Artificial and Evolutionary Intelligence

Modulo Artificial and Swarn Intelligence

Il corso esplora le nuove frontiere dell’intelligenza artificiale distribuita e auto-organizzata, focalizzandosi su agenti intelligenti e ispirati al comportamento collettivo naturale. Attraverso un approccio interdisciplinare, l’obiettivo del corso è quello di fornire una comprensione teorica e pratica di come progettare, modellare e analizzare sistemi intelligenti composti da molteplici entità autonome che interagiscono e apprendono per raggiungere obiettivi comuni. In particolare, il corso si focalizza su due principali tematiche: 1) analizzare come agenti artificiali possano apprendere individualmente o in collaborazione, prendere decisioni autonome, e risolvere problemi in ambienti dinamici e incerti; 2) esaminare le dinamiche del comportamento collettivo di organismi naturali per progettare algoritmi robusti, flessibili e scalabili che trovano ampie applicazioni in diversi settori come, ad esempio, reti e comunicazione; sistemi urbani e smart cities; mercati e finanza; analisi sociale e comportamentale; etc.

1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
   

Le lezioni si svolgeranno in modalità frontale. Alcune specifiche lezioni potranno essere svolte in laboratorio.

Il corso può inoltre 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.

1.     Agent-based models

2.     Agent-based models as Recursive Systems

3.     Agents’ behavior and learning

4.     Agent-based models in complex systems

5.     Swarm Intelligence and Collective Behaviors

6.     Foundations of Swarm Intelligence

7.     Swarm and Collective Intelligence

8.     Algorithms of Swarm Intelligence

9.     Applications of Swarm Intelligence

- M. Sotomayor, D.Perez-Castrillo and F. Castiglione, “Complex Social and Behavioral Systems: game theory and agent-based models”, Springer, 2020 (part II)

- U. Wilensky and W. Rand, “An introduction to Agent-Based Modeling: modeling, natural, social and engineered complex systems with NetLogo”, MIT Press, 2015

- D. Delli Gatti, G. Fagiolo, M. Gallegati, M. Richiardi and A. Russo, “Agent-Based Models in Economics”, Cambridge University Press, 2018

- G. Weiss, “Multiagent Systems”, MIT Press, 2013

- 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

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 di 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 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.