Modelli di apprendimento nella vita artificiale

Sistemi Emergenti nei Modelli d'Apprendimento

Vito Francesco De Giuseppe

Abstract

I Sistemi viventi sono caratterizzati dalla capacità di interagire con l'ambiente che li circonda e da
questa interazione si forma la struttura che consente ai sistemi biologici di adattarsi all'ambiente.
In questo lavoro sono presentati i primi risultati del lavoro di sperimentazione sulla rilevazione di
fenomeni emergenti nella costituzione del Campo Cognitivo di un Agente artificiale, sulla base
della Teoria del Campo di Kurt Lewin e della Teoria dei Sistemi, attraverso l'uso di software di
simulazione dell'evoluzione biologica.
I primi risultati sembrano indicare come anche durante le simulazioni il fenomeno emergente
sembra essere paragonabile a quello che si evidenzia nei comportamenti umani durante le prime fasi
di sviluppo.

Keywords: Algoritmi Genetici, Artificial Life, Teoria del Campo, Teoria dei Sistemi, Sistemi
Emergenti,

Organizzazione della Conoscenza: Il Modello PIK

Gli agenti possono essere considerati come gli elementi che costruiscono la conoscenza.
Possiamo trovarci di fronte ad agenti che organizzano la conoscenza secondo modalità bottom-up
ed agenti che la organizzano secondo modelli top-down.
Osservando il modello TOGA (Gadomski ed altri, 2003), si è considerato un modello in cui un
elemento catalizzatore che definiremo Preferenza, con la quale indichiamo lo stato interno
dell'agente che apprende, ovvero la tensione verso l'informazione da un lato ed una competenza
dall'altro, che indicheremo con la lettera P, mette in relazione l'Informazione, che indicheremo con
la lettera I, e la conoscenza, indicata con la lettera K (Knowledge), nella quale verrà implementata
l'Informazione I. L'informazione crea un nuovo livello di Conoscenza K.
L’agente che sarà così delineato verrà definito PIK ed organizza la conoscenza secondo modalità
bottom-up.
I può essere collegato solo a K. P può essere collegato a I ed a K. Il vettore che collega I a K può
andare solo in questa direzione e non al contrario. P si collega ad I ed a K con un vettore
unidirezionale che va da K a questi due elementi e non può andare in direzione opposta.
P è l'unico elemento che può collegarsi ad entrambi. I non può collegarsi a nessun altro I,così come

1
K non po' essere legato ad un suo simile. Un I può essere collegato a più K.
Se proviamo a riportare con un diagramma quanto illustrato, otteniamo una figura topologicamente
definita (Fig. 1).

K
P P I
K

I K
I
P
K
P
I

I I
P P
K

I K
P

I
Fig. 1: Organizzazione della Conoscenza secondo il modello PIK

Se riduciamo il diagramma ai suoi elementi fondamentali, vale a dire P, I e K, otteniamo una figura
base a due dimensioni: un triangolo.
I vettori che collegano gli elementi danno vita ad un’organizzazione che assume una forma definita
nello spazio.

2
Affinché i tre fattori vengano uniti è necessario che i vettori formino angoli, di ampiezza differente
a seconda della posizione nello spazio bidimensionale (Fig. 2).

K
P

Fig 2. Una forma triangolare PIK

P I

K
I

P
Fig.3 Gli elementi P, I, K danno vita a tre triangoli PIK che hanno in comune un unico elemento K.

Se aumentiamo il numero di elementi il numero di triangoli aumenta, ma non in proporzione al

numero di elementi, poiché un unico elemento P può essere collegato a più elementi I e K.
La forma sarà più complessa a causa dell'iterazione della forma elementare di base, pur rimanendo

3
inalterate le regole che organizzano la struttura (Fig. 3).

I I
P
P
K

I K
P

Fig. 4: Aumentando il numero di elementi aumenta il numero di triangoli PIK.

