Artificial and Evolutionary IntelligenceModulo Artificial and Swarn Intelligence
Anno accademico 2026/2027 - Docente: MARIO FRANCESCO PAVONERisultati di apprendimento attesi
- Conoscenza e capacità di comprensione (knowledge and understanding): l'obiettivo del corso è quello di far acquisire conoscenze base e avanzate che consentano allo studente di comprendere i meccanismi chiave, teorici e applicativi di come gruppi di agenti intelligenti possano collaborare, apprendere e risolvere problemi complessi.
- Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): lo studente acquisirà le competenze necessarie per progettare e implementare sistemi multi-agente, applicare tecniche di apprendimento agli agenti, sviluppare soluzioni basate su Swarm Intelligence, analizzare sistemi complessi emergenti nonché adattare e trasferire conoscenze interdisciplinari.
- Autonomia di giudizio (making judgements): Attraverso esempi applicativi lo studente sarà in grado di elaborare e progettare autonomamente proprie soluzioni, al fine di sviluppare modelli in grado di risolvere problemi complessi.
- Abilità comunicative (communication skills): lo studente acquisirà capacità di descrivere e sviluppare modelli, algoritmi e simulazioni per problemi complessi del mondo reale, nonché capacità di argomentare e discutere scelte progettuali, confrontando approcci alternativi, in ambienti professionali.
- Capacità di apprendimento (learning skills): il corso si propone, come obiettivo, di fornire allo studente le necessarie metodologie teoriche e pratiche per poter affrontare e risolvere autonomamente nuove problematiche che dovessero sorgere durante l'attività progettuale tipica di un Laureato Magistrale.
Modalità di svolgimento dell'insegnamento
Le lezioni si svolgeranno con modalità frontale. Alcune specifiche lezioni potranno essere svolte in laboratorio.
Il corso può prevedere seminari tenuti da esperti esterni su argomenti correlati e d'attualità.
Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.
Prerequisiti richiesti
Frequenza lezioni
Contenuti del corso
Contenuti principali del corso:
- Complex Adaptive Systems
- Agent-Based Modeling
- Multi-Agent Systems
- Collective Decision Making
- Swarm Intelligence
- Emerging Directions
Testi di riferimento
- M. Mitchell, "Complexity: A Guided Tour", Oxford University Press, 2009
- S.F. Railsback, and V. Grimm, "Agent-Based and Individual-Based Modeling: A Practical Introduction (2nd ed.)", Princeton University Press, 2019
- U. Wilensky and W. Rand, “An introduction to Agent-Based Modeling: modeling, natural, social and engineered complex systems with NetLogo”, MIT Press, 2015
- M. Wooldridge, "An Introduction to MultiAgent Systems (2nd ed.)", John Wiley & Sons, 2009
- G. Weiss, “Multiagent Systems”, MIT Press, 2013
- J.H. Miller, and S.E. Page, "Complex Adaptive Systems: An Introduction to Computational Models of Social Life", Princeton University Press, 2007
- H. Iba, “Agent-Based Modeling and Simulation with Swarm”, CRC Press, 2013
- Eric Bonabeau, Marco Dorigo, and Guy Theraulaz, “Swarm Intelligence: From Natural to Artificial Systems”, Santa Fe Institute Studies on the Sciences of Complexity, 1999.
