Муравьи — удивительные существа. Поодиночке они довольно примитивны и хаотичны, но вместе создают сложные структуры, находят кратчайшие пути к еде и строят мегаполисы. Этот феномен называется эмерджентностью (появлением нового качества).
Сегодня мы разберем, как создать модель поведения отдельного муравья, управляемого простой нейронной сетью, и запустить симуляцию в среде MATLAB. Наша цель — не использовать готовые алгоритмы оптимизации (ACO), а создать «живого» агента с нейро-мозгом.
Анатомия цифрового муравья
Чтобы смоделировать муравья, нам нужно определить его сенсоры (вход нейросети) и моторы (выход нейросети).
1. Сенсорная система (Входы)
У нашего виртуального муравья будет два «усика»-сенсора. Они сканируют пространство перед агентом на наличие феромонов (запахового следа, оставленного другими муравьями) или еды.
Обычно используется три точки сканирования относительно головы муравья:
Левый сенсор (S_L): Угол -30 градусов.
Центральный сенсор (S_C): Угол 0 градусов.
Правый сенсор (S_R): Угол +30 градусов.
Значения этих сенсоров (интенсивность запаха в данной точке карты) подаются на вход нейросети.
2. Нейросетевой контроллер (Мозг)
Поскольку задача муравья — просто двигаться в сторону еды или следа, нам не нужен глубокий трансформер. Достаточно простого перцептрона.
Архитектура сети:
Входной слой: 3 нейрона (сигналы с сенсоров).
Скрытый слой: 4-6 нейронов (для обработки нелинейностей). Функция активации — гиперболический тангенс (tanh) или сигмоида.
Выходной слой: 2 нейрона.
V: Линейная скорость (бежать быстро или медленно).
Delta \theta: Угловая скорость (повернуть влево или вправо).
3. Математика движения в MATLAB
В MATLAB мы не будем использовать сложные объекты. Муравей — это просто вектор координат.
Обновление позиции происходит по стандартной кинематической модели на каждом шаге времени t:
x_{t+1} = x_t + V \cdot \cos(\theta_t)
y_{t+1} = y_t + V \cdot \sin(\theta_t)
theta_{t+1} = \theta_t + \Delta \theta_{network}
Создание среды обитания (The World)
Среда в MATLAB — это обычная двумерная матрица. Нам понадобятся две карты:
Карта еды (FoodMap): Матрица, где 1 означает еду, 0 — пустоту.
Карта феромонов (PheromoneMap): Матрица типа double, где хранятся значения запаха.
Ключевая фишка — испарение. Чтобы муравьи не бегали по старым, уже неактуальным путям, феромоны должны исчезать. В MATLAB это реализуется одной строчкой матричного умножения на каждом такте симуляции:
PheromoneMap = PheromoneMap * 0.95;
Это означает, что на каждом шаге запах ослабевает на 5%.
Обучение: Как научить муравья быть умным?
Здесь кроется главная сложность. У нас нет «учителя», который скажет муравью: «Ты повернул направо, а надо было налево». Поэтому классический метод обратного распространения ошибки (Backpropagation) здесь не подходит.
Идеальный выбор для био-симуляций — Генетический алгоритм (Нейроэволюция).
Алгоритм действий:
Первичное население: Создаем 100 муравьев со случайными весами (W) нейросети.
Симуляция: Выпускаем их на карту на 1000 шагов.
Оценка (Fitness Function): Смотрим, кто из муравьев смог найти еду или подойти к ней ближе всех.
Селекция: Убиваем 50% худших (тех, кто просто крутился на месте).
Скрещивание и мутация: Лучшие муравьи «дают потомство». Мы берем веса их нейросетей, немного смешиваем и добавляем случайный шум (мутацию).
Повторение: Запускаем новое поколение.
Через 20-30 поколений вы увидите удивительную картину: муравьи перестанут бегать хаотично и начнут выстраиваться в четкие дорожки от гнезда к еде.
Реализация в MATLAB: Советы по коду
Поскольку MATLAB оптимизирован для матриц, старайтесь избегать циклов for при обновлении тысяч муравьев. Используйте векторизацию.
Вместо цикла по каждому муравью:
Matlab
% Плохо:
for i = 1:numAnts
ants(i).x = ants(i).x + speed;
end
Используйте матричные операции:
Matlab
% Хорошо:
% X - вектор X-координат всех муравьев сразу
% CosTheta - вектор косинусов углов всех муравьев
NewX = X + Speed .* CosTheta;
Для визуализации лучше всего использовать функцию imagesc для отрисовки карты феромонов (она работает очень быстро) и scatter для отображения самих агентов. Не забывайте команду drawnow limitrate для плавной анимации.
Почему это круто?
Создав такую модель, вы увидите, как из набора простых правил (3 сенсора + маленькая матрица весов) рождается сложное поведение.
Муравьи начнут:
Находить кратчайшие пути в обход препятствий.
Формировать устойчивые «магистрали».
«Забывать» источники еды, которые иссякли (благодаря испарению феромонов).
Это идеальный проект, чтобы понять, как работают нейросети за пределами классических задач классификации картинок, и почувствовать себя создателем цифровой жизни.