ant colony algorithm منيره شيخ حسيني پاييز 1390
DESCRIPTION
Ant Colony Algorithm منيره شيخ حسيني پاييز 1390. 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. - PowerPoint PPT PresentationTRANSCRIPT
Ant Colony Algorithm
منيره شيخ حسيني
1390پاييز
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•
فهرست مطالب
2
اجتماعي بودن: •
ميليوني30 زندگي درکلوني هاي •
رفتار در جهت بقاء کلوني•
رفتار جمعي مورچه ها :•
رفتار جستجو کننده ي غذا )جستجوگرانه(•
تقسيم کار•
ساماندهي گورستان و مراقبت از فرزندان•
رفتار مورچه ها
3
•Marais (1872-1936) کلوني موريانه ها ← انتشار روح :
مورچه
•Maeterlinck (1862 -1949)انتشار زندگي مورچه سفيد :
•Grass´e (1959) مطالعه روي النه سازي موريانه ها وتعيين :
stigmergyنوعي از ارتباط غيرمستقيم بين اعضا به نام
•Deneubourg(1990 و همکاران) مطالعه بر روي ارتباط :
stigmergyفرومون به عنوان مثالي از
•Dorigo (1992) ارائه اولين مدل الگوريتمي از رفتار جستجو :
گرانه براي غذا
)پيشگامان(رفتار مورچه ها
4
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•
عالقه ي افراد هم سن به انجام وظايف يکسان •
)تقسيم کار(رفتار مورچه ها
5
)ساماندهي گورستان رفتار مورچه ها 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 اطالعات محلي •
درموقعيت فعلي مورچه
ايجاد يک خوشه بندي پيچيده از رفتارهاي ساده ي بيان شده•
مراقبت از فرزندان :•
نگه داري الروها به گونه اي که سنين مختلف در رينگ هاي •
متفاوت قرار گيرند
کوچکترها در مرکز وبزرگترها دراطراف•
6
موجوداتي کور، بي حافظه و بسيار کم هوش•
پيداکردن کوتاهترين مسير از النه 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
)جستجو گرانه(رفتار مورچه ها
77
8
فيدبک مثبت:•
به جا گذاشتن فرومون در حين جستجو•
مسيرهاي با غلظت فرومون بيشتر← احتمال انتخاب •
شدن باالتر
•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
)جستجو گرانه(رفتار مورچه ها
8
9
و Gossآزمايشات پل : (1989همکاران)
)جستجو گرانه(رفتار مورچه ها
9
10
و Gossآزمايشات پل : (1989همکاران)
غلظت زياد فرومون روي •
مسير بلند
تبخير آرام فرومون•
)جستجو گرانه(رفتار مورچه ها
10
11
شباهت مورچه هاي واقعي و مورچه هاي مصنوعي:•
مجموعه اي از اعضاي همکار•
stigmergy ردپاي فروموني براي ارتباط •
دنباله اي از حرکات محلي براي پيداکردن کوتاهترين •
مسير
سياست تصميم گيري تصادفي با استفاده از اطالعات •
محلي
الگوريتم هاي کلوني مورچگان
11
12
تفاوت مورچه هاي واقعي و مورچه هاي •
مصنوعي:
حافظmه اي از فعmاليت هmاي قبلي ح/الت دروني: •
مورچه
• : پاسmخ فروم/ون مص/نوعي کيفيت از تmابعي
پيدا شده
مسmأله موان/ع س/اختگي: • جزئيmات دادن تغيmير
بmه جmواب الگmوريتم و رسmيدن هmاي بmراي بررسmي
متنوع
مورچmه هmاي واقعي حي/ات در محي/ط گسس/ته: •
نمي توانند جدا از کلوني به حيات خود ادامه دهند
الگوريتم هاي کلوني مورچگان
12
13
مدل تصادفي:
را Aاحتمال آن که مورچه ي بعدي مسير انتخاب نمايد :
nA(t) وnB(t) تعداد مورچه هايي که در زمان :t درمسيرA
قراردارندBو
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 :
الگوريتم هاي کلوني مورچگان
