Ant Colony Algorithm منيره شيخ حسيني پاييز 1390

1. Ant Colony Algorithm منيره شيخ حسيني پاييز 1390

2. فهرست مطالب • رفتار مورچه ها • الگوريتم هاي کلوني مورچگان • مزايا و معايب الگوريتم هاي کلوني مورچگان • کاربرد هاي الگوريتم هاي کلوني مورچگان • مقايسه ا لگوريتم هاي کلوني مورچگان با ساير روش ها براي مسئله فروشنده دوره گرد • مراجع

3. رفتار مورچه ها • اجتماعي بودن: • زندگي درکلوني هاي 30 ميليوني • رفتار در جهت بقاء کلوني • رفتار جمعي مورچه ها : • رفتار جستجو کننده ي غذا (جستجوگرانه) • تقسيم کار • ساماندهي گورستان و مراقبت از فرزندان

4. رفتار مورچه ها (پيشگامان) • Marais (1872-1936) : کلوني موريانه ها ← انتشار روح مورچه • Maeterlinck (1862 -1949): انتشار زندگي مورچه سفيد • Grass´e (1959): مطالعه روي لانه سازي موريانه ها وتعيين نوعي از ارتباط غيرمستقيم بين اعضا به نام stigmergy • Deneubourg و همکاران(1990) : مطالعه بر روي ارتباط فرومون به عنوان مثالي از stigmergy • Dorigo (1992): ارائه اولين مدل الگوريتمي از رفتار جستجو گرانه براي غذا

5. رفتار مورچه ها (تقسيم کار) • در کلوني حشرات وظايفي انجام مي شود: مراقبت از جوان ترها، جستجوي غذا، ساماندهي گورستان،دفع زباله ودفاع • اختصاص وظايف وهمکاري بدون کنترل مرکزي • پاسخ دهي اعضا به نشان هاي ساده ي محلي: تعامل با ديگران ، سيگنال هاي شيميايي • تخصيص وظايف به صورت ديناميک • تغيير وظايف در صورت درخواست شرايط محيطي • علاقه ي افراد هم سن به انجام وظايف يکسان

6. رفتار مورچه ها (ساماندهي گورستان ومراقبت ازفرزندان) • ساماندهي گورستان: • خوشه بندي اجساد به منظور شکل دهي گورستان • جستجوي تصافي هرمورچه به تنهايي در هنگام برداشتن يا گذاشتن اجساد • تصميم برداشتن يا گذاشتن اجساد براساس اطلاعات محلي درموقعيت فعلي مورچه • ايجاد يک خوشه بندي پيچيده از رفتارهاي ساده ي بيان شده • مراقبت از فرزندان : • نگه داري لاروها به گونه اي که سنين مختلف در رينگ هاي متفاوت قرار گيرند • کوچکترها در مرکز وبزرگترها دراطراف

7. رفتار مورچه ها (جستجو گرانه) • موجوداتي کور، بي حافظه و بسيار کم هوش • پيداکردن کوتاهترين مسير از لانه تاغذا وبرعکس • ارتباط غير مستقيم از طريق دنبال کردن فرومون • مطالعات اوليه روي رفتار جستجو گرانه : • الگوي اوليه براساس جستجوي تصادفي • ساماندهي بيشتر با پيداشدن منبع غذا • دنبال کردن مسير هاي يکسان توسط اکثر مورچه ها • به صورت جادويي و خودکار، دنبال کردن کوتاهترين مسير توسط اکثر مورچه ها 7

8. رفتار مورچه ها (جستجو گرانه) • فيدبک مثبت: • به جا گذاشتن فرومون در حين جستجو • مسيرهاي با غلظت فرومون بيشتر← احتمال انتخاب شدن بالاتر • Stigmergy : • ارتباط غير مستقيم مورچه ها در تطبيق با محيط با به جا گذاري فرومون براي تحت تاثيرقراردادن رفتار ديگر اعضا • فيدبک منفي: • تبخير فرومون در طول زمان← احتمال کشف مسيرجديد 8

9. رفتار مورچه ها (جستجو گرانه) آزمايشات پل : Goss و همکاران(1989) 9

10. رفتار مورچه ها (جستجو گرانه) آزمايشات پل : Goss و همکاران(1989) • غلظت زياد فرومون روي مسير بلند • تبخير آرام فرومون 10

11. الگوريتم هاي کلوني مورچگان • شباهت مورچه هاي واقعي و مورچه هاي مصنوعي: • مجموعه اي از اعضاي همکار • ردپاي فروموني براي ارتباط stigmergy • دنباله اي از حرکات محلي براي پيداکردن کوتاهترين مسير • سياست تصميم گيري تصادفي با استفاده از اطلاعات محلي 11

12. الگوريتم هاي کلوني مورچگان • تفاوت مورچه هاي واقعي و مورچه هاي مصنوعي: • حالت دروني: حافظه اي از فعاليت هاي قبلي مورچه • فرومون مصنوعي : تابعي از کيفيت پاسخ پيدا شده • موانع ساختگي: تغيير دادن جزئيات مسأله براي بررسي الگوريتم و رسيدن به جوابهاي متنوع • حيات در محيط گسسته: مورچههاي واقعي نميتوانند جدا از کلوني به حيات خود ادامه دهند 12

