Complex Collec*ve Behaviors Emerge from Simple Algorithms - PowerPoint PPT Presentation

Complex ¡Collec*ve ¡Behaviors ¡Emerge ¡ from ¡Simple ¡Algorithms ¡ in ¡T ¡cells, ¡Ants ¡& ¡Robot ¡Swarms ¡ Melanie ¡E. ¡Moses ¡ Associate ¡Professor ¡of ¡Computer ¡Science ¡& ¡Biology ¡ University ¡of ¡New ¡Mexico ¡ External ¡Faculty, ¡Santa ¡Fe ¡Ins*tute ¡ ¡ ¡ ¡ BDA ¡Workshop, ¡PODC ¡July ¡25 ¡2016 ¡

Decentralized ¡Collec*ve ¡Search ¡Strategies ¡ hTp://www.wed-­‑lock.co.za/wp-­‑content/uploads/2013/02/3D-­‑Render-­‑of-­‑ hTp://entnemdept.ufl.edu/creatures/urban/ants/ the-­‑human-­‑immune-­‑system.jpeg ¡ harvester_ant03.jpg ¡ How ¡do ¡effec*ve ¡search ¡strategies ¡emerge ¡from ¡interac*ons ¡among ¡agents ¡ ¡ and ¡between ¡agents ¡and ¡their ¡environment? ¡

Why ¡Flexibility? ¡ hTps://www.ted.com/talks/chris_urmson_how_a_driverless_car_sees_the_road?language=en ¡

Why ¡Swarms? ¡ CoCoRo ¡ ¡ Collec*ve ¡Cogni*ve ¡Robo*cs ¡project ¡ GRASP ¡Lab ¡ hTp://cocoro.uni-­‑graz.at/drupal/ ¡ ¡ gizmag.com/grasp-­‑nano-­‑quadrotor-­‑robots-­‑swarm/21302/ ¡ iAnts ¡ Moses ¡Biological ¡Computa*on ¡Lab ¡@ ¡UNM ¡ Swarmanoid ¡ kilobots ¡ ¡ eecs.harvard.edu/ssr/projects/progSA/kilobot.html ¡ iridia.ulb.ac.be/~mdorigo/ ¡ ¡ ¡

Why ¡Swarms? ¡ unimelb.edu.au/sciencecommunica*on/ 2014/09/06/birdphysics/ ¡ Flexible ¡ in ¡mul*ple ¡environments ¡ Robust ¡ to ¡individual ¡failure ¡and ¡error ¡ Scalable ¡to ¡large ¡swarm ¡sizes ¡ hTp://www.wired.com/2013/03/powers-­‑of-­‑ swarms/ ¡ ¡ Simple ¡Rules ¡ govern ¡interac*ons ¡among ¡agents ¡& ¡with ¡environment ¡ Efficient ¡& ¡Effec8ve ¡ for ¡spa*ally ¡distributed ¡tasks ¡ Ants: ¡most ¡ecologically ¡successful ¡foragers ¡ on ¡earth ¡ hTp://birdernaturalist.blogspot.com/2011/09/ versifier.co.uk/archives/342 ¡ hTps://www.youtube.com/watch?v=kZmt8ocThqs ¡ army-­‑ant-­‑horror-­‑show-­‑at-­‑cristalino.html ¡

Focus ¡on ¡Collec*ve ¡Foraging ¡ ¡ ¡ • Search ¡problems ¡are ¡ubiquitous ¡in ¡biology ¡and ¡computer ¡science ¡ • Search ¡for ¡targets ¡distributed ¡in ¡space ¡ – Distributed ¡algorithms ¡on ¡dispersed ¡agents ¡increases ¡search ¡efficiency ¡ – Efficiency ¡of ¡search ¡depends ¡on ¡target ¡distribu*on ¡ – Requires ¡environmental ¡interac*on ¡ – May ¡require ¡retrieval ¡and ¡collec*on ¡to ¡a ¡central ¡loca*on ¡ • Collec*ve ¡Search ¡in ¡robo*cs ¡ – Applica*ons: ¡search ¡& ¡rescue, ¡waste ¡clean ¡up, ¡explora*on, ¡monitoring ¡ – noise, ¡stochas*city, ¡error ¡ – balance ¡spa*al ¡extent ¡vs ¡thoroughness ¡ • explore ¡vs ¡exploit ¡tradeoff ¡

