More than a paradigm, swarms are almost, at times, an archetype
.
Millonas, 1993 zitiert aus
„Swarm Intelligence“; Kennedy & Eberhart
Ausarbeitung und Vortragspräsentation J.Frietsch Sommer 2003
Ant Colony Algorithmen & Stigmergy
Gliederung
– Definition
• TSP
• Stigmergy – Ant System
• Charakteristik
– Ant Colony System
• Modifikationen zu AS
– Studien zur Funktionsweise
Ant Colony Algorithmen & Stigmergy
Gliederung
– Definition
• TSP
• Stigmergy – Ant System
• Charakteristik
– Ant Colony System
• Modifikationen zu AS
– Studien zur Funktionsweise
Ant 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.
Ant 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
Ant 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
Ant Colony Algorithmen & Stigmergy
• Definition Stigmergy
• indirekte Informationsvermittlung
• durch die Analyse sich
• verändernden Umweltparametern Beispiele: Google (Pagerank)
Insektensoziäten
Ant Colony Algorithmen & Stigmergy
Gliederung
– Definition
• TSP
• Stigmergy – Ant System
• Charakteristik
– Ant Colony System
• Modifikationen zu AS
– Studien zur Funktionsweise
Ant 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.
Ant 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.spuren verhindert, das der Schwarm auf
suboptimale Lösungen konvergiert.
Ant Colony Algorithmen & Stigmergy
• Ant System
Ziel: Suche nach Tmax
Prinzip: Etablieren eines Attraktors
• (+) Suchen der jeweils kürzesten Tour T+ der Iteration t mit der Länge L+
• (-) Erhöhung der Freiheitsgrade des
Systems um vom Attraktor abweichen zu können
Ant Colony Algorithmen & Stigmergy
• Ant System Grundlagen:
• Sei
n 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
Ant Colony Algorithmen & Stigmergy
• Ant System
Stadtübergänge (Transitions):
• Regeln für den Übergang einer Ant k von der Stadt i nach j
1 Sie hat ein Arbeitsgedächtnis J, in dem die Städte vermerkt sind, die sie noch besuchen muss
2 Der Kehrwert der Distanz d ist die Erreichbarkeit
3 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
Ant Colony Algorithmen & Stigmergy
• Ant System
Entscheidungsgesetz ( für i nach j ) (Transition Rule)
p: Wahrscheinlichkeit
: Erreichbarkeit
: Spurintensität
J: Arbeitsgedächtnis der Ant k
Ant 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)
Ant 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
Ant Colony Algorithmen & Stigmergy
• Ant System
(-): der Ausweg:
Einführung einer Zerfallskonstante für das Pheromon (mit 0 < <1)
Korrekturformel (Global Update Rule):
Ant Colony Algorithmen & Stigmergy
Gliederung
– Definition
• TSP
• Stigmergy – Ant System
• Charakteristik
– Ant Colony System
• Modifikationen zu AS
– Studien zur Funktionsweise
Ant 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 Tmax
die so bei jeder Iteration „bestärkt“ werden.
• Unterstützung des Attraktors und Ermöglichung einer Feinjustierung durch Anzahl der Elite-Ameisen
Ant 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
Ant Colony Algorithmen & Stigmergy
Gliederung
– Definition
• TSP
• Stigmergy – Ant System
• Charakteristik
– Ant Colony System
• Modifikationen zu AS
– Studien zur Funktionsweise
Ant 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.
Ant Colony Algorithmen & Stigmergy
• Ant Colony System
3 wichtige Weiterentwicklungen
1 eine verfeinerte Transition Rule
2 Local Update Rule in d. Schrittschleife
3 eine geänderte globale Korrekturformel als Weiterentwicklung der Elite-Ameise
(Global Update Rule)
Ant Colony Algorithmen & Stigmergy
• Ant Colony System zu 1: Transition Rule
• durch Hinzufügen einer Konstante qo wird eine Feinjustierung möglich (0 < q0 < 1), indem qo bei jedem Schritt mit einer beliebigen Zufallszahl q verglichen wird . (0 < q < 1)
q < q0 :
(+) sichere Stadt u nahe am Attr.
q > q0 :
(-) Erkundung wird bevorzugt.
Ant Colony Algorithmen & Stigmergy
• Ant Colony System zu 1: Transition Rule
• durch Hinzufügen einer Konstante qo wird eine Feinjustierung möglich (0 < q0 < 1)
q < q0 :
(+): die Ant k nutzt das gesamte
gespeicherte Problemwissen und wählt eine sichere Stadt u
nach: arg max u Jki {[
iu(t)] * [
iu]}Ant Colony Algorithmen & Stigmergy
• Ant Colony System zu 1: Transition Rule
• durch Hinzufügen einer Konstante qo wird eine Feinjustierung möglich (0 < q0 < 1)
q > q0 :
(-): die Ant k wählt analog der
Entscheidungsregel aus Ant System eine Stadt ihres Arbeitsgedächtnisses J
Ant 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 - ρ)
*
ij(t) + ρ
*
0wird die Spurintensität vermindert d. h.
je länger die Iteration voranschreitet desto unattraktiver wird T+
Ant 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
Ant 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 - ρ)
*
ij(t) + ρ
*
ij(t)
mit
ij(t) = 1/L
+• (+) Sinn: es wird vordringlich in der Nähe von T+ gesucht.
Ant 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+
Ant Colony Algorithmen & Stigmergy
Gliederung
– Definition
• TSP
• Stigmergy – Ant System
• Charakteristik
– Ant Colony System
• Modifikationen zu AS
– Studien zur Funktionsweise
Ant 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.
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
50 Städte Problem im ACS gelöst
Ant 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
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
Standardabweichung und Vernetzungsgrad
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
• Lösungspopulationen konvergieren nicht auf ein 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
Ant Colony Algorithmen & Stigmergy
• Studien der Funktionsweise
• diese Nonkonvergenz-Eigenschaften sind charakt. für viele Swarm basierte Systeme
• hohe Diversität seiner Lösungspopulationen bewahrt 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).
Ant 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.
Ant 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.