A. Gebert / A. Henke Ant colony simulation.

Slides:



Advertisements
Ähnliche Präsentationen
Vortrag von Stephanie Weirauch Jens Pleger Peter Jancke Frank Wejmelka
Advertisements

Algorithmen für das Erfüllbarkeitsproblem SAT
Simulationsansätze in der BWL: Erstellung eines eigenen Projekts
Grundlagen des A*-Algorithmus und Anwendung in der Routenplanung
Perceptrons and the perceptron learning rule
Routing – Routing Protokolle
1.1.2: Frequent Pattern Growth von Nicolai Voget
1 More than a paradigm, swarms are almost, at times, an archetype. Millonas, 1993 zitiert aus Swarm Intelligence; Kennedy & Eberhart Ausarbeitung und Vortragspräsentation.
Datenstrukturen, Algorithmen und Programmierung 2 (DAP2)
Präsentation von Daniel Hörl
Die 1-Baum-Relaxation des TSP mit der Subgradientenmethode
Algorithmen und Komplexität
Klaus Volbert 1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität Sommersemester 2004.
FH-Hof Optimierungsverfahren für kombinatorische Probleme Richard Göbel.
Heuristiken Automatic Problem Solving Institut für Informatik
Lernende Agenten Seminar Softwareagenten Wintersemester 2001/2002 Norman Neuhaus.
Algorithmentheorie 6 – Greedy-Verfahren
Prof.Dr.S. Albers Prof. Dr. Th. Ottmann
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (04 – Entwurfsverfahren) Prof. Th. Ottmann.
WS Algorithmentheorie 08 – Dynamische Programmierung (2) Matrixkettenprodukt Prof. Dr. Th. Ottmann.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (27 – Kürzeste Wege) Prof. Th. Ottmann.
1 Vorlesung Informatik 2 Algorithmen und Datenstrukturen (21 – Kürzeste Wege) T. Lauer.
Algorithmen und Datenstrukturen
Seminar parallele Programmierung SS 2003
High Performance = Innovative Computer Systems + Efficient Algorithms Friedhelm Meyer auf der Heide 1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen.
Algorithmen und Komplexität
Algorithmen des Internets 2005 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität 1 Klausuraufgaben.
Routingverfahren in Content Delivery Networks
Statisches Scheduling in RT-Netzwerken Betrachtung zweier Ansätze Marcus Merz
Seminar Heuristische Verfahren Das Tastatur-Anordnungs-Problem
Routenplanung & Komplexität.
Kontrollfragen zu Kapitel 1
Routenplanung & Komplexität. Lernziele Sie haben den Dijkstra-Algorithmus nachvollzogen. Sie haben das Konzept der Komplexität eines Algorithmus verstanden.
Kombinatorische Optimierung mit Ameisensystemen
EXCEL PROFESSIONAL KURS
Ameisenalgorithmus und Simulated Annealing
Computational Thinking Suchen und Sortieren [Ordnung muss sein…]
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Universität zu Köln Historisch-Kulturwissenschaftliche Informationsverarbeitung Softwaretechnologie II (Teil I): Simulation und 3D Programmierung Prof.
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Effiziente Algorithmen
Hartmut Klauck Universität Frankfurt SS
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Limited Local Search And Restart Nähere Betrachtungen.
… oder wie finde ich den Weg
CCNA2 – Module 9 Basic Router Troubleshooting
Programmieren - wie einsteigen ?
Das Traveling Salesman Problem (TSP)
Algorithmen für das Erfüllbarkeitsproblem SAT
Very Large-Scale Neighborhood Search
Herstellung der Beziehung zwischen Graph und Gleichung
Universität zu Köln Historisch-Kulturwissenschaftliche Informationsverarbeitung Softwaretechnologie II (Teil I): Simulation und 3D Programmierung Prof.
Methodische Grundlagen und Graphen
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Diskrete Mathematik II Foliendesign: Jörg Steinrücken & Tobias Kahn Vorlesung
Routenplanung querfeldein - Geometric Route Planning
Stefan Nolting Andreas Goebels Larissa Timajev
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Diskrete Mathematik II Vorlesung der Algorithmus von Floyd.
1.1 Einführung und institutionelle Grundlagen  Wagenhofer/Ewert Alle Rechte.
Der A*-Algorithmus.
Game Loop & Update Method Robert Nystrom – Game Programming Patterns Universität zu Köln Historisch-Kulturwissenschaftliche Informationsverarbeitung SS.
Adiabatisches Quantencomputing
Einführung in die Informationsverarbeitung Teil Thaller Stunde V: Wege und warum man sie geht Graphen. Köln 14. Januar 2016.
Focusing Search in Multiobjective Evolutionary Optimization through Preference Learning from User Feedback Thomas FoberWeiwei ChengEyke Hüllermeier AG.
Christoph Wirtz | Seminarvortrag EBC | Lehrstuhl für Gebäude- und Raumklimatechnik Ein Tool zum automatisierten Erstellen von Conversion Scripts.
Schwarmintelligenz Lydia Pintscher Seminar Organic Computing Universität Karlsruhe.
Publikation von Studierenden der FH OÖ Monte Carlo Tree Search für Optimierung Alexander Balleitner.
Emanuel Mistretta Lukas Schönbächler
Daniel Radeloff AMEISEN- ALGORITHMEN.
 Präsentation transkript:

