2. Ant Colony Optimization (ACO) 17. 12. 2009 Ant Colony Optimization 2 Futtersuche der Ameisen Schwarmintelligenz Stigmergie Entwickelt von Marco Dorigo, 1991 Anwendungsgebiete Kombinatorische Optimierungsprobleme TravelingSalesman Problem Rucksackproblem …
3. Übersicht Von natürlichen zu künstlichen Ameisen ACO Metaheuristik Simple ACO ACO für TSP Ant System Elitest Ant System Rank-Based System Max-Min Ant System Ant Colony System Kurzes Beispiel 17. 12. 2009 3 Ant Colony Optimization
4. Übersicht Von natürlichen zu künstlichen Ameisen ACO Metaheuristik Simple ACO ACO für TSP Ant System Elitest Ant System Rank-Based System Max-Min Ant System Ant Colony System Kurzes Beispiel 17. 12. 2009 4 Ant Colony Optimization
5. Natürliche Ameisen 17. 12. 2009 Ant Colony Optimization 5 Bilden Kolonien Bestehen ausKönigin(nen) und Arbeiterinnen Erkunden große Flächen ohne globalem Wissen Kommunikation durch Pheromone (Stigmergie)
6. Pheromone (1) 17. 12. 2009 Ant Colony Optimization 6 Sind flüchtige Duftstoffe (Verdunstung) Pheromonspur markieret Pfad einer Ameise Mehrere Arten Bsp: trail pheromone Höhere Intensität => höhere Wahrscheinlichkeit, dass Pfad gewählt wird
7. Pheromone (2) 17. 12. 2009 Ant Colony Optimization 7 Höhere Intensität auf optimalem Pfad, da Ameisen schneller vom Nest zum Futter und zurück gelangen. => mehr Ameisen wählen den optimalen Weg Erschließung neuer Möglichkeiten Double Bridge Experiment
9. Künstliche Ameisen (1) 17. 12. 2009 Ant Colony Optimization 9 Graph mit 3 Knoten Knoten 1: Nest Knoten 2: Futter Knoten 3: Umweg Diskrete Zeit forward pheromonetrail
10. Künstliche Ameisen (2) 17. 12. 2009 Ant Colony Optimization 10 Für Minimum Cost Paths mitmehr als 3 Knoten Problem Loops durch forward pheromone trail Lösung Speichern des gewählten Pfades Backward pheromone trail Loops entfernen
11. Künstliche Ameisen (3) 17. 12. 2009 Ant Colony Optimization 11 Eine Iteration => jede Ameise erzeugt eine Lösung Speichern der Lösung Backward pheromone trail Loopdetection Wert des gesetzten Pheromons von Pfadlänge abhängig Bsp: c =Pfadkosten Optimierungsmöglichkeiten Bsp: Nur Ameise mit bester Lösung darf Pheromone setzen
12. Übersicht Von natürlichen zu künstlichen Ameisen ACO Metaheuristik Simple ACO ACO für TSP Ant System Elitest Ant System Rank-Based System Max-Min Ant System Ant Colony System Kurzes Beispiel 17. 12. 2009 12 Ant Colony Optimization
13. ACO Metaheuristik 17. 12. 2009 Ant Colony Optimization 13 Überbegriff für verschiedene auf Ameisen basierende Algorithmen Kann für statische und dynamische Probleme verwendet werden Anwendungsgebiet Hauptsächlich kombinatorische Probleme Kontinuierliche Parameteroptimierung
14. ACO Metaheuristik 17. 12. 2009 Ant Colony Optimization 14 Wiederhole bis Abbruchkriterium erfüllt ist:
15. Anwendungsgebiete 17. 12. 2009 Ant Colony Optimization 15 Routing TSP, VehicleRouting ... Assignment Job Shop, Flow Shop, Project Scheduling, Group Scheduling MachineLearning ClassificationRules, Bayesian Networks Weitere Rucksackproblem, ...
