Upload
gisela-schiess
View
102
Download
0
Embed Size (px)
Citation preview
1
More than a paradigm, swarms are almost, at times, an archetype.
Millonas, 1993 zitiert aus„Swarm Intelligence“; Kennedy & Eberhart
Ausarbeitung und Vortragspräsentation J.Frietsch Sommer 2003
2
Ant Colony Algorithmen & Stigmergy
Gliederung– Definition
• TSP
• Stigmergy
– Ant System • Charakteristik
– Ant Colony System • Modifikationen zu AS
– Studien zur Funktionsweise
3
Ant Colony Algorithmen & Stigmergy
Gliederung– Definition
• TSP
• Stigmergy
– Ant System • Charakteristik
– Ant Colony System • Modifikationen zu AS
– Studien zur Funktionsweise
4
Ant Colony Algorithmen & Stigmergy
• Definition
Traveling Salesman Problem
• Sei V = {a,..., z} eine Anzahl Städte,
E = { (i, j) : i, j V} eine Anzahl von Kanten,
(i, j) = (j, i) ein Kostenmaß, das mit Kante
(i, j) E in Zusammenhang steht. • Dann ist das TSP das Problem eine geschlossene
Tour minimaler Kosten zu finden, die durch jede Stadt genau einmal führt.
5
Ant Colony Algorithmen & Stigmergy
• Definition
Mathematisches• für die 1-te Stadt von n Städten gibt es n-1 mögliche
Verbindungen• für die 2-te Stadt gibt es dann noch n-2 mögl. Kanten
(...) für die (n-1)-te folglich n-(n-1) Kanten, die zur n-ten Stadt führt, wo die Tour geschlossen wird.
• man erhält durch Kombination (n-1)! mögliche Touren• das sind doppel so viele wie notwendig, weil der Kreis
sowohl von a bis z als auch rückläufig von z bis a beschritten wird, bei gleicher Länge L
• es gibt also insgesamt (n-1)!/2 mögliche Lösungen
6
Ant Colony Algorithmen & Stigmergy
• Definition
Traveling Salesman Problem
Warum TSP?: • klassisches Pfadoptimierungsproblem
• leicht zu adaptieren für Ameisenstaaten• große Anzahl von Vergleichsalgorithmen
• didaktisch leicht zugänglich
• NP-hartes Problem, jedoch nicht aufgrund derAnzahl der Lösungen, sondern weil die Länge der Wege im schlimmsten Fall brute force aufsummiert und verglichen werden muss. .
7
Ant Colony Algorithmen & Stigmergy
• Definition
Stigmergy
• indirekte Informationsvermittlung
• durch die Analyse sich • verändernden Umweltparametern
Beispiele: Google (Pagerank)
Insektensoziäten
8
Ant Colony Algorithmen & Stigmergy
Gliederung– Definition
• TSP
• Stigmergy
– Ant System • Charakteristik
– Ant Colony System • Modifikationen zu AS
– Studien zur Funktionsweise
9
Ant Colony Algorithmen & Stigmergy
• Ant System
• der Ant System Algorithmus wurde von Dorigo, Maniezzo und Colorni vorgestellt (1996)
• bei kleineren TSP konkurrenzfähig
zu herkömmlichen heuristischenAlgorithmen wie GA oder SA.
10
Ant Colony Algorithmen & Stigmergy
• Ant System
Idee: dynamische Pheromon-Markierung
• (+) Feedback: virt. Pheromone bestärken die Lösungen die an der Prod. vorangegangener guter Lösungen beteiligt waren.
• (-) Feedback: Zerfall virt. Phero.spurenverhindert, das der Schwarm auf suboptimale Lösungen konvergiert.
