Metaheurystyka pszczela w kolorowaniu wierzcho³ków grafu

Transkrypt

1 AUTOMATYKA 2011 Tom 15 Zeszyt 2 ukasz Rojek*, Konrad Wala* Metaheurystyka pszczela w kolorowaniu wierzcho³ków grafu 1. Wprowadzenie Ze wzglêdu na szerokie spektrum zastosowañ, problemy silnie NP-trudne pozostaj¹ interesuj¹cym obszarem badawczym zarówno dla specjalistów z matematyki dyskretnej, jak i informatyków. Bardzo czêsto badane s¹ tu, pod k¹tem efektywnoœci procesu poszukiwania, metaheurystyki inspirowane przez naturê. Obserwacja biologicznych uk³adów emergentnych, takich jak roje owadów, pozwoli³a na odkrycie statystycznych procesów samoorganizacji wykorzystanych m. in. do optymalizacji dyskretnej. Pocz¹wszy od roku 2005, praca [1] wykonana w Manufacturing Engineering Centre, Cardiff University, UK, badana jest metaheurystyka pszczela nale ¹ca do podejœæ rojowych (por. [2 5]). Powstaje tu pytanie, czy mo emy spodziewaæ siê w przypadku stosowania algorytmów bêd¹cych konkretnymi realizacjami tej metaheurystyki lepszych rezultatów optymalizacji silnie trudnych problemów kombinatorycznych w porównaniu do takich, klasycznych ju w tej chwili i numerycznie przebadanych metaheurystyk, jak genetyczna czy ewolucyjna oraz mrówkowa. Wœród trudnych problemów kombinatorycznej optymalizacji szczególne miejsce zajmuj¹ problemy permutacyjne, gdzie rozwi¹zaniem problemu jest kolejnoœæ wykonywania okreœlonych zadañ czy czynnoœci, a tak e kolejnoœæ przydzia³u specyficznych (z zakresy w¹skiego gard³a) zasobów. Kolorowanie grafów, w ogólnym przypadku silnie NP-trudny problem optymalizacji kombinatorycznej, jest ci¹gle interesuj¹cym problemem badawczym dla wielu specjalistów [6 8]. Klasyczny, wierzcho³kowy problem kolorowania grafu polega na przypisaniu wierzcho³kom grafu jednego z kolorów (nazwy, liczby porz¹dkowej) tak, a eby aden z s¹siednich wierzcho³ków nie mia³ tego samego koloru. Przyjêto, e wierzcho³kowym dopuszczalnym k-kolorowaniem grafu G = (V, E) jest surekcja x: V {1, 2,..., k}, gdzie x(i) x(j) je eli {i, j} E. Problem optymalizacji polega na wyznaczeniu pokolorowania x minimalizuj¹cego liczbê zastosowanych kolorów: k min. * Wy sza Szko³a Biznesu w D¹browie Górniczej 421

