PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy

Podobne dokumenty
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)

Algorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne

Systemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski

Algorytmy metaheurystyczne Wykład 6. Piotr Syga

Techniki optymalizacji

Problem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym.

Optymalizacja harmonogramów budowlanych - problem szeregowania zadań

Algorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja Instytut Informatyki Uniwersytetu Wrocławskiego

Algorytmy mrówkowe (ang. Ant Colony Optimization)

Obliczenia inspirowane Naturą

Optymalizacja harmonogramów budowlanych - problem szeregowania zadań

Problem Komiwojażera - algorytmy metaheurystyczne

Matematyka Dyskretna - zagadnienia

Algorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne

Wykład 4. Droga i cykl Eulera i Hamiltona

WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH

Colloquium 3, Grupa A

Metody optymalizacji nieliniowej (metody programowania nieliniowego) Ewa Niewiadomska-Szynkiewicz Instytut Automatyki i Informatyki Stosowanej

Matematyka dyskretna. Wykład 2: Kombinatoryka. Gniewomir Sarbicki

Algorytmy mrówkowe w dynamicznych problemach transportowych

Algorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie

Algorytmy stadne w optymalizacji problemów przydzia³u przy kwadratowym wskaÿniku jakoœci (QAP)

RÓWNOLEGŁY ALGORYTM PRZESZUKIWANIA Z ZABRONIENIAMI DLA CYKLICZNEGO PROBLEMU GNIAZDOWEGO

BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE

MODYFIKACJA KOSZTOWA ALGORYTMU JOHNSONA DO SZEREGOWANIA ZADAŃ BUDOWLANYCH

Wyznaczenie prędkości pojazdu na podstawie długości śladów hamowania pozostawionych na drodze

Droga i cykl Eulera Przykłady zastosowania drogi i cyku Eulera Droga i cykl Hamiltona. Wykład 4. Droga i cykl Eulera i Hamiltona

Wykorzystanie algorytmów mrówkowych w dynamicznym problem

Obliczenia Naturalne - Algorytmy Mrówkowe

CYKLICZNY PROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI MASZYN

Algorytmy Mrówkowe. Daniel Błaszkiewicz 11 maja 2011

wtedy i tylko wtedy, gdy rozwiązanie i jest nie gorsze od j względem k-tego kryterium. 2) Macierz części wspólnej Utwórz macierz

OPTYMALIZACJA PRZEPUSTOWOŚCI SIECI KOMPUTEROWYCH ZA POMOCĄ ALGORYTMÓW GENETYCZNYCH

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

Technika optymalizacji

METODA PROJEKTOWANIA REJONU ZMIANY KIERUNKU TRASY KOLEJOWEJ

Wykres linii ciśnień i linii energii (wykres Ancony)

ALHE. prof. Jarosław Arabas semestr 15Z

WSPOMAGANIE DECYZJI W OBSZARZE WYZNACZANIA TRAS POJAZDÓW

Wybrane podstawowe rodzaje algorytmów

Podstawy rachunku prawdopodobieństwa (przypomnienie)

Obliczenia z wykorzystaniem sztucznej inteligencji

Algorytm genetyczny (genetic algorithm)-

SZTUCZNA INTELIGENCJA

LABORATORIUM 4: Wpływ operatorów mutacji na skuteczność poszukiwań AE

jest scharakteryzowane przez: wektor maksymalnych żądań (ang. claims), T oznaczający maksymalne żądanie zasobowe zadania P j

KONCEPCJA SYSTEMU BONIFIKAT DLA ODBIORCÓW ZA NIEDOTRZYMANIE PRZEZ DOSTAWCĘ WYMAGANEGO POZIOMU JAKOŚCI NAPIĘCIA

Zastosowanie informatyki w elektrotechnice

Indukcja matematyczna

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

Obliczenia z wykorzystaniem sztucznej inteligencji

WYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ

Algorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009

Algorytmy mrówkowe wprowadzenie.

Techniki optymalizacji

Wykład 21: Studnie i bariery cz.1.

Podejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski

Optymalizacja. Przeszukiwanie tabu

Optymalizacja. Wybrane algorytmy

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 1 ZADANIA - ZESTAW 1. . (odp. a)

Programowanie Współbieżne. Algorytmy

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova

Strategie Zespołowe (SZ) dr inż. Tomasz Białaszewski

OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA

PROCENTY, PROPORCJE, WYRAŻENIA POTEGOWE

Działanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).

P k k (n k) = k {O O O} = ; {O O R} =

Q strumień objętości, A przekrój całkowity, Przedstawiona zależność, zwana prawem filtracji, została podana przez Darcy ego w postaci równania:

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

Analiza B. Paweł Głowacki

Grupowanie sekwencji czasowych

Wykład 9. Fizyka 1 (Informatyka - EEIiA 2006/07)

Kody Huffmana oraz entropia przestrzeni produktowej. Zuzanna Kalicińska. 1 maja 2004

Wyznaczenie stałych atomowych metodą spektroskopii emisyjnej.

