ALGORYTM WIELU KOLONI MRÓWEK DLA OPTYMALNEGO DOPASOWANIA W WA ONYCH GRAFACH DWUDZIELNYCH

Transkrypt

1 ELEKTROTECHNIKA I ELEKTRONIKA TOM 27. ZESZYT 2, 2008 ELEKTROTECHNIKA I ELEKTRONIKA TOM 27. ZESZYT 2, 2008 Krzysztof SCHIFF * ALGORYTM WIELU KOLONI MRÓWEK DLA OPTYMALNEGO DOPASOWANIA W WA ONYCH GRAFACH DWUDZIELNYCH STRESZCZENIE Praca prezentuje algorytm wykorzystuj¹cy metodê optymalizacji ró nymi typami kolonii mrówek dla problemu maksymalnego i minimalnego dopasowania w wa onych grafach dwudzielnych. Algorytm ten wyznacza optymalne dopasowanie, bazuj¹c na wyznaczaniu rozdzielnych œcie ek w grafie miêdzy wierzcho³kami s-t, które stanowi¹ rozwi¹zanie dla problemu optymalnego dopasowania w wa onych grafach dwudzielnych. Opracowany algorytm zosta³ porównany z algorytmem wêgierskim i algorytmem mrówkowym o jednym typie kolonii mrówek i omówione zosta³y wyniki tego porównania. S³owa kluczowe: optymalizacja koloniami mrówek wielu typów, minimalny problem dopasowania w grafach dwudzielnych, maksymalny problem dopasowania w grafach dwudzielnych MULTI-TYPE ANT COLONY ALGORITHM FOR OPTIMAL MATCHING PROBLEM IN WEIGHTED BIPARTITE GRAPH In this paper algorithm for optimal matching problem in weighted bipartite graph is presented, which is based on multi-type ant colony optimization. Matching problem is modeled as disjoint-paths problem between s-t vertices. Multi-type ants was used in order to find these disjoint paths between s-t vertices which are the solution for optimal matching problem in weighted bipartite graph. The algorithm was compared with Hungarian algorithm and ACO algorithm for optimal matching problem in weighted bipartite graph and results of this comparison was discussed. Keywords: Multi-type Ant Colony Optimization, Maximum weighted bipartite matching, Minimum weighted bipartite matching 1. WPROWADZENIE Problem maksymalnego dopasowania w grafach dwudzielnych jest problemem wielomianowym, co oznacza, e czas potrzebny na uzyskanie jego rozwi¹zania jest wielomianowo zale ny od liczby danych wejœciowych. Najbardziej znanym dok³adnym algorytmem rozwi¹zuj¹cym ten problem jest tak zwany algorytm wêgierski o z³o onoœci obliczeniowej rzêdu O(V 3 ) [2], gdzie V oznacza liczbê wierzcho³ków w grafie. Wiele jednak problemów grafowych przynale y do klasy NP-trudnych, czy nawet NP-zupe³nych, dla których rozwi¹zanie jest znajdowane w czasie ponadwielomianowym. Dla tych problemów w wielu przypadkach istnieje potrzeba pos³ugiwania siê algorytmami herustycznymi, które wyznaczaj¹ rozwi¹zanie optymalne lub nieznacznie oddalone od optymalnego w czasie znacznie krótszym ni dokonuje tego algorytm dok³adny. Wœród algorytmów heurytycznych znajduj¹ siê miêdzy innymi te inspirowane biologicznie, a poœród nich oparte na zachowaniu siê kolonii mrówek [1]. Dla problemu maksymalnego i minimalnego dopasowania w