16. Simple ACO 17. 12. 2009 Ant Colony Optimization 16 Direkte Umsetzung des Verhaltens natürlicher Ameisen Initialisierung der Pheromonspur Tour Construction Nachbarschaft N Liste benachbarter Knoten
17. S-ACO – Pheromone aktualisieren 17. 12. 2009 Ant Colony Optimization 17 Verdunstung reduziert Pheromone auf allen Kanten Pheromonspur wird im Backward mode aktualisiert ist eine Funktion der Pfadlänge
19. Übersicht Von natürlichen zu künstlichen Ameisen ACO Metaheuristik Simple ACO ACO für TSP Ant System Elitest Ant System Rank-Based System Max-Min Ant System Ant Colony System Kurzes Beispiel 17. 12. 2009 19 Ant Colony Optimization
20. ACO für TSP 17. 12. 2009 Ant Colony Optimization 20 TravelingSalesman Problem Vollständig gerichteter Graph Finde Rundtour durch alle Städte, so dass jede Stadt genau einmal besucht wird
21. ACO für TSP 17. 12. 2009 Ant Colony Optimization 21 In einem Zeitschritt t erzeugt jede Ameise eine gültige Lösung Pheromonmatrix Intensität der Pheromone vom Knoten i zum Knoten j Lokale Information Kehrwert der Distanz zwischen 2 Knoten Ameisen starten von zufällig gewählten Knoten
22. Ant System (AS) 17. 12. 2009 Ant Colony Optimization 22 Tour Construction Nachbarschaft N Liste unbesuchter Städte und steuern das Verhältnis zwischen dem Anteil der Pheromone und der lokalen Information
23. AS – Pheromone aktualisieren 17. 12. 2009 Ant Colony Optimization 23 Verdampfung ist die Verdampfungsrate Update
24. ElitestAnt System (EAS) 17. 12. 2009 Ant Colony Optimization 24 Bisher beste Tour trägt zusätzlich Pheromon auf e ist Konstante Kürzere Touren Weniger Iterationen notwendig
25. Rank-BasedAnt System 17. 12. 2009 Ant Colony Optimization 25 Erweiterung zu EAS Lösungen werden sortiert und aktualisieren ihrem Rang entsprechend die Pheromonspuren Besser als EAS Deutlich besser als AS
26. Max-MinAnt System 17. 12. 2009 Ant Colony Optimization 26 Nur „best-so-far“ Ameise führt Pheromonupdate durch Problem: Stagnation Pheromonwerte werden begrenzt Pheromonmatrix wird mit initialisiert Sehr explorativ! Reinitialisierung bei Stagnation
27. AntColony System (ACS) 17. 12. 2009 Ant Colony Optimization 27 Erweiterung für AS Verändert AS grundlegend, baut jedoch darauf auf Aggressivere Nachfolgerauswahl Stark veränderte Pheromonplatzierung Signifikante Verbesserung der Performance
28. ACS – Tour Construction 17. 12. 2009 Ant Colony Optimization 28 Parameter steuert Diversierung / Intensivierung j ist die als Nachfolger gewählte Stadt q ist eine auf [0,1] gleichverteilte Zufallsvariable J ist eine durch AS gewählte Stadt aus der Nachbarschaft von i
29. ACS – Pheromone aktualisieren 17. 12. 2009 Ant Colony Optimization 29 Nur die „best-so-far“ Ameise aktualisiert Pheromone Verdunstung und Aktualisierung nur für Tbs Globale Aktualisierung Lokale Aktualisierung Nach dem Verwenden der Kante (i,j)
30. AntColony System 17. 12. 2009 Ant Colony Optimization 30 Sequentieller vs. Paralleler Durchlauf der Ameisen Implizite Pheromonwertgrenzen (Min-MaxAS) Verwendung von Kandidatenlisten verbessert Qualität TSP: für jede Stadt werden die nahesten Nachbarn gespeichert Bessere Performance
32. Übersicht Von natürlichen zu künstlichen Ameisen ACO Metaheuristik Simple ACO ACO für TSP Ant System Elitest Ant System Rank-Based System Max-Min Ant System Ant Colony System Kurzes Beispiel 17. 12. 2009 32 Ant Colony Optimization
Überbegriff für Optimierungsverfahren die durch die Futtersuche einer Ameisenkolonie inspiriert sindSchwarmintelligenz (wie PSO):Stigmertie: Kommunikation in einem dezentral organisiertem System (Modifikation der Umwelt)Komb opt: aus einer großen Menge von diskreten Elementen (Gegenstände, Orte) eine Teilmenge zu konstruieren, die gewissen Nebenbedingungen entspricht
Kolonien von 100 Ameisen bis zu Milliarden (größte Kolonie ist über 5000 km lang mit mehreren Milliarden Nestern)Nur Königin ist fruchtbarStigmergie = Kommunikation in dezentral organisiertem System, indem Umgebung verändert wird
Flüchtige Duftstoffe: Evaporation (Verdünstung)
Mehr Ameisen => Intensität höherErschließung durch WahrscheinlichkeitNur lokale Information (ist Pheromon stärker oder nicht)Double Bridge: Denouburg 1989
3 Methoden werden bis zum Abbruchkriterium ausgeführtUpdate: neue Werte setzen + Verdunstung
Dorigo 1991Tour construction: auswahl des nächsten knotenEta = heuristischer wert (1/d (ij))Alpha = 0 => kein einfluss der pheromone => greedyBeta = 0 => schnelle konvergenz zu beliebigem pfad
m = Anzahl der AmeisenC^k = Länge der Tour der Ameise kGute werte für roh = 0.5 für m = n = anzahl der Knoten
E = 2
Dorigo 1997
Mit einer Wahrscheinlichkeit von q0 wird bester möglicher Zug gemacht (durch Pheromone)Mit einer Wahrscheinlichkeit von (1-q0) wird explorativ erweitert
Global: Verdunstung und Update in einem für alle kanten aus bester lösung roh = Verdunstungsrate (0<=roh<=1)xi = (0<=xi<=1) guter wert: 0.1T0= 1/C^nn NearestNeigbour tour
Experimentell in der Performance kein Unterschied zwischen sequentieller und paralleler AusführungPheromone nie unter t0 und nie über 1/C^bs