I può essere condiviso tra più conoscenze. Anche nell'esperienza quotidiana troviamo che la stessa
identica informazione possa essere implementata in specifiche conoscenze, anche diverse, ma che
condividono la stessa informazione (Fig. 4).
Ad esempio le informazioni riguardanti il funzionamento di una cellula umana, fanno parte della
conoscenza di un Biologo e di un Medico.
Il Biologo ed il Medico sono agenti diversi con conoscenze diverse, ma condividono la stessa
informazione che dà vita a due conoscenze diverse, dalle quali scaturiscono abilità e competenze
differenti.
Anche P può condividere diverse I e K. Infatti sia il Biologo che il Medico possono avere
preferenze rispetto alla conoscenza del funzionamento della cellula umana e raccogliere
informazioni relative ad esso ed ampliare le proprie conoscenze riguardo il funzionamento di una
cellula umana.
Ogni K però rimarrà specifica, poiché la conoscenza del Medico e del Biologo rimarranno
specifiche.
Di conseguenza nessuna K potrà collegarsi a K, che rimarranno identitarie e specifiche, così come
ogni informazione è unica.
Rimanendo nell'esempio, l'informazione riguardante il funzionamento della cellula umana, non può
essere contemporaneamente quella riguardante il funzionamento di un automobile e viceversa.
Da ragionamento descritto possiamo formulare il principio che K (la Conoscenza) è funzione di P
(la Preferenza) ed I (Informazione), vale a dire:
K = f(P, I)

4
Un modello genetico del modello PIK
Quanto descritto finora è il tentativo di proporre in termini formali un modello di organizzazione
della conoscenza che descriva la relazione tra informazione, competenza e stato dell'agente che
apprende.
Proviamo ora a determinare l'evoluzione della conoscenza nel momento in cui l'agente viene
inserito in un ambiente, dove le informazioni si organizzano su base bottom-up, per ricostruire le
caratteristiche del Campo Cognitivo di un Agente, nei termini di fenomeni emergenti
dall’interazione delle informazioni acquisite, al fine di analizzare e, laddove fosse possibile, rilevare
un modello su come le informazioni possano strutturare il Campo Cognitivo, sulla base dei
paradigmi teorici della Teoria del Campo di Lewin e dei Sistemi Emergenti.

Teoria del Campo

Nella Teoria del Campo Lewin postula che quello che lui definisce Campo sia un insieme diverso
dalla semplice somma degli elementi che lo compongono e descrive come il Campo sia diviso in
Regioni e delimitato da un Confine.
Regioni e Confini sono mobili e come l'intero Campo tendono ad un equilibrio “quasi Stazionario”,
nel senso che sono sempre al limite di un cambiamento o di un passaggio da uno stato all'altro. Nel
Campo non esistono però spazi vuoti. Le Regioni identificano le tracce mnestiche dell'Agente e le
dimensioni ne determinano il peso nel Campo.
Sia Il Campo che le Regioni si sviluppano su più dimensioni e di conseguenza presentano più aree
di confine (Lewin, 1980).
Se si considera il Campo, così come definito da Lewin, si può pensare ad un Agente che modula
l'apprendimento in termini adattivi, ma secondo istanze che tendono a strutturare il Campo
dell'Agente stesso.

Teoria dei Sistemi

Per la Teoria dei Sistemi gli elementi che formano una struttura, un’organizzazione, formano una
configurazione con proprietà e problemi specifici, diversi da quelli degli elementi stessi.
Nella Teoria Generale dei Sistemi, l'emergenza è il fattore attraverso il quale i sistemi si
costituiscono.

Agente
Con Il termine di Agente indichiamo un sistema dotato di sensori, attraverso i quali percepisce
l’ambiente. L’elaborazione del dato percepito ha come conseguenza l’esecuzione di attività
applicate attraverso degli attuatori.
Questo comprende anche tutte quelle attività che hanno lo scopo di acquisire ulteriore conoscenza.
È questa la definizione di agente intelligente o razionale.
Se pensiamo ad un uomo, possiamo definire gli occhi e le orecchie come sensori, mentre gli arti
possono essere definiti attuatori.