grafach dwudzielnych zosta³y opracowane algorytmy oparte na metodzie optymalizacji koloni¹ mrówek [3] bazuj¹ce na algorytmie mrówkowym dla problemu komiwoja era [6] (ACO Ant colony Optimization). Optymalizacja wieloma typami kolonii mrówek wraz z pseudokodem algorytmu jest prezentowana w pracy [4] (MACO Multi-type Ant Colony Optimization). Algorytm zaproponowany w tym artykule wykorzystuje do rozwi¹zania tego problemu wiele typów kolonii mrówek i bazuje na wyznaczaniu wielu œcie- ek roz³¹cznych w grafie miêdzy wierzcho³kami s-t [5, 6]. 2. PROBLEM OPTYMALNEGO DOPASOWANIA W WA ONYCH GRAFACH DWUDZIELNYCH Grafem G = (V, E) nazywamy parê zbiorów wierzcho³ków V i krawêdzi E miêdzy tymi wierzcho³kami. Graf dwudzielny G = (U, P, E) to graf o dwu rozdzielnych podzbiorach U i P zbioru wierzcho³ków V takich, e ka da krawêdÿ ze zbioru E ³¹czy dwa wierzcho³ki z dwóch rozdzielnych podzbiorów U i P. Wa onym grafem dwudzielnym nazywamy taki graf dwudzielny, którego krawêdziom przypisano wagi w ij. Problem maksymalnego lub minimalnego dopasowania w wa onym grafie dwudzielnym polega na znalezieniu takiego dopasowania M, to jest takiego podzbioru zbioru krawêdzi E, e adne dwie krawêdzie ze zbioru M nie maj¹ wspólnego wierzcho³ka, a ka da para wierzcho³ków (u U, p P) jest po³¹czona krawêdzi¹ i suma wag im przypisanych ma maksymaln¹ lub minimaln¹ wartoœæ. * Politechnika Krakowska, Katedra Automatyki 115

2 Krzysztof SCHIFF ALGORYTM WIELU KOLONI MRÓWEK DLA OPTYMALNEGO DOPASOWANIA... Problem ten mo na sformu³owaæ nastêpuj¹co: max/min wutxut (u, t)îe U x up =1, V p=1,..., P u=1 P x up =1, V u=1,..., U t=1 xupî0,1 gdzie x up = 1 oznacza, e krawêdÿ (u, p) wchodzi w sk³ad optymalnego dopasowania M. Problem optymalnego dopasowania w wa onym grafie dwudzielnym mo na przedstawiæ w sposób graficzny tak jak na rysunku 1. (1) W grafie dwudzielnym krawêdzie (s, u i ) a wiêc wierzcho³ki ze zbioru U, s¹ wybierane poprzez mrówki m losowo zgodnie z prawdopodobieñstwem wyra onym wzorem (2). p (s, u ) = m i m i φ i =t (u ) * [n (u )] / n i=1 m i φ i / (t (u ) ** [n (u )] ) β gdzie: t m (u i ) oznacza iloœæ feromonu mrówki m na wierzcho³ku u i, φ(u i ) oznacza iloœæ feromonu pozostawionego na wierzcho³ku u i przez inne mrówki, n liczba wierzcho³ków w zbiorze U, liczba par wierzcho³ków (u, p). Kolejny wierzcho³ek œcie ki roz³¹cznej, a wiêc wierzcho- ³ek p i ze zbioru P, wybierany jest równie w sposób losowy zgodnie z prawdopodobieñstwem wyra onym wzorem (3). β (2) p m(u, p i) = γ = t m(p i) * [n φ(p i)] β* η(u,p ) / i (3) Rys. 1. Graf dwudzielny G = (U, P, E) z dwoma dodatkowymi wierzcho³kami s i t Na rysunku 1 optymalne dopasowanie miêdzy wierzcho³kami z podzbiorów U i P jest oznaczone jako pogrubione krawêdzie. Wierzcho³ki s i t zosta³y dodane w celu wyznaczenia miêdzy tymi wierzcho³kami czterech œcie ek roz³¹cznych s, p 4, u 1, t,s, p 3, u 4, t, s, p 2, u 2, t i s, p 1, u 3, tzawieraj¹cych w sobie optymalne dopasowanie M = = (p 4, u 1 ), (p 3, u 4 ), (p 2, u 2 ), (p 1, u 3 ). 