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