5
Tra le varie classificazioni che si possono fare degli Agenti, che aumentano con l'incremento delle
implementazioni di nuovi modelli, troviamo quelle che fanno riferimento a (Gadmoski, Fontana,
2003) :

scopo ed obiettivo;

utilità;

apprendimento.

Le azioni e i comportamenti, adottati da un Agente sono regolati da scopi, cioè sono intrapresi ed
eseguiti facendo riferimento a una rappresentazione del loro esito e in funzione dello stesso.
In questa visione lo stato regolatore del comportamento e lo stato percepito sono due
rappresentazioni in cui la prima definisce l'azione attraverso cui l'individuo cerca di adeguare
l'ambiente, mentre la seconda è la rappresentazione che l'individuo tenta di adeguare all'ambiente.
Il primo riguarda lo scopo, il secondo le conoscenze (Castelfranchi, Miceli, 2002).
Tale teoria fa riferimento al modello TOTE (Pribram, Galanter e Miller, 1960), in cui lo scopo è uno
stato da raggiungere, un indice definito con il termine di “set-point”.
Il confronto tra lo stato regolatore, cioè il set-point, e lo stato percepito, non forniscono solo
informazioni sulla loro eventuale differenza, ma quali e quante sono le caratteristiche delle
differenze.
Questo fornisce all'individuo, perché sistema cognitivo, la mappa con cui orientare le proprie scelte
sull'adozione dell'azione più appropriata per risolvere un eventuale problema.

Agenti specifici ed Agenti aspecifici

Gli agenti specifici sono entità che raccolgono informazioni indirizzati, cioè raccolgono solo un cer-
to tipo di informazione, elaborano solo le caratteristiche specifiche ed attuano comportamenti con-
seguenti di tipo specifico, secondo modalità caratterizzanti.
Tale specificità è prodotta dalla tipologia dei sensori di cui sono dotati, che possono rilevare solo un
determinato input. La specificità non riguarda solo la qualità del dato, ma anche la quantità dei dati
in ingresso.
Nel caso di un soggetto umano, gli occhi ad esempio acquisiscono il dato visivo solo all'interno di
un range ben definito dello spettro elettromagnetico.
Il campo visivo è definito dalla posizione degli occhi e si possono mettere a fuoco solo gli oggetti
posti su una parte di esso. Ad esempio se mettiamo a fuoco gli oggetti sullo sfondo, si sfocano gli
oggetti in primo piano e viceversa.
La capacità elaborativa è a sua volta formata da elementi specifici ed elementi aspecifici. I primi
elaborano lo stimolo e le sue caratteristiche fisiche, i secondi quelle aspecifiche cioè comuni ai vari
inputs.La prima istanza alla quale risponde è quella dell'adattamento e per farlo l'agente ha bisogno
di acquisire informazioni. L'acquisizione di informazioni gli permette di costruire conoscenza,
intesa come struttura nella quale organizzare le informazioni acquisite.
Gli agenti astratti sono agenti totipotenziali, di struttura semplice, che è possibile assemblare insie-
mi ad altri e che vengono impiegati in iterazioni semplici, ma continue.

6
Artificial Life Learning: Sperimentazione
Nel tentativo di analizzare l'attività degli agenti con un approccio di tipo bottom-up, per ricostruire
le caratteristiche del sistema nei termini di fenomeni emergenti dall’interazione degli agenti, dove
gli agenti sono le informazioni e l'ambiente il Campo Cognitivo dell'Agente, è stata avviata una
sperimentazione sulla rilevazione di fenomeni emergenti nella costituzione del campo cognitivo di
un agente artificiale, attraverso l'uso di software di simulazione dell'evoluzione biologica.
Le informazioni sono considerate, quindi alla stregua di agenti, considerati come elementi
costituenti il sistema ambiente, il Campo Cognitivo, per valutare la possibilità di rilevare un grado
di complessità maggiore di quello mostrato ai livelli più bassi. Lo scopo non è quello di costruire un
algoritmo che descriva il comportamento del singolo agente, quanto utilizzare uno strumento che
evidenzi gli effetti delle interazioni della totalità degli agenti in un ambiente (Annunziato, Liberto,
Pannicelli, 2007).
Per costruire un modello evolutivo di tipo bottom-up abbiamo utilizzato un simulatore di vita
artificiale, nello specifico il software Avida, per simulare l'evoluzione di un Agente per vedere se
nell'organizzazione della conoscenza fosse possibile individuare un sistema emergente.
Con l'utilizzo del software abbiamo tentato di implementare il modello PIK in un modello che
attraverso un algoritmo genetico producesse un evoluzione del sistema.