3. ALGORYTM MRÓWKOWY O WIELU TYPACH KOLONII Algorytm mrówkowy o wielu typach kolonii dzia³a podobnie jak zwyk³y algorytm mrówkowy z t¹ jednak ró nic¹, e oprócz mrówek o tym samym typie, które wspó³pracuj¹ ze sob¹ ze wzglêdu na to, e mrówki s¹ przyci¹gane przez feromon pozostawiony przez mrówki tego samego typu, wystêpuj¹ równie mrówki o odmiennych typach, które wspó³zawodnicz¹ ze sob¹ poprzez to, e mrówki jednego typu s¹ odpychane zapachem feromonu pozostawionego przez mrówki innego typu. Takie zachowanie polegaj¹ce na wspó³pracy i wspó³zawodniczeniu jest w rzeczywistoœci wykorzystywane do rozwi¹zywania pewnych problemów i w takim równie celu zosta³o wykorzystane w prezentowanym w tej pracy algorytmie, gdzie w kolejnych iteracjach mrówki o odmiennych typach wyznaczaj¹ inne krawêdzie optymalnego dopasowania w grafie dwudzielnym poprzez wyznaczenie rozdzielnych œcie ek miêdzy Ÿród³em s i sp³ywem t, zaœ mrówki tego samego typu pracuj¹ w tym celu, aby te rozdzielne œcie ki mia³y jak najkrótsz¹ d³ugoœæ. n β γ / (t i=1 m(p i) * [n φ(p i)] * η(u,p i) ) gdzie: t m (p i ) oznacza iloœæ feromonu mrówki m na wierzcho³ku p i, φ(p i ) oznacza iloœæ feromonu pozostawionego na wierzcho³ku p i przez inne mrówki, η(u, p i ) γ oznacza po ¹danie krawêdzi (u,p i ) w rozwi¹zaniu (jest to waga krawêdzi). Wybrana w powy szy sposób krawêdÿ wchodzi w sk³ad zbioru krawêdzi tworz¹cych optymalne dopasowanie w wa- onym grafie dwudzielnym, powiêkszaj¹c poprzez swoj¹ wagê sumaryczn¹ wagê cz¹stkowego rozwi¹zania problemu waga M. To czy mamy do czynienia z problemem minimalnego czy maksymalnego dopasowania, zale y od tego, w jaki sposób przyjmiemy funkcjê po ¹dania krawêdzi. Jeœli wyra a siê ona poprzez η(u, p i ) = w[i][j], to mamy do czynienia z problemem maksymalnego dopasowania, a jeœli η(u, p i ) = (1/w[i][j]), to mamy do czynienia z minimalnym dopasowaniem w wa onym grafie dwudzielnym. Oczywiœcie iloœæ feromonu jest uaktualniana zgodnie ze wzorem (4), gdzie w ka dej iteracji spoœród pewnej liczby prób okreœlonych poprzez lp_m wybiera siê najlepsze rozwi¹zanie w celu okreœlenia przyrostu feromonu dla problemu maksymalnego dopasowania dt = (1/(1+(n waga M )) i k³adzie siê go na wierzcho³ki z uwzglêdnieniem typu mrówki m, która wyznaczy³a dan¹ krawêdÿ do optymalnego dopasowania M. jeœli (i, j) M, to t[i][m] = (1 r) t[i][m] + dt oraz t[j][m] = (1 r) t[j][m] + dt (4) 116

