Title: More than a paradigm, swarms are almost, at times, an archetype. Millonas, 1993 zitiert aus
1More than a paradigm, swarms are almost, at
times, an archetype.Millonas, 1993 zitiert
ausSwarm Intelligence Kennedy Eberhart
Ausarbeitung und Vortragspräsentation
J.Frietsch Sommer 2003
2Ant Colony Algorithmen Stigmergy
- Gliederung
- Definition
- TSP
- Stigmergy
- Ant System
- Charakteristik
- Ant Colony System
- Modifikationen zu AS
- Studien zur Funktionsweise
3Ant Colony Algorithmen Stigmergy
- Gliederung
- Definition
- TSP
- Stigmergy
- Ant System
- Charakteristik
- Ant Colony System
- Modifikationen zu AS
- Studien zur Funktionsweise
4Ant 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.
5Ant 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
6Ant 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
der Anzahl der Lösungen, sondern weil die Länge
der Wege im schlimmsten Fall brute force
aufsummiert und verglichen werden muss. .
7Ant Colony Algorithmen Stigmergy
- Definition
- Stigmergy
-
- indirekte Informationsvermittlung
- durch die Analyse sich
- verändernden Umweltparametern
- Beispiele Google (Pagerank)
- Insektensoziäten
8Ant Colony Algorithmen Stigmergy
- Gliederung
- Definition
- TSP
- Stigmergy
- Ant System
- Charakteristik
- Ant Colony System
- Modifikationen zu AS
- Studien zur Funktionsweise
9Ant Colony Algorithmen Stigmergy
- Ant System
-
-
- der Ant System Algorithmus wurde von Dorigo,
Maniezzo und Colorni vorgestellt (1996) - bei kleineren TSP konkurrenzfähig
- zu herkömmlichen heuristischen Algorithmen wie
GA oder SA.
10Ant 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.spurenverhinder
t, das der Schwarm auf suboptimale Lösungen
konvergiert.
11Ant Colony Algorithmen Stigmergy
- Ant System
- Ziel Suche nach Tmax
- Prinzip Etablieren eines Attraktors
- () Suchen der jeweils kürzesten Tour Tder
Iteration t mit der Länge L - (-) Erhöhung der Freiheitsgrade desSystems um
vom Attraktor abweichen zu können
12Ant Colony Algorithmen Stigmergy
- Ant System
- Grundlagen
- Sein 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
13Ant Colony Algorithmen Stigmergy
- Ant System
- Stadtübergänge (Transitions)
- Regeln für den Übergang einer Ant k von der Stadt
i nach j - Sie hat ein Arbeitsgedächtnis J, in dem die
Städte vermerkt sind, die sie noch besuchen muss - Der Kehrwert der Distanz d ist die Erreichbarkeit
? - 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
14Ant Colony Algorithmen Stigmergy
- Ant System
- Entscheidungsgesetz ( für i nach j )
- (Transition Rule)
- p Wahrscheinlichkeit
- ? Erreichbarkeit
- ? Spurintensität
- J Arbeitsgedächtnis der Ant k
15Ant 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) -
-
16Ant 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
-
17Ant Colony Algorithmen Stigmergy
- Ant System
- (-) der Ausweg
-
- Einführung einer Zerfallskonstante ? für das
Pheromon ? (mit 0 lt ? lt1) - Korrekturformel (Global Update Rule)
-
18Ant Colony Algorithmen Stigmergy
- Gliederung
- Definition
- TSP
- Stigmergy
- Ant System
- Charakteristik
- Ant Colony System
- Modifikationen zu AS
- Studien zur Funktionsweise
19Ant 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
Tmaxdie so bei jeder Iteration bestärkt
werden. - Unterstützung des Attraktors und Ermöglichung
einer Feinjustierung durch Anzahl der
Elite-Ameisen
20Ant 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
21Ant Colony Algorithmen Stigmergy
- Gliederung
- Definition
- TSP
- Stigmergy
- Ant System
- Charakteristik
- Ant Colony System
- Modifikationen zu AS
- Studien zur Funktionsweise
22Ant Colony Algorithmen Stigmergy
- Ant Colony System
-
- Ist eine Weiterentwicklung von Ant System und
entstand in Zusammenarbeit von Dorigo
Gambardella (1997) - außergewöhnlich leistungsstarke Performance
auch bei komplexeren Problemfeldern.
23Ant Colony Algorithmen Stigmergy
- Ant Colony System
- 3 wichtige Weiterentwicklungen
- eine verfeinerte Transition Rule
- Local Update Rule in d. Schrittschleife
- eine geänderte globale Korrekturformel
alsWeiterentwicklung der Elite-Ameise(Global
Update Rule)
24Ant Colony Algorithmen Stigmergy
- Ant Colony System
- zu 1 Transition Rule
- durch Hinzufügen einer Konstante qo wird eine
Feinjustierung möglich (0 lt q0 lt 1), indem qo
bei jedem Schritt mit einer beliebigen
Zufallszahl qverglichen wird . (0 lt q lt 1) - q lt q0 () sichere Stadt u nahe am Attr.
-
- q gt q0
- (-) Erkundung wird bevorzugt.
-
25Ant Colony Algorithmen Stigmergy
- Ant Colony System
- zu 1 Transition Rule
- durch Hinzufügen einer Konstante qo wird eine
Feinjustierung möglich (0 lt q0 lt 1) - q lt q0 () die Ant k nutzt das gesamte
gespeicherte Problemwissen und wählt eine sichere
Stadt u - nach arg max u ? Jki ?iu(t) ?iu?
-
26Ant Colony Algorithmen Stigmergy
- Ant Colony System
- zu 1 Transition Rule
- durch Hinzufügen einer Konstante qo wird eine
Feinjustierung möglich (0 lt q0 lt 1) - q gt q0 (-) die Ant k wählt analog der
Entscheidungsregel aus Ant System eine Stadt
ihres Arbeitsgedächtnisses J -
-
27Ant 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 - ?) ?ij(t) ? ?0
- wird die Spurintensität vermindert d. h. je
länger die Iteration voranschreitet desto
unattraktiver wird T
28Ant 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
29Ant 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 - ?) ?ij(t) ? ? ?ij(t) mit ?
?ij(t) 1/L - () Sinn es wird vordringlich in der Nähe von T
gesucht.
30Ant 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
31Ant Colony Algorithmen Stigmergy
- Gliederung
- Definition
- TSP
- Stigmergy
- Ant System
- Charakteristik
- Ant Colony System
- Modifikationen zu AS
- Studien zur Funktionsweise
32Ant 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.
33Ant Colony Algorithmen Stigmergy
- Studien der Funktionsweise
- 50 Städte Problem im ACS gelöst
34Ant 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
35Ant Colony Algorithmen Stigmergy
- Studien der Funktionsweise
- Standardabweichung und Vernetzungsgrad
36Ant 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.
37Ant 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).
38Ant 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.
-
39Ant 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.