Ricerc@Sapienza

Le meta-euristiche ispirate al comportamento di sistemi biologici presenti in natura sono adottate frequentemente nella risoluzione di problemi di ottimizzazione in diversi campi dell'ingegneria e non solo. Le strategie di computazione evolutiva sono infatti parte integrante di sistemi di Intelligenza Artificiale e Machine Learning, dove l'emergere del fenomeno "Big Data" pone nuove sfide in termini di gestione di risorse di memoria, dovute alla crescente numerosità dei dati da elaborare, come pure da un incremento della complessità dei singoli record nella base di dati a disposizione. Gli algoritmi evolutivi sequenziali in queste situazioni mostrano limitazioni importanti, sia dal punto di vista del tempo di esecuzione dell'intero processo di ottimizzazione, sia nella capacità di ricerca della soluzione ottima quando impiegati in una procedura di Big Data Mining. Un approccio ad evoluzione distribuita co-operativa, unitamente all'accelerazione in hardware delle operazioni a maggiore complessità computazionale, offre quindi l'opportunità di affrontare contemporaneamente le difficoltà che si riscontrano nel processo del Big Data Mining. Il progetto propone perciò lo sviluppo di un sistema di classificazione basato su un'innovativa strategia evolutiva distribuita che poggia le basi sulla co-operazione di entità atomiche dinamiche chiamate agenti, in grado di evolvere le proprie abilità di ricerca di regolarità nel problema di riferimento, sintetizzando progressivamente informazione di maggior qualità e accelerando in hardware dedicati come GPU e FPGA, le operazioni che definiscono il comportamento del singolo individuo del sistema multi-agente.