Ipotesi sperimentale
Si è ipotizzata un'analogia tra gli amminoacidi che si aggregano per formare una molecola di DNA
e le informazioni che si aggregano per formare il Campo Cognitivo.
Sia il DNA che il Campo Cognitivo si costituiscono, si sviluppano e si evolvono sulla spinta delle
istanze adattive fornite dall'ambiente.
Se gli amminoacidi interagiscono per formare una Struttura complessa, si può ipotizzare che
informazioni semplici possano interagire per strutturare forme complesse.
Se i legami tra amminoacidi riproducono modelli di legame tra informazioni, la simulazione dei
legami degli amminoacidi rispecchierebbe quello delle informazioni, cioè si può simulare
l'evoluzione del Campo Cognitivo con un sistema che simuli l'evoluzione biologica di un genotipo.
Si è perciò pensato di utilizzare un Simulatore di Vita Artificiale che, attraverso l'utilizzo di
algoritimi genetici, simuli l'evoluzione del Campo Cognitivo di un Agente Artificiale durante il
processo di adattamento all'ambiente in cui è immerso.
L'informazione I è stata considerata alla stregua di un organismo cellulare che reagisce alla
vicinanza dei simili unendosi a questi, quando le caratteristiche sono tali da permettere la loro
unione. I sistemi prodotti dall'unione di cellule diventavano conoscenza K. Le K potevano dare vita
a due cellule figlie I.
Si è pensato di costruire un agente prendendo spunto dalle equazione di sviluppo genotipiche.
Le informazioni rispondevano a poche regole di interazione. Fondamentalmente le relazioni che
avevamo indicato nel modello PIK come linee vettoriali, in questo modello venivano sostituite da
colorazioni. Le informazioni si associavano per colore. Ogni colore rispecchiava una diversa
tipologia di informazione. L'associazione di più elementi colorati dava vita ad un cellula madre ed
una cellula madre si divideva in due cellule figlie. durante la divisione una piccola parte
dell'informazione poteva subire una lieve trasformazione. Si è inoltre posto un limite alla vita
dell'informazione, questo per simulare il fenomeno del decadimento mnemonico: quando un'agente
non utilizza un informazione per molto tempo quell'informazione decade fino a scomparire ed a non

7
essere più usata. In parole povere muore. abbiamo considerato un'informazione alla stregua di un
organismo che muore in seguito alla scarsità di cibo o per impossibilità di rispondere alle istanze
evolutive. In fondo se consideriamo l'adattamento un'applicazione di strategie che partono dalle
informazioni, possiamo considerare che se un'informazione non risulta essere più adatta allo scopo,
semplicemente non viene più usata e scompare dal repertorio cognitivo dell'agente, sostituita da
un'altra informazione.
Questo ripercorre esattamente lo schema evolutivo di un organismo, allorquando il suo
funzionamento non corrisponde adeguatamente agli stimoli ambientali, in termini d'adattamento
questo muore per inefficacia delle sue strategie ed il suo posto viene preso da un organismo che
invece risulta essere più efficace in termini di risposta agli stimoli ambientali.
Utilizzando lo stesso schema abbiamo pensato all'informazione come ad un organismo che agisce in
un ambiente, l'Agente che si modifica a secondo del numero di organismi e della loro interazione
dinamica.