2 422 ukasz Rojek, Konrad Wala Historycznie, profesor uniwersytetu w Cambridge A. Cayley w roku 1879 postawi³ pierwszy problem kolorowania wierzcho³ków grafu na spotkaniu Londyñskiego Towarzystwa Matematycznego, w celu ustalenia sposobu kolorowania map administracyjnych minimaln¹ liczb¹ kolorów. W tym samym roku jego uczeñ A. Kempe poda³ dowód twierdzenia, i 4 kolory wystarcz¹ do pokolorowania dowolnej dwuwymiarowej mapy. Jednak w 1890 matematyk P. Heawood wskaza³ b³êdy w dowodzie Kempe a, podaj¹c w³asny dowód dotycz¹cy kolorowania za pomoc¹ 5 barw. Poprawny dowód dla czterech kolorów przeprowadzili dopiero w 1976 roku K. Appel i W. Haken polegaj¹cy na rozpatrzeniu 1936 typów map, wspomagany obliczeniami komputerowymi. Sytuacje w których nale y unikaæ okreœlonych konfliktów pomiêdzy obiektami, s¹ czêsto modelowane jako problemy kolorowania grafów. Jeœli do wykonania zadañ i oraz j reprezentowanych przez wierzcho³ki grafu w konkretnym przedziale czasu potrzebne s¹ zbiory œrodków S(i) i S(j) oraz ma miejsce konflikt S(i) S(j), to ³¹cz¹c wierzcho³ki i, j krawêdzi¹ {i, j} zapewniamy tym zadaniom, w dopuszczalnym pokolorowaniu, inne przedzia³y czasu realizacji, a w optymalnym pokolorowaniu minimaln¹ liczbê przedzia³ów realizacji wszystkich planowanych zadañ. 2. Metaheurystyka i algorytm pszczeli 2.1. Mataheurystyka pszczela Dla wygody Czytelnika, poni ej zaprezentowano krótki opis metaheurystyki pszczelej inspirowanej przez organizacjê pszczó³ miodnych poszukuj¹cych po ywienia; streszczenie opracowano na podstawie [1]. Podstawow¹ cech¹ organizacji erowania pszczó³ naœladowan¹ w metaheurystyce jest stosowanie i przetwarzanie populacji rozwi¹zañ w ka dej iteracji, przy czym wyjœciem ka dej iteracji jest tak e populacja rozwi¹zañ. Parametry metaheeurystyki: m liczba wybranych lokalizacji zagonów kwiatowych z n odwiedzonych przez zwiadowców, e liczba najlepszych, elitarnych, lokalizacji zagonów wybranych z m, nep liczba pszczó³ rekrutowanych dla e najlepszych lokalizacji, nsp liczba pszczó³ rekrutowana dla pozosta³ych (m-e) wybranych lokalizacji, Pseudokod metaheurystyki pszczelej. 1. Inicjalizuj populacjê n rozwi¹zañ losowych i oceñ ich jakoœæ (fitness). 2. while (nie wyst¹pi kryterium stopu) //Formowanie nowej populacji. 3. Wybierz m lokalizacji do przeszukiwania s¹siedztwa. 4. Rekrutuj pszczo³y do wybranych lokalizacji (wiêcej pszczó³ nep dla najlepszych e lokalizacji i mniej nsp dla pozosta³ych (m-e) ) i oceñ ich jakoœæ. 5. Wybierz najlepsz¹ pszczo³ê z ka dego zagonu kwiatowego 6. Przydziel pozosta³e pszczo³y do losowego szukania i oceñ ich jakoœæ. 7. end while

3 Metaheurystyka pszczela w kolorowaniu wierzcho³ków grafu 423 Poszukiwania rozpoczynaj¹ siê od losowego umieszczenia n zwiadowców w zbiorze rozwi¹zañ i oceny ich jakoœci. W kroku 3, pszczo³y o najwy szej jakoœci s¹ wytypowane jako pszczo³y wybrane i lokalizacje odwiedzone przez nie s¹ wybrane do pe³nego przeszukiwania s¹siedztwa. Nastêpnie, w krokach 4 i 5, algorytm prowadzi poszukiwania w s¹siedztwie wybranych lokalizacji, przydzielaj¹c wiêcej pszczó³ do przeszukiwania w pobli u e najlepszych lokalizacji. Pszczo³y mog¹ byæ wybrane bezpoœrednio zgodnie z ich jakoœci¹ zwi¹zan¹ z lokalizacjami, które odwiedzaj¹. Alternatywnie, wartoœci jakoœci s¹ zastosowane do okreœlenia prawdopodobieñstwa wyboru pszczó³. Poszukiwanie w s¹siedztwie e najlepszych lokalizacji, które reprezentuj¹ bardziej obiecuj¹ce rozwi¹zania, jest wykonywane bardziej szczegó³owo przez rekrutacjê wiêkszej liczby pszczó³, nep, ani eli dla pozosta³ych wybranych (m-e) nsp, nsp < nep.ta ró nicowana rekrutacja jest kluczow¹ operacj¹ algorytmu pszczelego. W kroku 5, z ka dego zagonu kwiatowego tylko pszczo³a z najwy sz¹ ocen¹ jakoœci jest wybierana do nastêpnej populacji. W naturze nie ma takiego ograniczenia. Zosta³o ono wprowadzone w celu redukcji punktów eksploracji. W kroku 6 pozosta³e pszczo³y populacji s¹ przydzielone losowo w przestrzeni rozwi¹zañ, przeszukuj¹c nowe potencjalne rozwi¹zania Algorytm pszczeli Poni ej przedstawiono badany algorytm pszczeli AP uœciœlaj¹cy funkcje metaheurystyki pszczelej dla problemów optymalizacji kombinatorycznej, gdzie zagony kwiatowe s¹ definiowane jako s¹siedztwa poprawianych rozwi¹zañ. Parametry algorytmu: pocz pocz¹tkowa liczba pszczó³ zwiadowców, m liczba wybranych lokalizacji z n odwiedzonych przez zwiadowców, e liczba najlepszych (elitarnych) lokalizacji wybranych z m, nep liczba pszczó³ rekrutowanych dla e najlepszych lokalizacji, nsp liczba pszczó³ rekrutowana dla pozosta³ych (m-e) wybranych lokalizacji, k liczba okreœlaj¹ca wielkoœæ przeszukiwanego s¹siedztwa. Pseudokod algorytmu pszczelego AP dla problemów optymalizacji kombinatorycznej 1. Inicjalizuj populacjê P sk³adaj¹c¹ siê z pocz losowo wybranych rozwi¹zañ z przestrzeni szukania, oceñ ich jakoœæ (fitness) i zapamiêtaj najlepsze jako best oraz ustal wartoœæ k (k 1). 2. Z populacji P wybierz m najlepszych rozwi¹zañ, zbiór M = {1,..., m}, ze zbioru M wybierz e najlepszych elitarnych rozwi¹zañ, zbiór EL = {1,..., e}, i zapamiêtaj najlepsze rozwi¹zanie zbioru EL jako bestel, gdzie EL M oraz e < m-e < m < pocz. Wyznacz najlepsze aktualne rozwi¹zanie best := arg min {Q(best), Q(bestEL)}. 3. Je eli jest spe³niony warunek zatrzymania obliczeñ (np. wykonanie zadanej liczby iteracji, wykonanie zadanej liczby iteracji bez poprawy rozwi¹zania best) to STOP; wyjœcie: best, Q(best).

