Ziellos scheinen die Mini-Roboter über den Laborfußboden zu irren. Ein paar Zentimeter rollen sie auf ihren Rädchen nach vorn, halten kurz inne, schlagen eine andere Richtung ein, um gleich darauf erneut den Kurs zu wechseln. So geht es im Zickzack hin und her – bis eines der spielzeughaften Gefährte auf ein paar Pokerchips trifft, bedruckt mit Barcodes wie im Supermarkt. Es scannt den Code, sackt einen Chip ein, liefert ihn an einer Sammelstelle ab und macht sich auf den Weg zurück zur Fundstelle. Auch die anderen Roboter, verständigt durch den Pionier, eilen herbei, um beim Auflesen der Pokerchips zu helfen.

Diese Szenerie spielt in einem Labor der Universität von New Mexico – und erinnert frappierend an Ameisen auf Futtersuche. Kein Zufall, denn immer mehr Forscher lassen sich von den raffinierten Strategien der Insekten inspirieren, etwa, wenn es darum geht, eine optimale Route zwischen zwei Punkten aufzuspüren. Mittlerweile kommen diese Ameisen-Algorithmen bei Fluggesellschaften, Logistikunternehmen und Internet-Konzernen zum Einsatz. In Zukunft sollen sie bei der Konstruktion von Automotoren helfen und Roboterschwärme auf fernen Planeten steuern.

Als Biologen in den Neunziger- jahren das Verhalten von Ameisenstaaten untersuchten, entdeckten sie etwas Verblüffendes: Haben die Tiere eine neue Futterstelle entdeckt, finden sie nach einiger Zeit fast immer den kürzesten Weg vom Nest zum Futter. Der Trick: „Hat eine Ameise Futter gefunden, hinterlässt sie auf dem Weg zum Nest eine Spur von Pheromonen, also Duftlockstoffen“, erklärt Ruby Moritz, Informatikerin an der Universität Leipzig. „Andere Ameisen riechen diese Spur und folgen ihr zur Futterquelle.“

Duftstoffe werden zu Zahlencodes

Allerdings wird diese Futterstelle oft unabhängig von mehreren Ameisen entdeckt. Jedes Tier markiert seinen Weg zurück zum Nest mit einer Pheromon-Spur. Manche nehmen dabei zufällig die kürzeste Strecke, andere laufen Umwege. Starten dann neue Ameisen vom Nest aus zum Futter, orientieren sie sich an den frischen Pheromon-Spuren. Die Tiere, die dabei den schnellsten Weg nehmen, sind kürzer unterwegs, also auch früher wieder zurück im Nest. „Dadurch wird auf den kurzen Wegen mehr Pheromon abgelagert“, sagt Moritz. „Diese pheromonreichen Pfade werden von den anderen Ameisen bevorzugt, und am Ende haben die Tiere den kürzesten Weg zum Futter gefunden.“

Eine simple Schwarm-Strategie. Dennoch ist sie für Informatiker von hohem Nutzen, und zwar als Basis für neuartige Computerprogramme. Das Prinzip: „Wir bilden das Verhalten der Ameisen im Rechner nach, wenn man so will programmieren wir digitale Ameisen“, sagt Jim Smith, Professor für künstliche Intelligenz an der Universität von Westengland in Bristol. „Jedes dieser Mini-Programme kann virtuelle Pheromone in Form von einfachen Zahlencodes hinterlassen.“

Ähnlich wie in der Natur erkennen andere Digital-Ameisen diese Zahlenspuren. Sie folgen ihnen und entscheiden sich zumeist für die stärkste Spur mit den meisten Zahlencodes. Nach einiger Zeit bildet sich ein Netz aus digitalen Pheromonen heraus, mit der kürzesten Route als Lösung.

Die Programme nehmen sogar Aufgaben in Angriff, die für andere Verfahren zu knifflig sind – etwa das berühmte Problem des Handlungsreisenden, der auf seiner Tour mehrere Städte abklappern soll und dafür die kürzestmögliche Route sucht. „Dazu bilden wir das Städte-Netzwerk in digitaler Form ab und lassen Dutzende von digitalen Ameisen alle Städte ablaufen“, erläutert Ruby Moritz. „Am Ende der Simulation kommt dann eine nahezu optimale Route heraus.“

Erste Firmen nutzen die Ameisen-Algorithmen bereits und optimieren Transportrouten, Flugpläne für Frachtflugzeuge oder die Einsatzplanung bei Logistikunternehmen. Auch fürs Internet sind diese Algorithmen interessant, wenn es darum geht, Informationspakete möglichst effizient über Datenleitungen zu schicken. „Startet man bei Google eine Suchanfrage, erreicht einen die Information oft nicht auf dem kürzesten Weg. Mit den Ameisen-Algorithmen lässt sich dieses Routing merklich verbessern“, sagt Jim Smith – und er ist sich sicher, dass Konzerne wie Google, Amazon und Facebook sie bereits einsetzen.

Sind jedoch große Datenmengen im Spiel, haben die Insekten-Programme noch ein Problem: Sie laufen relativ langsam. Deshalb versuchen die Experten nun, die Algorithmen schneller zu machen und auch die derzeit oft noch komplexe Bedienung der Programme zu vereinfachen. Ein weiterer Trend: Die Forscher tüfteln an einer neuen Generation von Ameisen-Algorithmen, die nicht nur eine einzige Größe optimieren, sondern mehrere gleichzeitig.

Suche nach dem optimalen Motor

„Will ich einen neuen Automotor konstruieren, wäre es natürlich toll, wenn er zugleich preiswert, spritsparend und leistungsstark wäre“, sagt Jonathan Fieldsend, Computerwissenschaftler an der Universität Exeter in England. „Das Problem dabei: Diese Eigenschaften widersprechen sich zum Teil.“ Gesucht wird also ein optimaler Kompromiss. Damit die virtuellen Ameisen diesen Weg finden können, muss der digitale Raum, den sie durchkämmen, gehörig erweitert werden.

Jede Konstruktionsgröße entspricht dabei einer eigenen Dimension. „Deshalb existieren unsere Ameisen im Gegensatz zu ihren natürlichen Vorbildern nicht in drei, sondern in deutlich mehr Dimensionen“, sagt Fieldsend. „So gibt es bei einem Automotor bis zu tausend verschiedene Parameter.“ Also müssten die digitalen Ameisen einen tausend-dimensionalen Raum durchforsten.

Um dabei einen brauchbaren Kompromiss zu finden, schalten die Experten Filter dazwischen, die den Digital-Ameisen während ihrer Suche regelmäßig auf die Fühler schauen und die Zwischenergebnisse nach „aussichtsreich“ und „wertlos“ sortieren. Ohne diese Filterfunktionen könnten die Ameisen in eine falsche Richtung krabbeln und am Ende völlig unbrauchbare, womöglich absurde Ergebnisse produzieren.

Noch stehen solche sogenannten multikriteriellen Ansätze am Anfang. Doch gelingt es den Forschern, sie zur Anwendungsreife zu bringen, könnten sie künftig nicht nur die Entwicklung von Motoren und Maschinen beflügeln, sondern auch versteckte Infos aus statistischen Datensätzen zutage fördern. Und – woran man im Labor in New Mexico bereits tüftelt – eines Tages Schwärme von Rettungsrobotern und Planetensonden steuern.