11
Ant Colony Algorithmen & Stigmergy
• Ant System
Ziel: Suche nach Tmax
Prinzip: Etablieren eines Attraktors
• (+) Suchen der jeweils kürzesten Tour T+
der Iteration t mit der Länge L+
• (-) Erhöhung der Freiheitsgrade desSystems um vom Attraktor abweichen zu können
12
Ant Colony Algorithmen & Stigmergy
• Ant System
Grundlagen:• Sei
n die Zahl der Städte und m die Zahl der Ameisen k, dann gilt vereinfachend m = n (jeder Ameise ihre Stadt)
• In der Iteration t (t = 1,...,tmax) findet jede Ant in n - 1 Schritten eine Tour T der Länge L, eine davon ist die kürzeste T+ = ein vorläufiger Attraktor
13
Ant Colony Algorithmen & Stigmergy
• Ant System
Stadtübergänge (Transitions):• Regeln für den Übergang einer Ant k von der Stadt
i nach j 1 Sie hat ein Arbeitsgedächtnis J, in dem die Städte
vermerkt sind, die sie noch besuchen muss
2 Der Kehrwert der Distanz d ist die Erreichbarkeit 3 Die Intensität der Pheromonspur von i nach j ist
ij(t) die in der globalen Pheromonverteilung
gespeicherte Information verändert sich während der
Problemlösung und repräsentiert den Erfahrungsgewinn des Ameisenstaates
14
Ant Colony Algorithmen & Stigmergy
• Ant System
Entscheidungsgesetz ( für i nach j )
(Transition Rule)
p: Wahrscheinlichkeit
: Erreichbarkeit
: Spurintensität
J: Arbeitsgedächtnis
der Ant k
15
Ant Colony Algorithmen & Stigmergy
• Ant System
Pheromonmarkierung (t): nach Ende der Tour für jede Kante, die auf dem Weg der Ant k lag.
Je kürzer die Tour war desto mehr Pheromon
Q: Belohnungsquant
kij (t): Pheromon-Menge der Ant k für Kante(i, j)
16
Ant Colony Algorithmen & Stigmergy
• Ant System
Probleme!
(+): der Attraktor wird zu mächtig!
Früher oder später enden alle Ameisen auf dem gleichen Pfad, der einer der zufälligen Anfangsfluktuationen entspricht
suboptimale Lösung und Stagnation
17
Ant Colony Algorithmen & Stigmergy
• Ant System
(-): der Ausweg:
Einführung einer Zerfallskonstante für das Pheromon (mit 0 < <1) Korrekturformel (Global Update Rule):
18
Ant Colony Algorithmen & Stigmergy
Gliederung– Definition
• TSP
• Stigmergy
– Ant System • Charakteristik
– Ant Colony System • Modifikationen zu AS
– Studien zur Funktionsweise
19
Ant Colony Algorithmen & Stigmergy
• Ant System
Charakteristik:
• (+) Elite-Ameisen zur Verbesserung der Performance
• sie markieren die beste gefundene Lösung T+ zusätzlich• Sinn: Vermutlich enthält diese bereits Kanten von Tmax
die so bei jeder Iteration „bestärkt“ werden. • Unterstützung des Attraktors und Ermöglichung einer
Feinjustierung durch Anzahl der Elite-Ameisen
20
Ant Colony Algorithmen & Stigmergy
• Ant System
Charakteristik:
• konkurrenzfähig: bei kleineren TSP (30-70 n)
• schwach: bei komplexen TSP konvergierte der Algorithmus zu früh auf suboptimale Lösungen
• hohe Diversität an Lösungspopulationen
21
Ant Colony Algorithmen & Stigmergy
Gliederung– Definition
• TSP
• Stigmergy
– Ant System • Charakteristik
– Ant Colony System • Modifikationen zu AS
– Studien zur Funktionsweise
22
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
• Ist eine Weiterentwicklung von Ant System und entstand in Zusammenarbeit vonDorigo & Gambardella (1997)
• außergewöhnlich leistungsstarke Performance auch bei komplexerenProblemfeldern.
23
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
3 wichtige Weiterentwicklungen
1 eine verfeinerte Transition Rule
2 Local Update Rule in d. Schrittschleife
3 eine geänderte globale Korrekturformel alsWeiterentwicklung der Elite-Ameise(Global Update Rule)
24
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
zu 1: Transition Rule• durch Hinzufügen einer Konstante qo wird eine
Feinjustierung möglich (0 < q0 < 1), indem qo bei jedem Schritt mit einer beliebigen Zufallszahl qverglichen wird . (0 < q < 1)
q < q0 :(+) sichere Stadt u nahe am Attr.
q > q0 :
(-) Erkundung wird bevorzugt.
25
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
zu 1: Transition Rule• durch Hinzufügen einer Konstante qo wird eine
Feinjustierung möglich (0 < q0 < 1)
q < q0 :(+): die Ant k nutzt das gesamte gespeicherte Problemwissen und wählt eine sichere Stadt u
nach: arg max u Jki {[iu(t)] * [iu]
}
26
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
zu 1: Transition Rule• durch Hinzufügen einer Konstante qo wird eine
Feinjustierung möglich (0 < q0 < 1)
q > q0 :(-): die Ant k wählt analog der Entscheidungsregel aus Ant System eine Stadt ihres Arbeitsgedächtnisses J
27
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
zu 2: Local Update Rule in der Schrittschleife
• (-) beim Passieren d. Kante (i, j) durch k
ij(t)← (1 - ρ)* ij(t) + ρ * 0
wird die Spurintensität vermindert d.
h.
je länger die Iteration voranschreitet
desto unattraktiver wird T+
28
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
zu 2: Local Update Rule in der Schrittschleife
• die führt zu einer besseren Ausnutzung der in der Pheromonspur enthaltenen Information.