A. Gebert / A. Henke Ant colony simulation

Inhalt Ameisenkolonien in der Natur Was ist ACO? Anwendungsgebiete Algorithmus im Detail ACO Live-Demo

Ameisenkolonien in der Natur Ameisen hinterlassen eine Pheromonspur auf ihrem Weg Ameisen verwenden die Pheromonspuren zur Wegfindung Verdichtete Pheromonspuren deuten auf „bessere Wege“ hin Die einzelne Ameise hat limitierte kognitive Fähigkeiten, die Kolonie besitzt jedoch eine gewisse „Intelligenz“

Ameisenkolonien in der Natur

Was isT „ACO“ ? Ant Colony Optimization / Ameisenalgorithmus Generisches Algorithmus Framework basierend auf dem Verhalten echter Ameisen Schwarmintelligenz Verschiedene Implementierungen

AnwendunGsgebiete Alle diskreten Optimierungsprobleme, für die es einen Mechanismus gibt, der auf Teillösungen aufbauend Schritt für Schritt zur vollständigen Lösung führt. Statische Probleme TSP (Travelling Salesman Problem) QAP (Quadratic Assignment Problem) Dynamische Probleme Network Routing

Algorithmus im Detail Gefundene Lösung ist immer nur eine Annäherung – keine exakte Lösung Keine Umwelteinflüsse (Algorithmus ist blind) Ablauf erfolgt in separaten Iterationen von je einer fixen Anzahl Ameisen Pheromon wird nicht kontinuierlich abgelegt Abgegebene Pheromonmenge abhängig von der Güte der gefundenen Lösung

Algorithmus im Detail Enthält Nodes und Node Connections Connections haben jeweils ein Pheromon Level Jede Ameise liefert jeweils eine Lösung Lösungen aller Ameisen ergeben eine Iteration

Algorithmus im Detail Eine Iteration umfasst: Alle Ameisen suchen einen Weg Weg-Entscheidung anhand Pheromon, Wegstrecke und Zufallswert Die gefundene Lösung besteht aus Forward- und Backward Path Backward Path ist optimiert (loop elimination) Pheromon Update Alle gefundenen Lösungen werden bewertet Auf den Connections der Lösung wird Pheromon abgelegt (antiproportional zur Tourlänge bzw. Kosten) Pheromon Verdunstung

Weg-Entscheidung ?

Pheromon update

Pheromon Verdunstung Verhindert schnelles konvergieren hin zu einer suboptimalen Lösung

Live-Demo Implementierung eines simplen ACO Algorithmus Lösung des Shortest-Path Problems GUI mit 2D/3D Visualisierung

Fragen?? ??? :)

ACO Performance #1

ACO Performance #2

ACO Performance #3

Iterations vs. settings