3 ELEKTROTECHNIKA I ELEKTRONIKA TOM 27. ZESZYT 2, 2008 Po tak uaktualnionej iloœci feromonu na wierzcho³kach przy kolejnej wykonywanej iteracji nastêpuje ponowne obliczenie sumarycznych iloœci feromonu pozostawionych na wierzcho³kach przez wszystkich mrówki niezale nie od typu i ponownie zostaj¹ obliczone prawdopodobieñstwa wyboru wierzcho³ków przez mrówki w zale noœci od iloœci pozostawionego na nich feromonu przez okreœlone typy mrówek. W celu zapobie enia powstawania œcie ek przebiegaj¹cych przez wspólne wierzcho³ki zaraz po w³¹czeniu do tworzonego dopasowania M wierzcho³kom nadaje siê status niedostêpnych. Pseudokod opracowanego algorytmu zosta³ przedstawiony na rysunku WYNIKI TESTÓW Opracowany algorytm o wielu typach mrówek zosta³ porównany ze zwyk³ym algorytmem o jednym typie mrówek oraz z dok³adnym algorytmem wêgierskim. Wyniki porównania zwyk³ego algorytmu mrówkowego i algorytmu wêgierskiego zosta³y zaprezentowane w pracy [3], z których wynika, e zwyk³y algorytm mrówkowy o jednym typie mrówek winien dzia³aæ szybciej ni algorytm wêgierski przy bardzo du ych wymiarach problemu, choæ nie jest tak dok³adny, jak wynika z porównania jego rezultatów dzia³añ z wynikami uzyskiwanymi przy uruchomieniu algorytmu w ka dej iteracji l_iter wykonaj lp_m powtórzeñ dla ka dego wierzcho³ka i z U zlicz suma_feromonu1[i] pozostawiony na przyleg³ych krawêdziach dla ka dego wierzcho³ka p z P zlicz suma_feromonu2[i] pozostawiony na przyleg³ych krawêdziach dla ka dej mrówki m wybierz dostêpny wierzcho³ek i z U wed³ug prawdopodobieñstwa dla ka dego dostêpnego wierzcho³ka i liczone jest prawdopodobieñstwo oblicz po wszystkich wierzcho³kach dostêpnych i suma1= n i=1 n (suma_feromonu1[i] feromon1[m][i]) feromon1[m][i] β p1[i]=n (suma_feromonu1[i] feromon1[m][i]) feromon1[m][i] β /suma1 po wybraniu wierzcho³ek staje siê niedostêpny wybierz dostêpny wierzcho³ek i z P wed³ug prawdopodobieñstwa dla ka dego dostêpnego wierzcho³ka i liczone jest prawdopodobieñstwo oblicz po wszystkich wierzcho³kach dostêpnych j suma2= n i=1 n (suma_feromonu2[i] feromon2[m][i]) feromon2[m][i] β a[i][j] γ p2[i]=(n (suma_feromonu2[i] feromon2[m][i])) (feromon2[m][i] β a[i][j] γ )/suma2 po wybraniu wierzcho³ek staje siê niedostêpny zapamiêtaj krawêdÿ w dopasowaniu M_tymczas oraz mrówkê, która wybra³a krawêdÿ dodaj wagê wybranej krawêdzi do sumy wag krawêdzi z dopasowania M_tymczas gdy nie wybrano wierzcho³ka i z P do pary do wierzcho³ka i z U to dodaj wagê kary //koniec dla ka dej mrówki oblicz pozostawiony feromon w powtórzeniu dt[lp_m]= (1/(1+(n-waga)) zapamiêtaj najlepsze rozwi¹zanie z uzyskanych w trakcie powtórzeñ wagê i dt // lp_m koniec powtórzeñ uaktualnij iloœæ feromonu na wszystkich krawêdziach wed³ug wzoru t = (1-r) t dodaj dt[lp_m] do iloœci feromonu na krawêdziach, które tworzy³y rozwi¹zanie w powtórzeniach lp_m z uwzglêdnieniem, która to mrówka sk³ada³a feromon // koniec iteracji Rys. 2. Pseudokod algorytmu mrówkowego o wielu typach kolonii dla problemu optymalnego dopasowania w wa onym grafie dwudzielnym 117

