1 / 31

Schwarm-intelligenz AS1-8

Schwarm-intelligenz AS1-8. Schwarmintelligenz. SciFi-Literatur: 1930: O. Stapledon - Marsinsekten 1964: S. Lem - “Der Unbesiegbare”. Inhalte. Einleitung Was ist Schwarmintelligenz? Warum ist Schwarmintelligenz interessant? 2. Ameisenalgorithmen Natürliche Ameisen Künstliche Ameisen

nanji
Download Presentation

Schwarm-intelligenz AS1-8

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Schwarm-intelligenzAS1-8

  2. Schwarmintelligenz SciFi-Literatur: 1930: O. Stapledon - Marsinsekten 1964: S. Lem - “Der Unbesiegbare” Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  6. Ameisenalgorithmen Bienenalgorithmen Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  7. Ameisenalgorithmen Agenten = Ameisen Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  8. Natürliche Ameisen Versuchsaufbau: Futter Brücken Nest • AmeisenartLinepithema humile aus Argentinien • zur Selbstorganisation fähig • Sementic interactions: Pheromone Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  9. Natürliche Ameisen Beobachtung Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  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 WS2013/14

  20. Ameisenalgorithmen Bienenalgorithmen Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  21. Bienenalgorithmen Agent = Biene Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  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 WS2013/14

  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 WS2013/14

  24. ? HTTP-Anfragen ServerCluster Künstliche Bienen • Anwendung: Scheduling von Internet-Servern • ? • Blumenbeet Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  25. Scheduling • Zuordnungen • BlumenbeetWarteschlange • FuttersuchbieneServer • GruppederFuttersuchervirt. ServerCluster • BienenstockMengeallerServer • Futterqualität, Menge, DistanzServiceQualität, Menge, • Dauer • Aufwand, FutterortzuwechselnMigrationskosten • SchwänzeltanzNachricht • TanzbodenNachrichtenbrett Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  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 WS2013/14

  27. Anforderungen Gemessene Lastanforderungen Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  28. Synthetische Daten Sehr schnelle Anforderungswechsel Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  29. Ergebnisse 3-VirtServer-cluster 2-VirtServer-cluster Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

  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 WS2013/14

  31. Ausblick Rüdiger Brause: Adaptive Systeme, Institut für Informatik WS2013/14

More Related