V očích kybernetiků, jejichž prací je vypreparovat z nejrůznějších procesů pouze formální kostru logických vztahů, jsou si sítě mravenčích i lidských cest až překvapivě podobné. Nová zkoumání chování jihoamerických mravenců by mohla v budoucnu vést k efektivnějším telefonickým či logistickým sítím.

Kolonie mravenců je pravděpodobně tím posledním místem, na němž by většina z nás čekala setkání s matematickým géniem. Australským biologům Chrisu Reidovi a Madelaine Beekhamové z univerzity v Sydney se ve spolupráci s Davidem Sumpterem z univerzity ve švédské Uppsale však tato velmi nepravděpodobná věc poštěstila.

Díky své vlastní »mravenčí« práci se jim podařilo udělat další krok k porozumění toho, jak jsou tito drobní tvorové schopní řešit složité optimalizační problémy. Lidé se od nich mohou ledascos přiučit!

Mravenci na výzvědách

Systém vyhledávání cest ke zdrojům potravy se u asi 3 mm dlouhého mravence argentinského (Linepithema humile), s nímž Australané pracovali, nijak výrazně neliší od jiných mravenčích druhů.

Okolí mraveniště je obklopeno sítí »vyzvědačů«. Když se některému z nich podaří narazit na potravu, začne na své zpáteční cestě do mraveniště trousit feromonové značky. Jeho kolegové, kteří se touto cestou vydají, přidávají k původní chemické stopě další a síla stopy se tak zesiluje.

Feromon však postupně vyprchává, a delší cesty tak přirozeně nesou slabší feromonovou stopu než cesty kratší. Mravenci je proto opustí snadněji než cesty kratší.  Tímto způsobem vzniká v okolí mraveniště velmi spletitá síť potenciálních cest, jimiž se mohou mravenci ke zdrojům vydávat.

Vědci dlouho vědí, že mravenci jsou v této schopnosti velmi dobří. „Podíváme se, jak jsou na tom mravenci se svou schopností inovace,“ řekl si Chris Reid se svými kolegy a rozhodli se mravence otestovat.

Problém Hanojských věží

Řešitelské schopnosti mravenců při hledání ideální cesty se Reid se svými kolegy rozhodl testovat prostřednictvím logické hádanky známé jako »Hanojské věže«.

V tomto běžném hlavolamu jsou na tři tyčinky navlečeny kroužky různé velikosti. Úkolem řešitele je srovnat je od nejmenší po největší, nikdy však nesmí zvednout více než dvě najednou a větší kroužek nikdy nesmí přijít na menší.

Způsobů, jak dosáhnout kýženého výsledku, je vždy několik, jen jedna cesta je však nejkratší. Mravenci pochopitelně neskládali kroužky, ale řešili analogický problém. Ve změti cest v umělém bludišti, které pro ně vědci přichystali, měli najít dvě z nich, které představovaly ideální řešení. Při celkovém počtu 32 768 různých možností to jistě nebyl snadný úkol!

Hodina na ideální výsledek

Vědci pracovali pro srovnání s 12 mravenčími koloniemi. Na druhou stranu bludiště připravili každé z nich zdroj potravy a poté dali šestinohým průzkumníkům hodinu na to, aby úkol vyřešili.

Mravenci pracovali s až dech vyrážející přesností. Během hodiny dosáhla celková efektivita všech kolonií při hledání alespoň jedné ze dvou cest celých 83 %! Při druhém pokusu pak vědci »přitlačili na pilu« a sledovali, jak si mravenci poradí s proměnou prostředí – nejkratší cestu jim přehradili.

Během další hodiny byli hmyzí průzkumníci úspěšní dokonce na 86 %! Tuto ohromující efektivitu přičítají vědci tomu, že mravenci dokážou »číst« feromonovou stopu různými způsoby za pomoc vlastního vnitřního kompasu a také odometru, tedy jakéhosi čidla k měření intenzity vůně.

Právě z napodobení těchto schopností by podle Reida a jeho kolegů mohli těžit autoři budoucích algoritmů, jejichž úkolem je optimalizovat komunikaci.

Virtuální mravenci v síti

Hledání nejkratší cesty skrze komplikovanou síť komunikací představuje poměrně běžný typ výzvy i pro lidské inženýry, např. v oblastech zásobování či telekomunikací. K vyřešení optimalizačního problému se počítačoví specialisté, kteří pracují na ideálních algoritmech, inspirují u přírody již delší dobu.

Jedním z nejpopulárnějších způsobů, který byl na scénu uveden již v roce 1992 italským badatelem v oboru umělé inteligence Marcem Doringem, dokonce nese název »algoritmy mravenčí kolonie« (ACO). Od té doby se kybernetici snaží tyto metody stále vylepšovat.

Jejich cílem je co nejlépe napodobit skutečný svět, v němž se neustále mění podmínky a schopnost inovovat a učit se je nejdůležitější vlastností pro přežití.