Disegno Sperimentale
L'esperimento ha previsto una simulazione della durata di trenta minuti dell'evoluzione di un
Campo Cognitivo.
È stato utilizzato un software di simulazione dell'evoluzione biologica, con cui osservare come le
informazioni, interagendo tra di esse una volta acquisite, strutturano il campo cognitivo. Durante
l'osservazione il Campo Cognitivo è stato campionato, in momenti diversi della crescita e
dell'evoluzione.
È stato utilizzato un approccio bottom-up per osservare fenomeni emergenti.

Metodologia
La metodologia ha previsto un'elaborazione di trenta minuti totali con l'utilizzo di software di
simulazione dell'evoluzione biologica.
Sono stai dapprima Strutturati i dati e sono state date le regole d'interazione dei dati. Sono state
quindi create le regole d'iterazione dati per il processo di elaborazione.
Il software ha elaborato i dati in batch processing.
è stata quindi eseguita la Campionatura dell'evoluzione in tre momenti attraverso delle schermate
dell'elaborazione: t0, all'avvio; t1, dopo dieci minuti dall'avvio, t2, dopo venti minuti dall'avvio, t3
al termine del processo, al trentesimo minuto, in seguito all'arresto dell'elaborazione.

Strumenti
è stato impiegato un Computer Notebook Fujitsu-Siemens Amilo A con processore mobile AMD
Athlon Xp (tm) 1800+ ed una memoria RAM di 217,2 MB.
Il Sistema Operativo è stato l'Ubuntu 7.10 “Gutsy Gibbon” - versione x86 – e come software di
simulazione è stato utilizzato l' Avida Evolution Simulator.
L'Avida Evolution Simulator è un sistema auto-organizzante. Impiegato su piatteforme digitali nelle
ricerche sulla Vita Artificiale, è un mondo digitale che muta e si evolve.
Avida è impiegato in ricerche ed esperimenti sulle dinamiche evolutive e per lo studio di teorie
biologiche che non sono testabili in sistemi biologici reali.
In Avida gli organismi sono composti da un “corpo” che contiene un set di componenti. Tali

8
componenti sono:
La Memoria, cioè una sequenza di istruzioni che possono essere eseguite, copiate,
mutate, etc.
Un Puntatore dell'Istruzione (instruction pointer: IP) che indica il punto successivo in
cui l'istruzione deve essere eseguita.
Tre registri che possono essere usati dagli organismi per conservare le informazioni
che vengono manipolate. Il contenuto non è predefinito ed è a 32-bit intero.
Due Stacks (Pile di dati in cui l'estrazione dei dati segue un ordine inverso rispetto a
quello d'immissione) che sono usati per conservare i dati ottenuti dagli organismi
durante l'elaborazione. In teoria la loro capienza non ha limite, ma per comodità si
preferisce non superare superiore a 10.
Un Buffer di input ed uno di output, usati per ricevere informazioni e restituire i
risultati dell'elaborazione effettuata dagli organismi.
Un'Intestazione di Lettura (Read-Head), un'Intestazione di Scrittura (Write-Head), ed
un'Intestazione di Flusso (Flow-Head), impiegate come specifiche posizioni nella
Memoria della CPU.

Analisi dei Dati

t0: Momento Iniziale.
t0 è il momento in cui viene catturata la schermata all'avvio del programma di simulazione. Lo
spazio nero costituisce l'ambiente in cui l'agente è immerso. Il punto rosso indica che l'informazione
di cui l'agente è in possesso corrisponde al suo Campo Cognitivo.
Informazione e Campo Cognitivo coincidono.
L'agente ha un unica informazione: IO SONO QUI.
Nelle indicazioni laterali, il quadrato rosso rappresenta l'informazione, quello bianco il luogo di re-
sidenza dell'informazione che viene però cancellata e non si struttura nel Campo Cognitivo (Fig. 5).

Fig. 5: Schermata iniziale dell'Agente

9
t1: dopo 10 min. di elaborazione.
In t1 la Schermata catturata dopo 10' di elaborazione della simulazione.
Lo spazio bianco che rappresenta il Campo Cognitivo è diventato più ampio e le informazioni sono
diversificate e sono presenti in punti diversi del Campo, ma tutte verso le aree esterne .
L'agente ha più informazioni ed un Campo Cognitivo strutturato.
Nelle indicazioni laterali, i quadrati che indicano le informazioni sono aumentati per numero e si
diversificano in diversi colori, cioè si differenziano per caratteristiche (Fig.6).

