intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Bài giảng Tính toán tiến hóa - Bài 7: Ant colony optimization (ACO)

Chia sẻ: Hàn Lâm Cố Mạn | Ngày: | Loại File: PDF | Số trang:19

Thêm vào BST
Báo xấu
30
lượt xem 4
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng Tính toán tiến hóa - Bài 7: Ant colony optimization (ACO). Bài này cung cấp cho học viên những nội dung về: giải thuật tối ưu hóa bầy kiến; giải thuật tối ưu hóa bầy ong; giải thuật tối ưu hóa bầy đàn; quá trình xây dựng đường đi cho cá thể kiến;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Tính toán tiến hóa - Bài 7: Ant colony optimization (ACO)

  1. Ant Colony Optimization (ACO) PGS.TS Huỳnh Thị Thanh Bình Email: binhht@soict.hust.edu.vn
  2. Giải thuật tối ưu hóa bầy kiến 2  Xuất phát từ ý tưởng đàn kiến đi tìm thức ăn
  3. 3 Giải thuật tối ưu hóa bầy kiến
  4. Giải thuật tối ưu hóa bầy ong 4 Dựa trên phương thức đàn ong đi tìm hoa lấy mật
  5. Giải thuật tối ưu hóa bầy đàn 5 Lịch sử: Được đề xuất năm 1995 bởi giáo sư Russell Eberhart và nhà tâm lý học James Kenedy James Kenedy Russell Eberhart
  6. Giải thuật tối ưu hóa bầy đàn 6  Lấy ý tưởng từ việc đàn chim tìm kiếm thức ăn  Ví dụ đơn giản minh họa:
  7. Tổng quan 7 Ant Colony Optimization:  Được giới thiệu bởi Marco Dorigo ở đầu những năm 1990s.  Thuộc lớp các thuật toán tối ưu sử dụng Trí thông minh bầy đàn.  Lấy cảm hứng từ tập tính xã hội trong việc tìm kiếm thức ăn của đàn kiến trong tự nhiên.  Thuật toán dựa trên quần thể.  Đối tượng áp dụng: các bài toán tối ưu rời rạc (bài toán tìm đường đi).
  8. Quá trình tìm kiếm thức ăn của đàn kiến 8  Ban đầu, các cá thể kiến đi theo các hướng ngẫu nhiên để tìm kiếm thức ăn.  Nếu tìm thấy thức ăn, các cá thể kiến mang thức ăn về tổ và để lại một chất hóa học (được gọi là pheromone) trên đường quay lại của nó.  Pheromone trên mỗi đường đi giảm dần theo thời gian  Đường có pheromone càng cao thì khả năng lựa chọn đi theo đường đi đó của các cá thể kiến khác càng lớn.  Càng nhiều cá thể kiến tìm thấy thức ăn trên một đường đi , thì pheromone của đường đi đó càng cao.
  9. Quá trình tìm kiếm thức ăn của đàn kiến 9  Đàn kiến có thể tìm được đường đi ngắn nhất giữa tổ và thức ăn bằng cách nào?  Đầu tiên: Các cá thể kiến đi ngẫu nhiên theo mọi hướng  Nếu đường đi có khả năng dẫn tới nguồn thức ăn => Pheromone được rải trên đường quay trở lại  Đường đi càng ngắn, các cá thể kiến càng quay lại tổ nhanh => Nồng độ pheromone của đường đi đó được tăng cường sớm.  Đường đi càng dài=> Các cá thể kiến quay lại tổ lâu hơn => Nồng độ pheromone được cập nhật chậm và giảm dần do sự bay hơi  Sau một thời gian => Các cá thể kiến chỉ đi theo một đường đi duy nhất