4 424 ukasz Rojek, Konrad Wala 4. Dla ka dego i EL z s¹siedztwa W k (i) wybierz losowo e i rozwi¹zañ, gdzie Σ i EL e i = nep. Dla ka dego i {M-EL} z s¹siedztwa W k (i) wybierz losowo m i rozwi¹zañ, gdzie Σ i {M-EL} m i = nsp oraz nsp < nep; wybrane rozwi¹zania tworz¹ now¹ populacjê P. PrzejdŸ do kroku 2. // Formowanie nowej populacji: rekrutacja pszczó³ do wybranych lokalizacji (wiêcej pszczó³ dla najlepszych e lokalizacji). Algorytm rozpoczyna od losowego umieszczenia pocz zwiadowców w przestrzeni poszukiwañ i ocenie jakoœci odwiedzonych lokalizacji. W kroku 2 pszczo³y o najwy szej jakoœci s¹ wytypowane jako pszczo³y wybrane i lokalizacje odwiedzone przez nie s¹ wybrane do przeszukiwania s¹siedztwa. Nastêpnie, w kroku 4 algorytm prowadzi poszukiwania w s¹siedztwie wybranych lokalizacji, przydzielaj¹c wiêcej pszczó³ do przeszukiwania w pobli u e najlepszych lokalizacji. Poszukiwanie w s¹siedztwie e najlepszych lokalizacji, które reprezentuj¹ bardziej obiecuj¹ce rozwi¹zania, jest wykonywana bardziej szczegó³owo przez rekrutacjê wiêkszej liczby pszczó³ ani eli dla pozosta³ych wybranych (m-e); ta ró nicowana rekrutacja jest kluczow¹ operacj¹ algorytmu pszczelego. Definicje s¹siedztwa W k (i) dla i P w przypadku optymalizacji kombinatorycznej, gdzie rozwi¹zaniem jest n-elementowa permutacja π. Niech π = (π(1),..., π((i),..., π(j),..., π(n)) jest permutacj¹ zbioru n elementowego. Przyjêto, e rozwi¹zanie π 1 s¹siednie do π jest wyznaczone przez operacjê ruch(π, i, j), i, j {1,..., n) polegaj¹c¹ na przestawieniu elementów π(i) i π(j) permutacji π, tj.: π 1 = (π(1),..., π(j),..., π(i),..., π(n)) = ruch(π, i, j). Sasiedztwo W k (π), k = 1,2,... jest to zbiór wszystkich rozwi¹zañ otrzymanych z rozwi¹zania π przez k operacji ruch: W k (π) = {π k : π k = ruch(π k 1, i, j), i, j {1,..., n}} π k 1 = ruch(π k 2, i, j), i, j {1,..., n}}, k = 1, 2,... Wybór losowy rozwi¹zañ z s¹siedztwa W k oznacza, e w ka dym z k ruchów liczby i, j s¹ losowo wybierane; rozk³ad równomierny, ze zbioru {1,..., n}. W badanym algorytmie AP wprowadzono pewne modyfikacje w stosunku do klasycznej ju metaheurystyki, gdzie przeszukiwane jest pe³ne s¹siedztwo rozwi¹zañ zbiorów E i M-E. W propozycji zastosowano s¹siedztwo z parametrem k, W k (), którego wartoœæ, a wiêc i licznoœæ s¹siedztwa, jest parametrem algorytmu i podczas wstêpnych badañ numerycznych mo e byæ dobierane przez u ytkownika. Z ka dego s¹siedztwa wybierana jest losowo ustalona liczba rozwi¹zañ, mo na wiêc przeszukiwaæ ró ne s¹siedztwa w rozs¹dnym czasie, sprawdzaj¹c tylko niedu ¹ liczbê rozwi¹zañ w ka dym. Dodatkowo, przeszukiwanie losowe wiêkszych s¹siedztw umo liwia likwidacjê kroku 6 metaheyrystyki, a przez to uproszczenie algorytmu, szczególnie w zakresie doboru jego parametrów eksploatacyjnych. Zauwa my jeszcze, ze realizacja kroku 6 jest niezbedna dla roju pszczó³ do adaptacji procesu poszukiwania nowych zagonów kwiatowych w zwi¹zku ze zmieniaj¹c¹ siê por¹ kwitnienia ró nych gatunków. Wydaje siê, e w przypadku poszukiwania dobrych rozwi¹zañ problemów kombinatorycznych, problemów statycznych, wystarczy na pocz¹tku obliczeñ wygenerowaæ dostatecznie du ¹ populacjê pocz¹tkow¹.

