications. Front Robot AI7, 36 (2020).

3.Stanley, K. O. & Miikkulainen, R. Evolving neural networks through augmenting topologies. Evol. Comput.10, 99–127 (2002).

4.Mattiussi, C. & Floreano, D. Analog genetic encoding for the evolution of circuits and networks. IEEE Trans. Evol. Comput.11, 596–607 (2007).