Escolar Documentos
Profissional Documentos
Cultura Documentos
NDICE
1. Colonias de hormigas naturales
2. La hormiga artificial
3. El sistema de hormigas
4. Otros sistemas de hormigas
5. Aplicaciones
6. Optimizacin multiobjetivo basada en CH
7. Referencias
% of experiments
% of experiments
NDICE
1. Colonias de hormigas naturales
2. La hormiga artificial
3. El sistema de hormigas
4. Otros sistemas de hormigas
5. Aplicaciones
6. Optimizacin multiobjetivo basada en CH
7. Referencias
2. La hormiga artificial
Los algoritmos de OCH reproducen el comportamiento de las
hormigas reales en una colonia artificial de hormigas para resolver
problemas complejos de camino mnimo
Cada hormiga artificial es un mecanismo probabilstico de construccin de soluciones al problema (un agente que imita a la
hormiga natural) que usa:
- Unos rastros de feromona (artificiales) que cambian con el
tiempo para reflejar la experiencia adquirida por los agentes en la
resolucin del problema.
- Informacin heurstica sobre la instancia concreta del problema.
donde:
Actualizacin de la feromona
Cuando una hormiga transita por un camino deposita ciertos niveles de
feromona, la cual se va evaporando con el tiempo.
Se usa una retroalimentacin positiva para reforzar en el futuro los
componentes de las buenas soluciones mediante un aporte adicional de
feromona.
Cuanto mejor sea la solucin, ms feromona se aporta.
Se usa la evaporacin de feromona para evitar un incremento ilimitado
de los rastros de feromona y para permitir olvidar las malas decisiones
tomadas.
La evaporacin es la misma para todos los rastros, eliminndose un
porcentaje de su valor actual: 0 1
Es un mecanismo de evaporacin ms activo que el natural, lo que evita
la perduracin de los rastros de feromona y permite al algoritmo olvidar
malas decisiones tomadas previamente.
donde
rsk es la cantidad de feromona que la hormiga k deposita en los arcos
que visita
si la hormiga k ha visitado el arco ars
en otro caso
m es el nmero de hormigas, y
es el ratio de evaporacin.
Los arcos visitados por hormigas en la iteracin actual (arcos prometedores)
reciben un aporte extra de feromona y los no visitados por ninguna hormiga
(poco prometedores) la pierden.
NDICE
1. Colonias de hormigas naturales
2. La hormiga artificial
3. El sistema de hormigas
4. Otros sistemas de hormigas
5. Aplicaciones
6. Optimizacin multiobjetivo basada en CH
7. Referencias
i=1
ijk
Una vez construidas las 6 soluciones, se aplica la actualizacin de feromona. Considerando que cada hormiga h aporta 100/C[h] en los arcos
visitados, tendramos los siguientes aportes:
NDICE
1. Colonias de hormigas naturales
2. La hormiga artificial
3. El sistema de hormigas
4. Otros sistemas de hormigas
5. Aplicaciones
6. Optimizacin multiobjetivo basada en CH
7. Referencias
en el caso contrario.
EAS encuentra mejores caminos y en menos iteraciones si seleccionamos convenientemente el parmetro e (valor tpico e=n).
y rsmejor_global =1/Cmejor_global .
donde
(Smejor-global).
Estudio comparativo
Estudio comparativo de los AS para el problema del viajante (TSP):
Nmero de hormigas: m = 10
Nivel inicial de feromona: 0 = 1/(n C(Sgreedy)), siendo
solucin obtenida por un algoritmo del gradiente
Sgreedy la
NDICE
1. Colonias de hormigas naturales
2. La hormiga artificial
3. El sistema de hormigas
4. Otros sistemas de hormigas
5. Aplicaciones
6. Optimizacin multiobjetivo basada en CH
7. Referencias
6. APLICACIONES
El tipo de problemas que se pueden resolver por medio de hormigas
artificiales pertenece al grupo (restringido) de problemas de
camino mnimo que se pueden caracterizar por:
Existe un cjto. de restricciones R para el problema a solucionar.
Existe un ctjo. finito de componentes N = {n1, n2, ..., nl}.
El problema presenta diversos estados que se definen segn
secuencias ordenadas de componentes = <nr, ns,..., un,...>
(<r, s,,u,> para simplificar). Si A es el cjto de todas las
secuencias posibles, llamamos al conjunto de posibles (sub)
secuencias que respetan las restricciones R. Los elementos en
definen los estados posibles. || es la longitud de una secuencia .
NDICE
1. Colonias de hormigas naturales
2. La hormiga artificial
3. El sistema de hormigas
4. Otros sistemas de hormigas
5. Aplicaciones
6. Optimizacin multiobjetivo basada en CH
7. Referencias
donde:
q0[0,1] es la probabilidad con la que se escoge el arco ms
prometedor (igual que en AS) (valor tpico 0.9),
con
Adems:
- Si ij>max entonces ij=max, con max=k m(1-),
- Si ij<min entonces ij=min, con min=k/2 m(1-), siendo m
el nmero de hormigas, k la k-sima solucin y k obtenidas de
la expresin:
K iteraciones no
NDICE
1. Colonias de hormigas naturales
2. La hormiga artificial
3. El sistema de hormigas
4. Otros sistemas de hormigas
5. Aplicaciones
6. Optimizacin multiobjetivo basada en CH
7. Referencias
9. Referencias
Barn, B, Shaerer, M. (2003). A Multiobjective Ant Colony System for Vehicle Routing Problems with
Time Window, Proceedings of the 21st IASTED International Conference on Applied Informatics,
Insbruck, Austria, 97-102.