13. الگوريتم هاي کلوني مورچگان مدل تصادفي: احتمال آن که مورچه ي بعدي مسير A را انتخاب نمايد : nA(t)وnB(t) : تعداد مورچه هايي که در زمان tدرمسيرA وBقراردارند c: درجه جذب براي يک مسير ناشناخته : c بزرگتر← مقدار فرومون بيشتر براي عدم انتخاب مسير تصادفي α : باياس به سمت فرومون به جا مانده در روند تصميم گيري 13

14. الگوريتم هاي کلوني مورچگان (SACO) SACO: Simple Ant Colony Optimization • اجراي الگوريتمي آزمايشات پل • مسئله کلي پيدا کردن کوتاهترين مسير بين دوگره: 14

15. الگوريتم هاي کلوني مورچگان (SACO) 15

16. الگوريتم هاي کلوني مورچگان (SACO) ساخت مسير: • در هر تکرار، هر مورچه به صورت تدريجي يک مسير(راه حل) مي سازد • در گره i، مورچه ي k گره jرا که در همسايگي گره i (مجموعه ي گره هاي امکان پذير متصل به گرهi) را با احتمال زير انتخاب مي کند : : همسايگي گره i براي مورچه k • اگر همسايگي گره i تهي باشد، گره قبل از گره i به همسايگي اضافه مي شود • حلقه ها درصورت رسيدن به گره مقصد حذف مي شوند 16

17. الگوريتم هاي کلوني مورچگان (SACO) تبخير فرومون: • براي بهبود قابليت جستجو و جلوگيري از همگرايي زودرس: • ρنرخ تبخير← مورچه ها تصميمات قبلي خود را ” فراموش ” کنند • ρبزرگتر: جستجوي بيشتر، جستجوي تصادفي تر بروزرساني فرومون: :طول مسير ساخته شده توسط مورچه k در زمان t nk:تعداد مورچه ها 17

18. الگوريتم هاي کلوني مورچگان (ACOA) ACOA: Ant Colony Optimization Algorithms 18

19. الگوريتم هاي کلوني مورچگان (AS) احتمال انتقال: • τij : شدت فرومون • ηij : مطوبيت حرکت (اطلاعات اکتشافي) : باياس به سمت جذاب ترين راه حل • α=0 : • صرف نظر از جستجوي قبلي • جستجوي تصادفي • β=0 : • صرف نظر از جذاب بودن حرکت • الگوريتم جستجو شبيه SACO 19

20. الگوريتم هاي کلوني مورچگان (AS) تغييرات فرومون : 20

21. الگوريتم هاي کلوني مورچگان (AS) 21

22. الگوريتم هاي کلوني مورچگان (Elitist AS) • بهترين مورچه ها نسبتي از فرومون خود را به شدت فرومون اضافه مي کنند: : بهترين مسير فعلي e: تعداد مورچه هاي نخبه • هدف: هدايت جستجوي همه مورچه ها براي ساخت راه حل شامل لينک به بهترين مسير فعلي باشد 22

23. الگوريتم هاي کلوني مورچگان (ACS) ACS: Ant Colony System • تفاوت ACS و AS : • قانون انتقال مورد استفاده • تعريف قانون بروزرساني فرومون متفاوت • معرفي بروزرساني محلي فرومون • معرفي ليست کانديد از گره هاي مورد توجه 23

24. الگوريتم هاي کلوني مورچگان (Max-Min AS) • AS در مسائل پيچيده دچار رکود زودرس مي شود • Max-Min AS براي رفع اين مشکل AS توسعه يافت • تفاوت Max-Min AS و AS: • محدود کردن شدت فرومون را در فواصل مشخص • تقويت فرومون فقط توسط بهترين مورچه • تنظيم فرومون اوليه به حداکثر مقدارمجاز • استفاده از يک مکانيزم آرام کردن شدت فرومون 24

25. مزايا ومعايب الگوريتم هاي کلوني مورچگان • مناسب براي مسائلي با ساختار ديناميک مي تواند • مناسب براي مسائل گسسته که نمي توان از گراديان در آنها استفاده کرد • وابستگي کم به حل اوليه • تضمين همگرايي • امکان کند بودن سرعت هگرايي • نياز به حافظه بزرگ :به جاي ذخيره اطلاعات نسل قبل بايد اطلاعات کل کلوني را ذخيره شود 25

26. کاربردها الگوريتم هاي کلوني مورچگان 26

27. مقايسه با ديگر رو ش ها در حلTSP The optimum value is by length of 4.6245 Generation # 110 The total distance: 4.6149 GA ACO iteration:110 Chromosomes:200 crossover probability: 0.75 mutation probability: 0.009 best distance :4.6149 Iteration:2500 Ants:250 for each iteration evaporation coefficient:0.9 best distance:4.6245 27

28. مقايسه با ديگر رو ش ها در حلTSP 28

29. مراجع • Ant Colony Optimization, Marco Dorigo and Thomas Stützle,2003 • Ant Algorithms for Discrete Optimization, Marco Dorigo , Gianni Di Caro and Luca M. Gambardella,1999 • Computational Intelligence, Second Edition, Poole et al,2007 • A New Rank Based Version of The Ant System-A Computational study, Bernd Bullnheimer, Richard F.Hartl and Christine Straub,1997 • Ant Colony versus Genetic Algorithm based on Travelling Salesman Problem, Mohammed Alhanjouri and Belal Alfarra,2011

30. با تشکر از توجه شما