Ćwiczenie 4 Badanie wpływu asymetrii obciążenia na pracę sieci

Kodowanie informacji w systemach cyfrowych

Algorytmy metaheurystyczne podsumowanie

Algorytmy genetyczne

dr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW

Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I

Uwaga 1.1 Jeśli R jest relacją w zbiorze X X, to mówimy, że R jest relacją w zbiorze X. Rozważmy relację R X X. Relację R nazywamy zwrotną, gdy:

Materiały do wykładów na temat Obliczanie sił przekrojowych i momentów przekrojowych. dla prętów zginanych.

Zadania laboratoryjne i projektowe - wersja β

Matematyka Dyskretna. Andrzej Szepietowski. 17 marca 2003 roku

Algorytmy stochastyczne laboratorium 03

Sygnały stochastyczne

Nr 2. Laboratorium Maszyny CNC. Politechnika Poznańska Instytut Technologii Mechanicznej

Eksploracja Drzew. Jakub Łopuszański Instytut Informatyki Uniwersytetu Wrocławskiego. 20 czerwca 2007

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane cd.

Strefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek

Sterowanie Ciągłe. Używając Simulink a w pakiecie MATLAB, zasymulować układ z rysunku 7.1. Rys.7.1. Schemat blokowy układu regulacji.

Porównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki

ładunek do przewiezienia dwie możliwości transportu

STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych;

PORÓWNANIE WYBRANYCH ALGORYTMÓW OPTYMALIZACJI ROZPŁYWU MOCY W SYSTEMIE ELEKTROENERGETYCZNYM A COMPARISON OF SELECTED OPTIMAL POWER FLOW ALGORITHMS

Zadanie 5 - Algorytmy genetyczne (optymalizacja)

Optymalizacja ciągła

WYKŁAD 3 WYPEŁNIANIE OBSZARÓW. Plan wykładu: 1. Wypełnianie wieloboku

Transkrypt:

PLAN WYKŁADU Algorytm mrówowy OPTYMALIZACJA GLOBALNA Wyład 8 dr inż. Agniesza Bołtuć (ANT SYSTEM) Inspiracja: Zachowanie mrówe podczas poszuiwania żywności, Zachowanie to polega na tym, że jeśli do żywności prowadzą dwie drogi to po pewnym czasie więszość mrówe będzie orzystać z rótszej. Zasada działania w naturze: Mrówi początowo wybierają trasę losowo, Wracając do mrowisa zostawiają ślad feromonowy, Feromony stopniowo parują, Na rótszej trasie feromon odparowuje wolniej, a więc olejne mrówi chętniej wybierają tą trasę, Soro wybierana jest ta trasa to następuje wzmocnienie śladu feromonowego (atracyjna trasa staje się bardziej atracyjna), W miarę upływu czasu mrówi opracowują zbiorowo najrótszą ścieżę wiodącą je do pożywienia.

Zastosowania: Najczęściej wyorzystywane do algorytmów poszuiwania najlepszych ścieże w grafie, Bardzo często stosowany do rozwiązywania zadania omiwojażera. Tworzenie populacji mrówe, Pojedyncza mrówa generuje swoją ścieżę niezależnie od innych, Każda mrówa ma losowo wybrany począte trasy, Startując z niego mrówa porusza się po grafie szuając najrótszej drogi, Mrówa jest wyposażona w pamięć, aby nie wracać do już odwiedzonych wierzchołów (tzw. lista tabu), pozwala później na atualizację feromonu. Rodzaje algorytmu mrówowego: Gęstościowy mrówa zostawia stałą ilość feromonu podczas budowania drogi (dochodząc do ażdego olejnego miasta), Ilościowy mrówa zostawia ilość feromonu odwrotnie proporcjonalną do długości rawędzi wybranej podczas budowania drogi, Cyliczny mrówi zostawiają feromon dopiero gdy zbudują całą drogę, znacznie wydajniejszy algorytm niż pozostałe wymienione, Przy wyborze drogi mrówa ieruje się: Pamięcią nie odwiedza już odwiedzonych, Ilością feromonu na danej rawędzi, Długością trasy. 2

Przyładowa reprezentacja danych: i d f j Prawdopodobieństwo wybrania drogi przez mrówę z i do j w iteracji t: p ( t) l N i f ( t) ( f ( t) il d ( t) d ( t) - parametr oreślający wpływ pozostawionego feromonu na prawdopodobieństwo, il ) d odległość pomiędzy i,j f poziom feromonu - parametr oreślający wpływ odległości na prawdopodobieństwo, N - zbiór miast tórych mrówa nie odwiedziła a do tórych prowadzi droga i z miasta i, Wraz ze wzrostem ilości feromonu na rawędzi i,j prawdopodobieństwo wybrania feromonu rośnie, zaś spada wraz ze wzrostem długości rawędzi, Sterowanie zasięgiem odbywa się za pomocą parametrów i, Po ustaleniu prawdopodobieństwa dla wszystich rawędzi wychodzących z i-tego miasta następuje losowanie w celu wybrania rawędzi według tórej poruszać się będzie mrówa (najczęściej odbywa się za pomocą oła ruleti), ALGORYTM KOLONII MRÓWKOWYCH (ANT COLONY SYSTEM) Odmiana systemu mrówowego Różnica leży w sposobie obliczania prawdopodobieństwa wybrania rawędzi, Dla -tej mrówi znajdującej się w i-tym mieście ustalone jest na poziomie stałej q 0 prawdopodobieństwo przejścia do tego miasta l, dla tórego wartość iloczynu f( t) d jest najwyższa, ( t) Pozostała część prawdopodobieństwa (-q 0 ) jest rozdysponowana wśród pozostałych rawędzi wychodzących z l-tego miasta zgodnie ze schematem podziału ja w systemach mrówowych, 3