Fig.6: Schermata t1 dell'Agente

t2: dopo 20 min. di elaborazione.

Schermata catturata dopo 20' di elaborazione della simulazione.
Lo spazio bianco, il Campo Cognitivo, è cresciuto relativamente poco.
Il Campo pesenta un numero maggiore di elementi (i quadrati bianchi). Si può sostenere che ora è
più articolato
I punti di aggregazione delle informazioni sono diminuiti e si presentano solo sulle aree esterne.
Quest'ultimo tratto si presenta con maggiore evidenza rispetto al momento t1.
Le informazioni si sono stabilizzate, per tipologia e numero (Fig.7).

10
 Fig.7: Schermata t2 dell'Agente

t3: dopo 30 min. di elaborazione. Termine dell'elaborazione.

Schermata catturata dopo 30' di elaborazione della simulazione.
Lo spazio bianco, il Campo Cognitivo, ha continuato a crescere con tempi costanti, ma più
lentamente che da t0 a t1, riuscendo comunque a coprire quasi l'intero ambiente.
Il Campo presenta un incremento dell'articolazione interna.
Le informazioni sono diversificate, come anche i punti di aggregazione che non si presentano solo
sulle aree esterne (Fig.8).

Fig.8: Schermata t3 dell'Agente

Percentuale di crescita del Campo Cognitivo

Il tasso di crescita del Campo Cognitivo non cresce significativamente tra t2 e t3 (Figg 9 e 10).

11
Fig.9: Crescita del Campo Cognitivo a t2

Fig.10: Crescita del Campo Cognitivo a t3

12
Numero di Informazioni presenti tra t1 e t3
Il numero di informazioni presenti nel Campo dimezzano nell'intervallo di tempo tra t1 e t3
(Figg.11 e 12).

Fig.11: Numero di informazioni Presenti nel Campo a t1

Fig.12: Numero di informazioni presenti nel Campo a t3

13
Tempi di Crescita del Campo Cognitivo tra t2 e t3
I tempi di crescita del Campo Cognitivo non cambiano significativamente nell'intervallo di tempo
tra t2 e t3 (Fig.13 e 14)

Fig.13: Tempo di Crescita del Campo a t2

Fig.14: Tempo di Crescita del Campo a t3

Risultati della Sperimentazione

Questa prima sperimentazione sembra confermare alcuni punti:

Un Agente acquisisce ed elabora più informazioni in un momento iniziale;

Questo sembra rispondere alla necessità dell'Agente di far crescere il proprio Campo
Cognitivo, poiché così si appropria di una maggior controllo rispetto ad una più ampia
superficie ambientale. Questa sembra essere una caratteristica tipica dell'adattamento;

In un primo momento il Centro del Campo si stabilizza e le informazioni presentano una più
facile aggregazione nelle aree periferiche, successivamente il Campo presenta nuove

14
 aggregazioni anche verso i punti più centrali, in concomitanza con una diversificazione delle
informazioni;

Il tempo di elaborazione non muta dopo una prima accelerazione ed assume una
caratteristica costante;

In un primo momento il Centro del Campo si stabilizza e le informazioni presentano una più
facile aggregazione nelle aree periferiche, successivamente il Campo presenta nuove
aggregazioni anche verso i punti più centrali, in concomitanza con una diversificazione delle
informazioni;

Il tempo di elaborazione non muta dopo una prima accelerazione ed assume una
caratteristica costante;

Le informazioni diminuiscono al passare del tempo: l'Agente satura la necessità di acquisire
nuove informazioni.

Il Campo diventa via via più articolato.

Inizialmente il numero di aggregazioni delle informazioni decresce verso una tendenza
stabile, per poi ripresentare un incremento delle aggregazioni ed una variazione delle
posizioni delle aggregazioni.