5 Metaheurystyka pszczela w kolorowaniu wierzcho³ków grafu Kolorowanie wierzcho³ków grafu Problem kolorowania wierzcho³ków grafu prostego G = (V, E) jest w ogólnym przypadku silnie NP-trudny [6, 7], wobec tego jest merytorycznie uzasadnione stosowanie wielomianowych algorytmów heurystycznych, wœród których wa ne miejsce zajmuj¹ algorytmy permutacyjne, gdzie wierzcho³ki zbioru V s¹ uszeregowane w permutacjê π = (π(1),..., π(j),..., π(n)), π(j) V. Permutacja π okreœla rozwi¹zanie problemu kolorowania, k-kolorowanie k = k(π), w sposób jednoznaczny, je eli przyj¹æ regu³ê kolorowania polegaj¹c¹ na przydziale kolejnym wierzcho³kom permutacji najmniejszego dopuszczalnego koloru. Dok³adnie: x(π(1)) = 1, dla j = 2, 3,..., n: x(π(j)) = min {k : k 1, x(π(i) k dla {π(i), π(j)} E, i = 1, 2,..., j 1}. Dla dowolnego grafu G mo na znaleÿæ tak¹ permutacjê π, ze wykonanie wymienionej powy ej regu³y kolorowania prowadzi do pokolorowania optymalnego. Wystarczy w tym celu wzi¹æ jedno z pokolorowañ optymalnych x i szeregowaæ wierzcho³ki grafu w kolejnoœci niemalej¹cych kolorów x(π(i)) x(π(j)) dla i < j. Dla takiego uszeregowania pokolorowanie y wyznaczone przez regu³ê kolorowania spe³nia nierównoœæ y(π(i)) x(π(i)), dla 1 i n, a wiêc jest to tak e pokolorowanie optymalne. Celem algorytmów permutacyjnych kolorowania jest wyznaczenie permutacji numerów wierzcho³ków grafu która, po zastosowaniu regu³y kolorowania, wyznacza optymalne lub bliskie do optymalnego pokolorowanie wierzcho³ków grafu. Podstawowe algorytmy konstrukcyjne szeregowania wierzcho³ków zbioru V w permutacje π to: Algorytm LF (Largest-First), gdzie wierzcho³ki s¹ szeregowane w kolejnoœci nierosn¹cych stopni deg(j) wierzcho³ków j V, tj.: deg(π(j+1)) deg(π(j)), j = 1, 2,..., n 1. Algorytm SL (Smallest-Last) zaproponowany przez D. Matule. Algorytm SLF (Saturated Largest First), w którym kolorowanie wierzcho³ków odbywa siê na podstawie stopnia nasycenia wierzcho³ka, czyli liczby ró nych kolorów, u ytych do pokolorowania jego s¹siadów. Zauwa my, e powy sze algorytmy konstruuj¹ uszeregowanie, w czasie wielomianowym, na podstawie lokalnej informacji o strukturze grafu, jak¹ jest stopieñ wierzcho³ków. Dla ka dego z nich mo na wskazaæ przyk³ady, dla których uzyskanie pokolorowania optymalnego jest niemo liwe. Losowy algorytm permutacyjny, gdzie szeregowanie wierzcho³ków wykonywane jest losowo, ma szansê wyznaczyæ dla dowolnego grafu pokolorowanie optymalne, ale œrednio liczba zastosowanych kolorów przez ten algorytm jest wiêksza ni przez algorytmy LF, SL, SLF [6, 7]. W nastêpnym punkcie przedstawiono wyniki badañ komputerowych zastosowania algorytmu pszczelego do kolorowania, porównuj¹c je z najprostszym algorytmem konstrukcyjnym LF.