4 Krzysztof SCHIFF ALGORYTM WIELU KOLONI MRÓWEK DLA OPTYMALNEGO DOPASOWANIA... wêgierskiego. To spodziewane po ¹dane szybsze dzia³anie algorytmu mrówkowego oparte jest na spostrze eniu, e przyrost czasu potrzebnego na uzyskanie rozwi¹zania jest znacznie wiêkszy w algorytmie wêgierskim ni w algorytmie mrówkowym. Prezentowane wyniki przeprowadzanych testów w tym podrozdziale maj¹ daæ odpowiedÿ na pytania, czy algorytm o wielu typach mrówek daje lepsze rozwi¹zania i czy dzia³a szybciej ni zwyk³y algorytm mrówkowy. Testy przeprowadzono przy pe³nych grafach dwudzielnych o liczbie par wierzcho³ków (u, p) odpowiednio wynosz¹cej n = 100,..., 2000 przy wadze od 0,0 do 1,0, liczbie iteracji wynosz¹cej l_iter = 200, liczbie mrówek l_mr = 20 w przypadku algorytmu o jednym typie mrówek i liczbie mrówek l_mr = n oraz liczbie powtórzeñ lp_m = 20 dla algorytmu o wielu typach mrówek, dla wspó³czynnika parowania feromonu r = 0,01 i r = 0,001 odpowiednio dla tych algorytmów. Parametry powy sze uzyskano w wyniku przeprowadzonych testów. Dla parametrów tych uzyskano najlepsze zachowanie siê badanych algorytmów, ale wyniki tych testów nie s¹ prezentowane w tym artykule ze wzglêdu na brak ich wp³ywu na istotê tego artyku³u, którego celem jest odpowiedÿ, czy i w jakim stopniu algorytm o wielu typach mrówek jest lepszy od algorytmu o jednym typie mrówek przy rozwi¹zywaniu problemu optymalnego dopasowania w wa onym grafie dwudzielnym. Tabela 1. Czas dzia³ania badanych algorytmów w [ms] Czas MACO ACO wêgierski Jak wynika z tabeli 1, czas dzia³ania obu algorytmów mrówkowych w porównaniu z algorytmem wêgierskim wskazuje na szybsze dzia³anie tego drugiego, ale jak przygl¹dniemy siê tempu przyrostu czasu dzia³ania algorytmów w zale noœci od przyrostu rozmiaru rozwi¹zywanego problemu, to okazuje siê, e przy wzroœcie wymiaru problemu z 200 do 2000 par wierzcho³ków czas dzia³ania wzrasta oko³o 106, 106 i 2663 razy (to jest stosunek czasu dzia³ania algorytmu przy 2000 wierzcho³kach do czasu dzia³ania algorytmu przy 200 wierzcho³kach) odpowiednio dla algorytmu o wielu typach mrówek, algorytmu o jednym typie mrówek i algorytmu wêgierskiego (rys. 3). Rys. 3. Czas dzia³ania algorytmów (oœ y) w funkcji wymiaru problemu (oœ x) Tabela 2. Waga optymalnego dopasowania badanych algorytmów Waga MACO ACO Wêgierski Algorytm wêgierski jest algorytmem dok³adnym, wiêc zawsze daje on rozwi¹zanie optymalne. W porównaniu do niego, jak wynika z tabeli 2 i 3, algorytmy mrówkowe nie wyznaczaj¹ rozwi¹zañ optymalnych, lecz wynik osi¹gany prze nie jest wynikiem zbli onym. Dla zwyk³ego algorytmu o jednym typie mrówek otrzymywana wartoœæ wagi optymalnego dopasowania M to wartoœæ, która osi¹ga ponad 118