Conclusioni
Ad una prima lettura dei dati sperimentali si possono trarre solo poche conclusioni.
Il fenomeno emergente nella simulazione, potrebbe consentire di formulare un'ipotesi che sembra
riconducibile a due situazioni tipiche:

Il Bambino Che Apprende;

L'Adolescente.
Nella situazione del Bambino che Apprende, inizialmente, Il Campo Cognitivo dell'Agente
Artificiale si struttura secondo modalità e processi tipici del bambino che apprende, attraverso un
accentuata sensibilità alla raccolta di nuove informazioni che produce una massiccia aggregazione
delle informazioni, costituzione di nuove Regioni del Campo e diversificazione nella tipologia di
informazioni.
Dopo una prima accelerazione i tempi si stabilizzano.
Nella situazione dell'Adolescente, raggiunto un limite di soglia, nel momento in cui l'intero
ambiente entra a far parte del Campo Cognitivo, si manifesta un'altra volta una modalità
comportamentale caratterizzata dalla necessità di raccogliere ulteriori nuove informazioni per far
fronte alle nuove istanze che l'ambiente propone, in funzione dei mutamenti avvenuti all'interno del
sistema. In questa fase, si riscontra un incremento delle aggregazioni delle informazioni ed una
ulteriore capacità di strutturare ulteriori Regioni del Campo, nonché un ulteriore diversificazione
nella tipologia di informazioni. Questo seconda situazione sembra essere analoga a quella presente
nel periodo adolescenziale in cui si ristruttura il Campo Cognitivo per rimodularsi sulle nuove
istanze adattive.
La costituzione del Campo Cognitivo si modella presentando fenomeni emergenti non dissimili da
quelli rilevabili in una colonia di formiche, secondo quella che sembra essere una logica di sciame.
Al di là dei risultati innanzi descritti, la sperimentazione illustrata va considerata come l'inizio di un
progetto di studio che dovrà essere approfondito su intervalli temporali più ampi e con
strumentazioni più sofisticate.

15
Bibliografia

M. Annunziato, C. Liberto, A. Pannicelli. Modellazione ad agenti dei flussi passeggeri in una

stazione di trasporto metropolitano, 2007.
http://laral.istc.cnr.it/wiva3/atti/wiva3/presentazioni/BagnoliLioSguanci.pdf

A. M. Gadomski, F. Fontana, Agenti Cognitivi Semi-Intelligenti per Imprese Virtuali di e-Learning:

Applicazioni di Metodologia TOGA e Tecnologie Web Multimediali. Notizie AIIA – Periodico del-
l’Associazione Italiana per l’Intelligenza Artificiale, Anno XVI, N.1, pagine 66-72, 2003.

S. Johnson: La nuova scienza dei sistemi emergenti. Dalle colonie di insetti al cervello umano, dalle
città ai videogame e all'economia, dai movimenti di protesta ai network. Garzanti, 2004.

K. Lewin. Principi di psicologia topologica. Ediz. O/S, Firenze.1980

G.A. Miller, E. Galanter, K. H. Pribram. Plans and the structures of behaviour. New York, Holt
(1960). Tr. It. Piani e strutture del comportamento. Franco Angeli, Milano.1973.

Webgrafia:

http://devolab.cse.msu.edu/software/

http://it.wikipedia.org/wiki/Agente_intelligente

http://it.wikipedia.org/wiki/Algoritmo_genetico

http://it.wikipedia.org/wiki/DNA

http://it.wikipedia.org/wiki/Vita_artificiale

http://laral.istc.cnr.it/wiva3/atti/wiva3/presentazioni/BagnoÂliLioSguanci.pdf

http://sodaplay.com/

http://www.airs.it/AIRS/Associazione/associazione.htm

http://www.alife.org/links.html

http://www.his.atr.jp/~ray/tierra/

http://www.mitpressjournals.org/loi/artl?cookieSet=1

http://www.nobleape.com/sim/

16
http://www.psicopolis.com/Kurt/

http://www.stauffercom.com/evolve4/

17