6 426 ukasz Rojek, Konrad Wala 4. Eksperymenty komputerowe W tabeli 1 przedstawiono wybrane wyniki badañ komputerowych omówionego algorytmu AP wykonane dla losowo wygenerowanych grafów prostych z liczb¹ wierzcho³ków n = 100 i dodatkowo scharakteryzowanych przez gêstoœæ krawêdzi GE. W wykonanych eksperymentach obliczeniowych populacja pocz¹tkowa sk³ada³a siê z 500 wygenerowanych losowo permutacji. Pozosta³e parametry algorytmu AP by³y nastêpuj¹ce: m = 30, e = 14, nep = 70, nsp = 30 oraz k = 5, warunkiem stopu algorytmu by³o wykonanie 3. iteracje bez poprawy liczby kolorów. Na rysunku 1 przedstawiono procentowe porównanie wyników zamieszczonych w tabeli 1. Tabela 1 Zestawienie liczby kolorów u ytych przez algorytmy pszczeli AP oraz konstrukcyjny LF, gdzie GE gêstoœæ krawêdzi grafu Lp. GE AP LF Lp. GE AP LF Lp. GE AP LF Lp. GE AP LF 1 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

7 Metaheurystyka pszczela w kolorowaniu wierzcho³ków grafu 427 Rys. 1. Procentowe porównanie wyników badañ algorytmu AP z algorytmem LF 5. Zakoñczenie W pracy zaproponowano algorytm pszczeli AP dla permutacyjnych problemów optymalizacji kombinatorycznej i przeprowadzono wstêpne badania numeryczne jego efektywnoœci w kolorowaniu wierzcho³ków grafu prostego. Wyniki uzyskane w kolorowaniu losowo wygenerowanych grafów porównano z wynikami standardowego algorytmu konstrukcyjnego LF. Odnotujmy, e algorytmy pszczele bazuj¹ tylko na przeszukiwaniu s¹siedztwa, charakteryzuj¹c siê dodatkowo regu³¹: intensywniej przeszukuj s¹siedztwa lepszych rozwi¹zañ. Algorytmami z przeszukiwaniem tylko s¹siedztwa poprawianych rozwi¹zañ s¹ miêdzy innymi, od wielu ju lat eksploatowane, algorytmy MSLS (multiple start local search) i VNS (variable neighbourhood search) i trudno spodziewaæ siê uzyskania od nich lepszych wyników szukania. Wydaje siê, e do silnie trudnych problemów optymalizacji kombinatorycznej lepiej jest stosowaæ algorytmy hybrydowe typu GLS (genetic local search) czy GTS (genetic tabu search), gdzie przeszukiwanie s¹siedztwa jest wspierane przez operatory krzy owania, których wynalezienie zdecydowanie przyœpieszy³o w przyrodzie proces ewolucji. Literatura [1] Pham D.T., Ghanbarzadeh A., Koc E., Otri S., Rahim S., Zaidi M., The Bee Algorithm A novel tool for complex optimization. Technical Note, Manufacturing Engineering Centre, Cardiff University, UK, 2005; Published by Elsevier Ltd [2] Filipowicz B., Chmieiel W., Kad³uczka P., Ukierunkowane przeszukiwanie przestrzeni rozwi¹zañ w algorytmach rojowych. Automatyka (pó³rocznik AGH), t. 13, z. 2, 2009,

8 428 ukasz Rojek, Konrad Wala [3] Karaboga D., Akay B., A comparative study of Artifical Bee Colony algoritm. Applied Mathematics and Computation, 214, 2009, [4] Rojek., System informatycznydo do badania algorytmu pszczelego na przyk³adzie problemu kolorowania wierzcho³ków grafu prostego. Dyplomowa praca magisterska wykonana w Wy szej Szkole Biznesu, D¹browa Górnicza 2011, 63, promotor: K.Wala. [5] [on-line], [6] Agnarsson G., Greenlaw R., Graph theory: Modeling, applications, and algorithms. Pearson Education 2007, Inc. [7] Diestel R., Graph theory. Springer-Verlag, NY, 1997, [8] Kubale M. (Red), Modele i metody kolorowania grafów. Wydawnictwo Naukowo-Techniczne, Warszawa [9] Czaderna P., Wala K., Performance comparison of the AS and GTS algorithms for weighted maximum leaf spanning tree problem. Prace Naukowe Politechniki Warszawskiej, Elektronika, z. 160, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2007,