Flexibility ¡in ¡Mul*ple ¡Environments ¡ T ¡cells ¡in ¡Lymph ¡Nodes ¡vs ¡Lung ¡ Search ¡for ¡Dendri8c ¡Cells ¡in ¡Lymph ¡Node ¡ Search ¡for ¡Infec8on ¡in ¡Lung ¡

Flexibility ¡in ¡Mul*ple ¡Environments ¡ 14,000 ¡ant ¡species ¡in ¡diverse ¡habitats ¡

Flexibility ¡in ¡Mul*ple ¡Environments ¡ Robots ¡collect ¡from ¡different ¡target ¡distribu*ons ¡ (a) Clustered (b) Power law (c) Random

Complexity ¡Emerges ¡from ¡Simple ¡Algorithms ¡ ¡ in ¡Complex ¡Environments ¡ Ants ¡interact ¡with ¡ • Targets ¡ – seeds ¡ • Chemical ¡Cues ¡ – Pheromones ¡ • Structural ¡Features ¡ – habitat ¡ • Each ¡other ¡ – signaling ¡ – contact ¡rate ¡sensing ¡ – figh*ng ¡

Complexity ¡Emerges ¡from ¡Simple ¡Algorithms ¡ ¡ in ¡Complex ¡Environments ¡ Ants ¡interact ¡with ¡ • Targets ¡ – seeds ¡ • Chemical ¡Cues ¡ – Pheromones ¡ • Structural ¡Features ¡ – habitat ¡ • Each ¡other ¡ – signaling ¡ – contact ¡rate ¡sensing ¡ – figh*ng ¡

Complexity ¡Emerges ¡from ¡Simple ¡Algorithms ¡ ¡ in ¡Complex ¡Environments ¡ Ants ¡interact ¡with ¡ • Targets ¡ – seeds ¡ • Chemical ¡Cues ¡ – Pheromones ¡ • Structural ¡Features ¡ – habitat ¡ • Each ¡other ¡ – signaling ¡ – contact ¡rate ¡sensing ¡ – figh*ng ¡

Complexity ¡Emerges ¡from ¡Simple ¡Algorithms ¡ ¡ in ¡Complex ¡Environments ¡ Ants ¡interact ¡with ¡ • Targets ¡ – seeds ¡ • Chemical ¡Cues ¡ – Pheromones ¡ • Structural ¡Features ¡ – habitat ¡ • Each ¡other ¡ – signaling ¡ – contact ¡rate ¡sensing ¡ – figh*ng ¡

Scalable, ¡Flexible, ¡Robust ¡Foraging ¡ ¡ from ¡a ¡simple ¡repertoire ¡of ¡behaviors ¡ ¡ Count ¡ ¡Movement ¡ Balances ¡search ¡ Assess ¡seed ¡pile ¡density thoroughness ¡vs ¡extent ¡ ¡ ¡ ¡ ¡ ¡ Remember ¡& ¡Return ¡ ¡ Site ¡Fidelity ¡ ¡ Communicate ¡ Pheromones ¡

Central ¡Place ¡Foraging ¡Model ¡ ¡ [Fla11, ¡Fla13,Let13] ¡

Foraging ¡success ¡depends ¡on ¡ ¡ Interac*ons ¡among ¡behaviors ¡& ¡environment ¡ Lay ¡pheromone ¡ ¡ Whenever ¡I ¡find ¡a ¡seed ¡ Lay ¡pheromone ¡ Only ¡if ¡count ¡> ¡5 ¡ ¡ Appropriate ¡communica*on ¡depends ¡ on ¡what ¡is ¡sensed ¡in ¡the ¡environment ¡