ALGORYTM KOLONII MRÓWKOWYCH Taie sformułowanie wyliczania prawdopodobieństwa pozwala ontrolować prawdopodobieństwo wyboru tego połączenia, tóre jest wsazywane przez najwyższy poziom feromonu oraz najrótszą rawędź, Pozwala na obronę przed dominacją jednej rawędzi oraz przypadowością wyboru dalszej ścieżi w przypadu równej wartości prawdopodobieństwa dla wszystich możliwych rawędzi. Atualizacja poziomu feromonu: uwzględnia zarówno odparowanie ja i złożenie feromonu przez mrówę n f ( t ) odparowywanie ( ) f ( t) - współczynni odparowywania [0,] - liczba mrówe n L sładanie L K - całowita długość trasy przebytej przez mrówę Wartości początowe: - MODYFIKACJE Dobre rezultaty dla zadań nie więszych niż 75 miast, dlatego wprowadzano różne modyfiacje, f c najlepiej bardzo mała wartość 0.00 Modyfiacje:, 5, 0.5 dobrane esperymentalnie przez Dorigo elityzm, system olonii mrówowych, system mrówowy MAX-MIN, system mrówowy z rangami, 4

ELITYZM Elityzm modyfiacja reguł pozostawiania śladu feromonowego, elita zbiór o rozmiarze e, zawiera najlepsze ścieżi znalezione w atualnej iteracji, dodatowy mechanizm przechowywania najrótszej ścieżi znalezionej w ramach całego procesu optymalizacji ( ), - MODYFIKACJE atualizując ślad feromonowy wyróżnia się rawędzie należące do ścieżi, pod waruniem, że wystąpią w dowolnej ścieżce należącej do elity, do rawędzi należących do dodaje się dodatowy feromon w ilości eq / L, gdzie '' Q to waga wyróżnienia (z esperymentu), zaś '' to całowita długość ścieżi. L SYSTEM KOLONII MRÓWKOWYCH Dwa rodzaje atualizacji feromonu przez mrówę: globalny i loalny, Atualizacja globalna: ta ja w metodzie z poziomem cylicznym w systemie mrówowym, ale feromon sładany jest wyłącznie przez jedną mrówę tą tóra w danej iteracji znalazła najlepszą ścieżę, Atualizacja loalna: Każda mrówa po przejściu rawędzi pozostawia na niej ślad ' ( t) ( ) ( t) 0 ( t ) / L SYSTEM KOLONII MRÓWKOWYCH mechanizm atualizacji ro z roiem znany z systemów mrówowych, jedna inaczej liczy się ilość pozostawionego feromonu, Sterujemy parametrem z przedziału [0,], Intencją dodania loalnej atualizacji śladu feromonowego w taiej postaci jest to aby już odwiedzone rawędzie nie stawały się zbyt interesujące dla ażdej następnej mrówi, parametr oraz stałą dobiera się w drodze esperymentu indywidualnie 0 dla ażdego zadania, 5

SYSTEM MRÓWKOWY MAX-MIN Tylo jedna mrówa pozostawia ślad, ta tóra reprezentuje najlepsze globalne lub loalne (w danej iteracji) rozwiązanie, Wprowadzono dodatowo ( w celu zapobiegania stagnacji w procesie szuania) ograniczenia na ilość feromonu na rawędzi, min ; max Przy sładaniu feromonu masymalnie przyjmowana jest górna granica, przy odparowywaniu dolna, Ponadto wartość początowa feromonu na rawędziach jest ustalana na masymalną dopuszczalną wartość co powoduje wzmocnienie cech esploracyjnych algorytmu na początu jego działania, SYSTEM MRÓWKOWY Z RANGAMI Ślad feromonowy pozostawia tylo mrówa tóra wygenerowała globalnie najlepsze rozwiązanie oraz pewna liczba mrówe reprezentujących najlepsze rozwiązania w danej iteracji, W ażdym rou mrówi są sortowane zgodnie z długością ścieżi i jedynie w najlepszych pozostawia ślad, tóry jeszcze jest mnożony przez współczynni (w-), gdzie to pozycja mrówi na liście, WYKŁAD PRZYGOTOWANO NA PODSTAWIE K. Trojanowsi, Metaheurystyi pratyczne, WIT, 2005, K. Grygiel, Metaheurystyi, notati do wyładu, UW, 6