Las hormigas dejan a su paso un rastro de feromonas, lo que permite al resto del hormiguero seguir la misma ruta. Rutas más cortas al nido permiten un paso más frecuente de hormigas: en consecuencia, acumulan mayor rastro de feromonas y quedan reforzadas positivamente frente a las otras rutas. Esto permite a la comunidad de hormigas hallar un camino muy corto.

Este es un ejemplo de la inteligencia de enjambre de comportamientos colectivos de animales como las hormigas, las abejas o las termitas, que inspira desarrollos de inteligencia artificial. De hecho, la técnica ACO (del inglés 'ant colony optimization') se basa en la forma en que las hormigas encuentran caminos cortos y tiene aplicaciones en logística, investigación médica o bioinformática.

Un grupo de científicos del Instituto de Investigación en Inteligencia Artificial del CSIC (IIIA-CSIC) ha mejorado la técnica ACO inspirándose en las hormigas faraón. Christian Blum, científico del IIIA-CSIC que ha dirigido el trabajo, explicó que "el tipo de aprendizaje usado en ACO se limita a aprender de ejemplos positivos. Sin embargo, aprender de ejemplos negativos parece jugar un papel importante en sistemas biológicos autoorganizados".

En el estudio, los científicos han modificado el algoritmo ACO para que incorpore el aprendizaje basado en ejemplos negativos. "El aprendizaje negativo complementa el positivo, que sigue siendo el más importante. Pero en nuestro artículo mostramos que los dos juntos resultan en un algoritmo superior", aseguró Blum.

Si en la naturaleza las hormigas se guían, de forma probabilista, por las feromonas que hallan en cada trozo de camino, en los algoritmos esas feromonas equivaldrían a valores numéricos que están en los componentes de las posibles soluciones. Y al igual que las feromonas, esos valores se refuerzan positivamente o negativamente en función de si aparecen o no en las soluciones buenas.

Este tipo de algoritmo se puede aplicar a numerosos problemas de optimización. Situaciones en las que hay muchas posibles soluciones y se trata de encontrar la mejor, como en el caso de la combinación de moléculas para la búsqueda de nuevos fármacos o la logística. "La investigación en muchos campos no sería posible sin herramientas adecuadas de optimización", concluyó Blum.