Schwarm-intelligenz AS1-8

1. Schwarm-intelligenzAS1-8

2. Schwarmintelligenz SciFi-Literatur: 1930: O. Stapledon - Marsinsekten 1964: S. Lem - “Der Unbesiegbare” Rüdiger Brause: Adaptive Systeme, Institut für Informatik

3. Inhalte • Einleitung • Was ist Schwarmintelligenz?Warum ist Schwarmintelligenz interessant? • 2. Ameisenalgorithmen • Natürliche Ameisen • Künstliche Ameisen • Anwendung: Das TSP-Problem • Bienenalgorithmen • Natürliche Bienen • Künstliche Bienen • Anwendung: Das Scheduling-Problem Rüdiger Brause: Adaptive Systeme, Institut für Informatik

4. Definition Schwarmintelligenz • Schwarm: „verteilte KI“ • eine Menge von (mobilen) Agenten, die miteinander (direkt oder indirekt) kommunizieren können und • im Kollektiv eine verteilte Problemlösung erzielen durch dezentrale und unüberwachte Koordination (Selbstorganisation) • Robustheit: Das Gruppenziel wird erreicht, auch wenn einige Mitglieder dies nicht können, • wobei dynamische Reaktionen auf eine veränderte Umwelt erfolgen (Adaptivität) • Beispiele: • sozial lebende Insekten, • Vogelschwärme, • Fischschulen, • der menschliche Körper Rüdiger Brause: Adaptive Systeme, Institut für Informatik

5. Schwarmintelligenz in der Informatik Dezentralisierte Daten Lösung von schwierigen Optimierungsproblemen SimpleAgenten Kommunikation Selbstorganisation Sementic interaction=> intelligentes Verhaltenim Kollektiv Rüdiger Brause: Adaptive Systeme, Institut für Informatik

6. Ameisenalgorithmen Bienenalgorithmen Rüdiger Brause: Adaptive Systeme, Institut für Informatik

7. Ameisenalgorithmen Agenten = Ameisen Rüdiger Brause: Adaptive Systeme, Institut für Informatik

8. Natürliche Ameisen Versuchsaufbau: Futter Brücken Nest • AmeisenartLinepithema humile aus Argentinien • zur Selbstorganisation fähig • Sementic interactions: Pheromone Rüdiger Brause: Adaptive Systeme, Institut für Informatik

9. Natürliche Ameisen Beobachtung Rüdiger Brause: Adaptive Systeme, Institut für Informatik

10. NatürlicheAmeisen • dynamische Fakten • stärkere Pheromonbelegung  höhere Begehungswahrscheinlichkeit • Kürzerer Weg  Ameise ist schneller wieder zurück, höhere Begehungswahrscheinlichkeit Experiment: gleich lange Wege, aber asymm. Wegsuche Beob.: k = 20, h = 2 Modell Rüdiger Brause: Adaptive Systeme, Institut für Informatik

11. Künstliche Ameisen GemeinsameAnalogien Ant Colony Optimization Algorithms • Agenten = künstliche Ameisen, analog zu den echten • optimaler Weg = kürzester Weg zwischen zwei Punkten • Belegung mit Pheromonen (Stigmergy) als zentrale Idee • Wahrscheinlichkeits-gestützte, lokale Entscheidungen Rüdiger Brause: Adaptive Systeme, Institut für Informatik

12. Künstliche Ameisen Unterschiede künstlicher Ameisen zu natürlichen • Diskrete Welt mit Übergang zwischen diskreten Zuständen • Interner Zustand (interner Speicher) • Pheromonabsonderung ist problemspezifisch und unnatürlich. • Zusatzfähigkeiten wie Vorhersehen, lokale Optimierung, back-tracking usw. Rüdiger Brause: Adaptive Systeme, Institut für Informatik

13. Künstliche Ameisen Beispiel Das Traveling Salesman Problem Ant System AS, Dorigo 1996 • zufällige Verteilung der Ameisen auf die Städte auf zu Beginn • Kantenwahl: Kante mit höchstemPheromonspiegel wird bevorzugt • Kantenwahl: privates Gedächtnis Mk der Ameise: Was bin ich schon gelaufen? • Modifikation des Pheromongehalts: localtrailupdating vs. globaltrailupdating Rüdiger Brause: Adaptive Systeme, Institut für Informatik

14. Künstliche Ameisen Algorithmus-Grundstruktur: FORt=1TOtmaxIn der Simulation FORant=1TOmfür alle Ameisen build_tour TSP wähle eine Tour NEXTant update_pheromone aktualisiere die Markierungen NEXTt Rüdiger Brause: Adaptive Systeme, Institut für Informatik

15. Künstliche Ameisen: TSP build_tour TSPWähle ein Tour • Starte bei zufälliger Stadt mit Ameise k • Bilde einmal für alle Kanten von Stadt i nach Stadt j die relative Gewichtung • Errechne Selektionswahrscheinlichkeit von Ameise k für Kanten nicht besuchter Städte pijk(t) = • Lagere Pheromone ab: Dwij = constant-densitystrategy Dwij = 1/dijant-quantitystrategy a,b Konstanten Abstand Stadt i zu j Pheromone Alle Wege zu i Alle nicht besuchten Wege zu i Rüdiger Brause: Adaptive Systeme, Institut für Informatik