• Bleibt T+ die kürzeste Verbindung nach Ende der Iteration, bleibt er trotzdem der Attraktor und wird durch die Global Update Rule bestärkt
29
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
zu 3: Global Update Rule nach der Iteration
• die Beste Ameise markiert am Ende der Tour nur die Kanten, die seit t = 1 T+ waren
ij(t)← (1 - ρ)* ij(t) + ρ * ij(t) mit ij(t) = 1/L+
• (+) Sinn: es wird vordringlich in der Nähe von T+ gesucht.
30
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
Verfahrensfluß::
• Ant k entscheidet zwischen (+) u und (-) J• (+): es wird vordringlich in der Nähe des
Attraktors T+ gesucht• (-) durch das Local Update Rule wird es
möglich von T+ abzuweichen und andere Lösungsalternativen zu erkunden
• (+) Schlägt die Erkundung fehl, bleibt T+ Attraktor der nächsten Iteration
31
Ant Colony Algorithmen & Stigmergy
Gliederung– Definition
• TSP
• Stigmergy
– Ant System • Charakteristik
– Ant Colony System • Modifikationen zu AS
– Studien zur Funktionsweise
32
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
50 Städte Standard-Problem im ACS gelöst
• Anschaulich ist zu sehen, dass es nicht immer die am stärksten markierten Kanten sind, die den Kreis schließen.
• Jede schwache Kante, kann Ausgangspunkt für eine alternative Lösung werden.
33
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
50 Städte Problem im ACS gelöst
34
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
50 Städte Problem im ACS gelöst
• in der folgenden oberen Grafik ist die Standardabweichung von L gegen die Iteration aufgetragen.
• in der unteren Grafik der durchschnittliche Vernetzungsgrad der einzelnen Knoten
• ist Tmax ermittelt müsste der Vernetzungsgrad 2 erreicht sein. = rein in die Stadt und raus aus der Stadt
35
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
Standardabweichung und Vernetzungsgrad
36
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
• Lösungspopulationen konvergieren nicht aufein gemeinsames Lösungsoptimum
• fortwährend werden neue Lösungsalternativen produziert
• zeigt sich z.B in einer hohen Standardabweichung der Tourlänge L
• durchschnitt. Knotenverzweigung größer 2 ( nämlich 5)
• d. h. selbst wenn Tmax ermittelt ist, sucht ACS weiter, aber Tmax wird der ewige Attr. bleiben.
37
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
• diese Nonkonvergenz-Eigenschaften sind charakt. für viele Swarm basierte Systeme
• hohe Diversität seiner Lösungspopulationenbewahrt ihn in lokalen Optima gefangen zu werden
• deshalb besondere Eignung für dynamische Problemfelder, bei denen die Ausgangsbedingungen sich in Realzeit ändern(z.B. indem neue Städte hinzugefügt werden).
38
Ant Colony Algorithmen & Stigmergy
Conclusio
• archetype
Die von den Ameisen erkundete und mit Pheromonen markierte Welt fungiert als eine Art Gedächtnis, das die Entscheidungsgrundlage liefert für die nächste, bessere!, Erkundungswelle des Schwarms.
39
Ant Colony Algorithmen & Stigmergy
• Literatur
• [1] KENNEDY, J. & EBERHART, R.. (2001): Swarm Intelligence. Morgan Kaufmann Publishers. San Francisco, San Diego, New York, Boston, London, Sydney, Tokyo.
• [2] BONABEAU, E, DORIGO, M. & THERAULAZ, G. (1999): Swarm Intelligence - from Natural to Artificial Systems. Oxford.
• [3] DORIGO, M. & GAMBARDELLA, L.M. (1997): Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem. IEEE Transactions on Evolutionary Computation, Vol. 1, No. 1, 53-66.
• [4] DORIGO, M., Di CARO, G. & GAMBARDELLA, L.M. (1999): Ant Algorithms for Discrete Optimization. Artificial Life, Vol. 5, No. 3, 137-172.