Foraging ¡success ¡depends ¡on ¡ ¡ interac*ons ¡among ¡behaviors ¡& ¡environment ¡ Informed ¡ ¡ Movement ¡balances ¡the ¡extensiveness ¡and ¡ START ¡ thoroughness ¡of ¡search ¡ Walk ¡ END ¡ Aner ¡returning ¡via ¡site ¡fidelity ¡or ¡ ¡ following ¡a ¡pheromone ¡trail ¡ ¡ Turn ¡oKen ¡to ¡search ¡thoroughly ¡ START ¡ Uninformed ¡ ¡ Walk ¡ When ¡searching ¡at ¡random, ¡ ¡ END ¡ walk ¡straight ¡to ¡search ¡widely ¡ Appropriate ¡movement ¡depends ¡on ¡what ¡ has ¡been ¡communicated ¡& ¡remembered ¡

Central ¡Place ¡Foraging ¡Algorithm ¡(CPFA) ¡ Algorithm 1 Central-Place Foraging Algorithm 1: Disperse from nest to random location 2: while experiment running do 3: Conduct uninformed correlated random walk 4: if resource found then 5: Collect resource 6: Count number of resources c near current location l f 7: Return to nest with resource 8: if Pois ( c , λ lp ) > U ( 0 , 1 ) then 9: Lay pheromone to l f 10: end if 11: if Pois ( c , λ s f ) > U ( 0 , 1 ) then 12: Return to l f 13: Conduct informed correlated random walk 14: else if pheromone found then 15: Travel to pheromone location l p 16: Conduct informed correlated random walk 17: else 18: Choose new random location 19: end if 20: end if 21: end while GA ¡tunes ¡CPFA ¡parameters ¡to ¡specific ¡environments: ¡ Behavioral ¡strategies ¡are ¡evolved ¡from ¡a ¡repertoire ¡of ¡behavioral ¡primi*ves ¡ [HecSI15] ¡

¡ GA-­‑evolved ¡CPFA ¡ 7 ¡CPFA ¡parameters ¡( real-­‑valued, ¡interact ) ¡ ¡ Parameter Initialization Function Description U ( 0 , 1 ) p s Probability of switching to searching U ( 0 , 1 ) p r Probability of returning to nest ω U ( 0 , 4 π ) Uninformed search variation λ id exp ( 5 ) Rate of informed search decay λ sf U ( 0 , 20 ) Rate of site fidelity U ( 0 , 20 ) λ lp Rate of laying pheromone λ pd exp ( 10 ) Rate of pheromone decay θ t = N ( θ t − 1 , ω ) • Uninformed ¡robots ¡use ¡a ¡Correlated ¡Random ¡Walk: ¡ σ = ω + ( 4 π − ω ) e − λ id t • Informed ¡robots ¡use ¡a ¡less ¡correlated ¡CRW: ¡ ⌊ c ⌋ λ i • Informa*on ¡decisions ¡governed ¡by ¡a ¡Poisson ¡CDF: ¡ P OIS ( c , λ ) = e − λ ∑ i ! -­‑ Robots ¡return ¡to ¡loca*on ¡of ¡discovered ¡resource ¡if ¡the ¡ i = 0 count ¡of ¡nearby ¡resources ¡ c ¡is ¡large ¡ -­‑ Robots ¡can ¡use ¡memory ¡(site ¡fidelity, ¡ λ ¡= ¡ λ sf ) ¡or ¡communica*on ¡ (pheromone-­‑like ¡waypoints, ¡ λ ¡= ¡ λ lp ) ¡ • Pheromone ¡waypoints ¡decay ¡exponen*ally ¡over ¡*me: ¡ γ = e − λ pd t