16. Künstliche Ameisen: TSP Update_pheromone Nach jeder Tourensuche setze für alle Kanten der Tour wij(t+1) = (1-r) wij(t) + r Dwij(t) Bewertung aktualisieen mit Bewertung aller Ameisen und Dwijk(t) = 1/Lk(t)Tourlänge pro Ameise ABER: Konvergenzprobleme bei größeren Dimensionenzahl ! Rüdiger Brause: Adaptive Systeme, Institut für Informatik

17. Künstliche Ameisen: Modifikation Update_pheromone Nach jeder Tourensuche setze für alle Kanten der besten Tour wij(t+1) = (1-r) wij(t) + r Dwij(t) Tour markieren mitDwij(t) = 1/L+ beste Tourlänge aller Ameisen Online_update_pheromone Nach jedem Kantenlauf setze wij(t+1) = (1-g) wij(t) + g w0 Spur verwischen mit w0 = 1/n Lnnheuristische nearest-neighborTourlänge Rüdiger Brause: Adaptive Systeme, Institut für Informatik

18. Ergebnisse Vergleich mit anderen Verfahren (50-Städte-Probleme) Simulated annealing Ant Colony System Self Organizing Map Elastic Net Farthest Insertion Rüdiger Brause: Adaptive Systeme, Institut für Informatik

19. Ergebnisse Vergleich mit anderen Verfahren Iterationen für beste Integer-Tour Evolutionary Programming Simulated annealing Annealing Genetic algorithm Ant Colony System Genetic Algorithms Rüdiger Brause: Adaptive Systeme, Institut für Informatik

20. Ameisenalgorithmen Bienenalgorithmen Rüdiger Brause: Adaptive Systeme, Institut für Informatik, WS 2009

21. Bienenalgorithmen Agent = Biene Rüdiger Brause: Adaptive Systeme, Institut für Informatik

22. Natürliche Bienen • m Futtersucher Jede Biene, die zurückkommt, teilt ihr Ergebnis durch Schwänzeltanz mit. Güte der Futterquelle = R(Distanz, Futtermenge, Futterqualität) • Zeitl. Länge des Tanzes ~ R • Richtung des Tanzes ~ Himmelsrichtung Rüdiger Brause: Adaptive Systeme, Institut für Informatik

23. Natürliche Bienen • Weitere Futtersucher beobachten zufällig einen Tanz und fliegen los. • Je länger der Tanz dauert, umso mehr Futtersucher fliegen los. • Gute Futterorte triggern positive Rückkopplung • Schlechte bedeuten eine relative Abnahme der Bienen Rüdiger Brause: Adaptive Systeme, Institut für Informatik

24. ? HTTP-Anfragen ServerCluster Künstliche Bienen • Anwendung: Scheduling von Internet-Servern • ? • Blumenbeet http://mf.erciyes.edu.tr/abc/ Rüdiger Brause: Adaptive Systeme, Institut für Informatik

25. Scheduling • Zuordnungen • BlumenbeetWarteschlange • FuttersuchbieneServer • GruppederFuttersuchervirt. ServerCluster • BienenstockMengeallerServer • Futterqualität, Menge, DistanzServiceQualität, Menge, • Dauer • Aufwand, FutterortzuwechselnMigrationskosten • SchwänzeltanzNachricht • TanzbodenNachrichtenbrett Rüdiger Brause: Adaptive Systeme, Institut für Informatik

26. Künstliche Bienen • Jeder Server si des virt. ServerClustersVSj • ArbeiteteineAnfrage ab. Ertragistcj [€/Auftrag] • HeftetmitWahrscheinlichkeitqeineNachrichtans Brett • DiesebleibteineZeit T = cj A erhalten. • Vergleicht die eigeneProfitrate Pimit der von GesamtgruppePcolonyund errechnetdamitWechselri(Pi) • Futtersucher: LiestmitWahrsch. rieineandereNachrichtvom Brett und befolgtsie. • oderScout: wähltdirektmitWahrsch. rjeinanderesVSj ri Rüdiger Brause: Adaptive Systeme, Institut für Informatik

27. Anforderungen Gemessene Lastanforderungen Rüdiger Brause: Adaptive Systeme, Institut für Informatik

28. Synthetische Daten Sehr schnelle Anforderungswechsel Rüdiger Brause: Adaptive Systeme, Institut für Informatik

29. Ergebnisse 3-VirtServer-cluster 2-VirtServer-cluster Rüdiger Brause: Adaptive Systeme, Institut für Informatik

30. Ausblick • Forschung in der Schwarmintelligenz hat gerade begonnen • Umsetzung der vorgestellten Modelle basiert auf Annahmen und spiegeln nur teilweise die biologische Realität wider • treibende Aspekte für die Entwicklung der informatischen Modelle sind die Effizienz, Robustheit und Flexibilität der biologischen Vorbildsysteme Rüdiger Brause: Adaptive Systeme, Institut für Informatik

31. Ausblick Rüdiger Brause: Adaptive Systeme, Institut für Informatik