
Systèmes où des groupes apprennent ou s'adaptent par des interactions simples sans contrôle central.L'apprentissage collectif émergent désigne le phénomène par lequel un groupe d'agents simples, chacun suivant des règles de base, s'adapte ou apprend collectivement à résoudre des problèmes sans contrôleur central. On l'observe dans des systèmes naturels comme les colonies de fourmis, les volées d'oiseaux, et même dans des systèmes artificiels comme les essaims de robots. Le comportement du groupe est plus complexe que la somme de ses parties, et l'apprentissage émerge des interactions locales.
Le concept a gagné en popularité dans les années 1980 et 1990 avec l'avènement de la recherche sur l'intelligence en essaim, notamment grâce aux travaux sur l'optimisation par colonies de fourmis de Marco Dorigo et sur le comportement de volée de Craig Reynolds.
Chaque agent du groupe suit des règles simples basées sur des informations locales, telles que les positions ou les états de ses voisins. Par des interactions répétées, le groupe dans son ensemble peut manifester des comportements adaptatifs, comme trouver le chemin le plus court vers une source de nourriture ou éviter des obstacles. Cela est souvent modélisé à l'aide d'apprentissage par renforcement ou d'algorithmes évolutionnaires, où la performance collective du groupe s'améliore au fil du temps sans qu'aucun agent individuel n'ait une vue globale.
L'apprentissage collectif émergent est utilisé en robotique pour créer des essaims de drones capables de rechercher des survivants dans des zones sinistrées ou de cartographier des environnements inconnus sans commandement central.
Dans un essaim de robots, si un robot apprend un nouveau comportement, il peut se propager dans le groupe comme un 'mème', même si aucun robot n'a de connexion directe avec tous les autres.