13
14
اجراي الگوريتمي آزمايشات پل •
مسئله کلي پيدا کردن کوتاهترين مسير •
بين دوگره:
SACO: Simple Ant Colony Optimization
(SACO)الگوريتم هاي کلوني مورچگان
14
15
(SACO)الگوريتم هاي کلوني مورچگان
15
16
در هر تکرار، هر مورچه به صورت تدريجي يک مسير)راه حل( •
مي سازد
)مجموعه ي iرا که در همسايگي گره j گره k، مورچه ي i در گره •
( را با احتمال زير انتخاب مي iگره هاي امکان پذير متصل به گره
:کند براي i: همسايگي گره
kمورچه به i تهي باشد، گره قبل از گره i اگر همسايگي گره •
همسايگي اضافه مي شود
حلقه ها درصورت رسيدن به گره مقصد حذف مي شوند•
ساخت مسير:
(SACO)الگوريتم هاي کلوني مورچگان
16
17
تبخير براي بهبود قابليت جستجو و جلوگيري از •فرومون:
همگرايي زودرس:
• ρ ” نرخ تبخير← مورچه ها تصميمات قبلي خود را
فراموش ” کنند
•ρ بروزرساني بزرگتر: جستجوي بيشتر، جستجوي تصادفي ترفرومون:
nk تعداد:مورچه ها
:طول مسير ساخته شده توسط t در زمان kمورچه
(SACO)الگوريتم هاي کلوني مورچگان
17
18
ACOA: Ant Colony Optimization Algorithms
(ACOA)الگوريتم هاي کلوني مورچگان
18
19
احتمال انتقال:
• τijشدت فرومون :
• ηij مطوبيت حرکت )اطالعات 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 •
SACOالگوريتم جستجو شبيه •
(AS)الگوريتم هاي کلوني مورچگان
19
20
تغييرات فرومون :
(AS)الگوريتم هاي کلوني مورچگان
20
21
(AS)الگوريتم هاي کلوني مورچگان
21
22
بهترين مورچه ها نسبتي از فرومون خود را به شدت •فرومون اضافه مي کنند:
: بهترين مسير فعلي e تعداد مورچه هاي :
نخبه
هدايت جستجوي همه مورچه ها براي ساخت هدف: •
راه حل شامل لينک به بهترين مسير فعلي باشد
Elitist)الگوريتم هاي کلوني مورچگان AS)
22
23
ACS: Ant Colony System
:AS و ACS تفاوت •
قانون انتقال مورد استفاده•
تعريف قانون بروزرساني فرومون •
متفاوت
معرفي بروزرساني محلي فرومون•
معرفي ليست کانديد از گره هاي •
مورد توجه
(ACS)الگوريتم هاي کلوني مورچگان
23
24
• AS در مسائل پيچيده دچار رکود زودرس مي
شود
•Max-Min AS براي رفع اين مشکل AS توسعه
يافت
:AS و Max-Min AS تفاوت •
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
-Max)الگوريتم هاي کلوني مورچگان Min AS)
24
25
مناسب براي مسائلي با ساختار ديناميک مي تواند•
مناسmب بmراي مسmائل گسسmته کmه نمي تmوان از گراديmان در آنهmا •
استفاده کرد
وابستگي کم به حل اوليه•
تضمين همگرايي•
امکان کند بودن سرعت هگرايي •
نيmاز بmه حافظmه بmزرگ :بmه جmاي ذخmيره اطالعmات نسmل قبmل بايmد •
اطالعات کل کلوني را ذخيره شود
مزايا ومعايب الگوريتم هاي کلوني مورچگان
25
26
کاربردها الگوريتم هاي کلوني مورچگان
26
27
The optimum value is by length of 4.6245 Generation # 110 The total distance: 4.6149
ACOGA
Iteration:2500Ants:250 for each iterationevaporation coefficient:0.9best distance:4.6245
iteration:110Chromosomes:200crossover probability: 0.75
mutation probability: 0.009best distance :4.6149
TSPمقايسه با ديگر رو ش ها در حل
27
28
TSPمقايسه با ديگر رو ش ها در حل
28
•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
مراجع
29
با تشکر از توجه شما