Blum, C., Roli, A., Dorigo, M. (2001). HC-ACO: The Hyper-Cube Framework for Ant Colony
Optimization, Proceedings of the Metaheuristics International Conference 2, 399-403.
Bonabeau, Dorigo, Theraulaz (1999). Swarm Intelligence, Oxford.
Bullnheimer, B. Hartl, R.F., Strauss, C. (1999). A New Rank-Based Version of the Ant System: A
Computational Study. Journal of the Operations Research and Economics 7, 25-38.
de Campos, L.M., Fernndez-Luna, J.M., Gmez, J.A., Puerta, J.M. (2002a). Ant Colony
Optimization for Learning Bayesian Networks, International Journal of Approximate Reasoning 31
(3), 291-311.
de Campos, L.M., Gmez, J.A., Puerta, J.M. (2002b). Learning Bayesian Networks by ant Colony
Optimisation: Searching in Two Different Spaces, Mathware & Soft Computing 9 (2-3), 251-268.
di Caro, G., Dorigo, M. (1998). AntNet: Distributed Stimergic Control for Communication Networks,
Journal of Artificial Intelligence Research 9, 317-365.
Casillas, J., Cordn, O., Herrera. F. (2002). Different Approaches to Induce Cooperation in Fuzzy
Linguistic Models under the COR Methodology. In: Technologies for Constructing Intelligent
Systems 1. Tasks, B. Bouchon-Meunier, J. Gutirrez-Rios, L. Madalena, R.R. Yager (eds.), PhysicaVerlag, 321-334.
Colorni, A., Dorigo, M. Maniezzo, V. (1992). Distributed Optimization by Ant Colonies, in:
Proceedings of the First European Conference on Artificial Life, F.J. Varela, P. Bourgine (eds.),
Cambridge, MA, MIT Press, 134-142
Cordn, O., Herrera, F., Moreno. Ll. (1999). Integracin de Conceptos de Computacin Evolutiva en
un Nuevo Modelo de Colonia de Hormigas. Actas de la Conferencia de la Asociacin Espaola para
la Inteligencia Artificial (CAEPIA99), 98-104.
Cordn, O, Fernndez de Viana, I., Herrera, F., Moreno. Ll. (2000), A New ACO Model Integrating
Evolutionary Computation Concepts: The Best-Worst Ant System. Actas de ANTS2000 - From Ant
Colonies to Artificial Ants: Second International Workshop on Ant Algorithms, 22-29.
Deneubourg, J.L., Aron, S., Goss, S., Pasteels, J.M. (1990). The Self-Organizing Exploratory
Pattern of the Argentine Ant, Journal of Insect Behavior 3, 159-168.
Doerner, K., Gutjahr, W., Hartl, R., Strauss, C. , Stummer, C. (2002). Pareto Ant Colony
Optimization: A Metaheuristic Approach to Multiobjective Portfolio Selection, Proceedings of the 4th
Metaherustics International Conference, Porto, 243-248.
Dorigo, M. (1992). Optimization, Learning and Natural Algorithms. PhD Thesis, Dipartamento di
Elettronica, Politecnico di Milano, Milan.
Dorigo, M., Di Caro, G. (1999). Ant Algorithms for Discrete Optimization, Artificial Life 5 (2), 137-172.
Dorigo, M. Gambardella, L.M. (1997). Ant Colony System: A Cooperative Learning Approach to the
Traveling Salesman Problem, IEEE Trans. on Evolutionary Computation 1 (1), 53-66.
Dorigo, M., Maniezzo, V., Colorni, A. (1991). Positive Feedback as a Search Strategy, Technical
Report 91-016, Dipartamento di Elettronica, Politecnico di Milano, Milan.
Dorigo, M., Maniezzo, V., Colorni, A. (1996). The Ant System: Optimization by a Colony of
Cooperating Agents, IEEE Tranactions on Systems, Management and Cybernetics-Part B 26, 1-13.
Dorigo, M., Sttzle, T. (2003). The Ant Colony Optimization Metaheuristic: Algorithms, Applications
and Advances. In: Handbook of Metaheuristics, F. Glover and G. Kochenberger (eds.), Kluwer
Academic Publishers, 251-285.
Dorigo, M., Sttzle, T. (2004). Ant Colony Optimization, The MIT Press.
Goss, S., Aron, S., Deneubourg, J.L., Pasteels, J.M. (1989). Self-organized Shortcuts in the
Argentine Ant, Naturwissenschaften 76, 579-581.
Maniezzo, V. (1999). Exact and Approximate Non-Deterministic Tree Search Procedures for the
Quadratic Assignment Problem, INFORMS Journal of Computing 11 (4), 358-369.