- K.S. Kaswan, J.S. Dhatterwal and A. Kumar, "Swarm Intelligence: An Approach from Natural to Artificial”, Wiley, 2023
Programmazione del corso
| Argomenti | Riferimenti testi | |
|---|---|---|
| 1 | Complex Systems and Emergent Intelligence: complex adaptive systems; self-organization; positive and negative feedback; adaptation; robustness and resilience; biological and artificial collective systems; emergent intelligence | cap. 1, 2, 12, 14, Melanie Mitchell, Complexity: A Guided Tour - cap. 1, 2, Bonabeau, Dorigo, Theraulaz, Swarm Intelligence: From Natural to Artificial Systems -Materiale fornito dal docente. |
| 2 | Agent-Based Modeling and Simulation: agent-based modeling (ABM); agents, environments, interactions; time and scheduling; cellular automata; agent-based simulation; emergence in agent populations; verification and validation of simulations | cap. 1-9, Railsback & Grimm Agent-Based and Individual-Based Modeling - Materiale fornito dal docente. |
| 3 | Multi-Agent Systems: intelligent agents; reactive and deliberative agents; agent architectures; communication protocols; coordination mechanisms; cooperation and competition; negotiation; distributed problem solving; task allocation; organizational structures. | cap. 1-9, Michael Wooldridge An Introduction to MultiAgent Systems (2nd Edition) - Materiale fornito dal docente. |
| 4 | Collective Decision Making: collective intelligence; collective decision making; consensus formation; rule dynamics; opinion dynamics; information cascades; influence and social contagion; wisdom of crowds; distributed consensus. | cap. 2, 4, 5, 8, 9, Miller & Page, Complex Adaptive Systems: An Introduction to Computational Models of Social Life - cap. 1, 4, James Surowiecki The Wisdom of Crowds - Materiale fornito dal docente. |
| 5 | Swarm Intelligence: Natural Swarms (ant colonies; bee colonies; flocking; schooling; stigmergy); Artificial Swarms (Ant Colony Optimization (ACO); Particle Swarm Optimization (PSO); Artificial Bee Colony (ABC)); Swarm engineering principles | cap. 3-6, Bonabeau, Dorigo, Theraulaz Swarm Intelligence: From Natural to Artificial Systems - cap. 1-8, Iba, “Agent-Based Modeling and Simulation with Swarm”, CRC Press, 2013. -Materiale fornito dal docente. |
| 6 | Emerging Directions in Collective Artificial Intelligence: human-agent collectives; digital societies; computational social systems; socio-technical systems; collective intelligence in online platforms; swarm systems and smart cities; ethical and societal implications of collective intelligent systems. | cap. 1, 2, 6, 7, Thomas Malone, Superminds - Materiale fornito dal docente. |
Verifica dell'apprendimento
Modalità di verifica dell'apprendimento
L'esame consiste delle seguenti tre prove:
1) PROVA SCRITTA: test a risposta multipla e/o aperta sugli argomenti oggetto del corso;
2) SVILUPPO PROGETTO PRATICO: sviluppare un modello ad agenti e/o un algoritmo swarm intelligence per la risoluzione e/o analisi di un dato sistema complesso.
3) COLLOQUIO ORALE: discussione orale su argomenti teorici del corso e sul progetto sviluppato.
Si noti che le tre prove sono da superare nell'ordine indicato. Il voto finale è ottenuto dalla media ponderata delle tre prove: 25%, 50% e 25%, rispettivamente.
Il voto complessivo della parte di laboratorio viene attribuito secondo il seguente schema:
- non approvato: lo studente non ha acquisito i concetti di base e non è in grado di svolgere almeno il 60% degli esercizi pratici (sviluppare un algoritmo di base);
- 18-24: lo studente dimostra una padronanza minima dei concetti di base, e capacità di implementare semplici algoritmi o di base;
- 25-27: lo studente dimostra una buona padronanza dei contenuti del corso, un buona conoscenza dei contenuti ed è in grado di implementare versioni più avanzate degli algoritmi trattati a lezione;
- 28-30 e lode: lo studente ha acquisito ottima padronanza di tutti i contenuti del corso ed è in grado di implementare efficienti e originali algoritmi trattati nel corso, anche di particolare complessità.
La verifica dell’apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo dovessero richiedere.
Gli studenti con disabilità e/o DSA dovranno contattare con sufficiente anticipo rispetto alla data dell'esame il docente, il referente CInAP del DMI e il CInAP per comunicare che intendono sostenere l'esame fruendo delle opportune misure compensative.
Per partecipare all'esame finale è necessario avere effettuato la prenotazione sul portale SmartEdu. Per eventuali problemi tecnici relativi alla prenotazione occorre rivolgersi alla Segreteria didattica.