5 ELEKTROTECHNIKA I ELEKTRONIKA TOM 27. ZESZYT 2, % wartoœci optymalnej wagi dopasowania. Dla algorytmu o wielu typach mrówek wartoœæ ta znajduje siê w pobli- u 95% i w porównaniu z algorytmem o jednym typie mrówek zawsze wynik ten jest lepszy, co wiêcej wynik algorytmu o jednym typie mrówek wraz ze wzrostem wymiaru problemu pogarsza siê, gdy tymczasem wynik algorytmu o wielu typach mrówek po pocz¹tkowym pogarszaniu siê stabilizuje siê w pobli u 94,5% wartoœci wagi optymalnego dopasowania uzyskiwanego algorytmem wêgierskim. Tabela 3. Waga optymalnego dopasowania badanych algorytmów w [%] 5. ZAKOÑCZENIE Waga MACO ACO Wêgierski ,5 95, ,0 94, ,3 92, ,4 92, ,4 92, ,6 92, ,8 92, ,8 91, ,0 92, ,0 91, ,2 91, ,7 91, ,6 91, ,6 91, ,5 90, ,5 90, ,6 91, ,5 90, ,5 90, ,5 90,6 100 Artyku³ ten prezentuje algorytm o wielu typach mrówek (MACO), który jak siê okazuje pracuje wolniej ni algorytm o jednym typie mrówek (ACO), ale daje znacznie lepszy wynik, co wiêcej oba algorytmy ze wzglêdu na wolniejsze tempo przyrostu czasu obliczeñ w porównaniu do algorytmu wêgierskiego mog¹ znacznie szybciej osi¹gaæ wynik swojej pracy przy problemach o wiêkszych rozmiarach ni algorytm wêgierski. Szczególnie cecha ta jest istotna przy dynamicznie zmieniaj¹cym siê problemie optymalnego dopasowania w wa onym grafie dwudzielnym. Literatura [1] Dorigo M., Di Caro G.: The Ant Colony Optimization meta-heuristics. [w:] Corne D., Dorigo M., Glover F. (eds.), New Ideas in Optimization, McGraw Hill, UK, 1999, [2] Munkers J.: Algorithms for the Assignment and Transportation Problems. Journal of the Society of Industrial and Applied Mathematics, vol. 5, no. 1, 1957, [3] Shih H.: Two Algorithms for the maximum and minimum weighted bipartite matching. Raport, Department of Computer Science and Information engineering, National Taiwan University 2006 [4] Nowe A., Verbeeck K., Vrancx P.: Multi-type Ant colony: The Edge Disjoint Paths Problem [w:] M. Doringo i in.: Ant colony Optimization and Swarm Intelligence, 4 th International Worskshops, Belgium, September 2004, Proceedings, Springer 2004 [5] Blesa M.J., Blum Ch.: On Solving the Maximum Disjoint Paths Problem with Ant Colony Optimization. Raport, Department de Llenguatges i Sistemes Informatics, Universitat Politecnica de Catalunya, Barcelona, Spain 2006 [6] Stutzle T., Doringo M.: ACO Algorithms for the Traveling Salesman Problem. [w:] K. Miettinen, M. Makela, P. Neittananmaki i J. Periaux (Eds), Evolutionary Algorithms in Engineering and Computer Science, Wiley 1999 Wp³ynê³o: Krzysztof SCHIFF Absolwent Wydzia³u Elektrotechniki, Automatyki i Elektroniki AGH w 1992 roku. W latach doktorant na Wydziale Elektrotechniki, Automatyki, Informatyki i Elektroniki AGH, na którym w roku 1998 uzyskuje tytu³ doktora w dyscyplinie automatyka i robotyka. Wydzia³ Zarz¹dzania AGH koñczy w 1995 roku, a w 2003 uzyskuje tytu³ Microsoft Certified Professional. Od 1992 roku asystent, a od 1998 adiunkt w Instytucie, nastêpnie Katedrze Automatyki Wydzia³u In ynierii Elektrycznej i Komputerowej Politechniki Krakowskiej. kschiff@pk.edu.pl 119