  10. Giải thuật tối ưu hóa đàn kiến 10
  11. Giải thuật tối ưu hóa đàn kiến Quá trình xây dựng đường đi cho cá thể kiến 11  Xét cá thể kiến 𝑘. Quá trình xây dựng đường đi cho kiến 𝑘 như sau:  Giả sử kiến 𝑘 đang ở nút 𝑢 𝑘  Xác xuất 𝑘 đi từ 𝑢 đến nút 𝑣 ∈ 𝑎𝑑𝑗 (𝑢) là 𝜏 𝛼 ∗ 𝜂𝛽 𝑘 𝑢𝑣 𝑢𝑣 𝑝 𝑢, 𝑣 = 𝛽 𝛼 σ𝑤∈ 𝑎𝑑𝑗 𝑘(𝑢) 𝜏𝑢𝑤 ∗ 𝜂𝑢𝑤 Với  𝜏𝑖𝑗 là pheromone trên cạnh (i,j)  𝜂𝑖𝑗 là mức độ thu hút của cạnh (i,j)  𝑎𝑑𝑗𝑘 𝑢 là tập các nút hàng xóm của 𝑢 mà 𝑘 chưa đi qua  𝛼 và 𝛽 là tham số thuật toán
  12. Giải thuật tối ưu hóa đàn kiến Quá trình xây dựng đường đi cho cá thể kiến 12  Nút 𝑣 ∈ 𝑎𝑑𝑗𝑘 𝑢 , mà kiến 𝑘 di chuyển đến, sẽ được chọn theo bánh xe Roulete  Quá trình tiếp tục cho đến khi kiến 𝑘 có thể đến được 𝑡 (lời giải hợp lệ) hoặc không thể tiếp tục (lời giải không hợp lệ)
  13. Giải thuật tối ưu hóa đàn kiến Quá trình cập nhật pheromone 13  Pheromone trên mỗi cạnh (i,j) được cập nhật như sau: 𝑡𝑖𝑗 = 1 − 𝜌 ∗ 𝑡𝑖𝑗 + 𝛿𝑖𝑗  Với 𝜌 là tốc độ bay hơi của các pheromone trước đó trên dường đi  𝛿𝑖𝑗 là tổng các pheromone mới mà các cá thể kiến để lại trên đường đi của chúng: 𝑘 𝛿𝑖𝑗 = ෍ 𝛿𝑖𝑗 𝑘=1,…𝑁
  14. Giải thuật tối ưu hóa đàn kiến Quá trình cập nhật pheromone 14  Giá trị pheromone để lại bởi kiến 𝑘 trên đường đi của nó được tính như sau: 𝑄 𝑘 𝑛ế𝑢 𝑖, 𝑗 ∈ 𝑇𝑘 𝛿𝑖𝑗 = ൞𝐿𝑘 0 𝑛ế𝑢 𝑖, 𝑗 ∉ 𝑇𝑘 Với  𝑇𝑘 là hành trình của kiến 𝑘  𝐿𝑘 là chiều dài của hành trình T𝑘  Q là hằng số kinh nghiệm
  15. Giải thuật tối ưu hóa đàn kiến Ý nghĩa của các tham số, thuộc tính 15  𝜂𝑖𝑗 là mức độ thu hút hay kinh nghiệm của việc lựa chọn cạnh (i,j)  𝜏𝑖𝑗 chỉ ra mức độ xuất hiện của cạnh (i,j) trên đường đi của các cá thể kiến  Nếu 𝛼 = 0: Các cạnh trên đường đi được lựa chọn tham lam theo kinh nghiệm  Nếu 𝛽 = 0: Ưu tiên sử dụng các cạnh có xu hướng được xuất hiện nhiều nhất trước đó
  16. ACO for TSP problem 16 1  𝜂𝑖𝑗 = : Mong muốn đi theo các cạnh có chi phí 𝑤(𝑖,𝑗) nhỏ nhất  Thêm thành phần “kiến tinh hoa”: Đánh trọng số cho pheromone của cạnh nằm trên đường đi tốt nhất 𝑏𝑒𝑠𝑡 𝑡𝑖𝑗 = 1 − 𝜌 ∗ 𝑡𝑖𝑗 + 𝛿𝑖𝑗 + b ∗ 𝛿𝑖𝑗 Với 𝑄 𝑏𝑒𝑠𝑡 𝑛ế𝑢 𝑖, 𝑗 ∈ 𝑏𝑒𝑠𝑡 𝛿𝑖𝑗 = ൞𝐿𝑏𝑒𝑠𝑡 0 𝑛ế𝑢 𝑖, 𝑗 ∉ 𝑏𝑒𝑠𝑡  Tham số thuật toán: 𝛼 = 1, 𝛽 = 5, 𝜌 = 0.5, 𝑄 = 100, 𝑏 = 5.
  17. Giải quyết một bài toán bằng ACO 17  Phải chuyển bài toán về dạng đồ thị có trọng số G(V,E,w)  Định nghĩa được pheromone 𝜏𝑖𝑗 trên cạnh  Xác định biểu thức 𝜂𝑖𝑗  Lựa chọn các toán tử cụ thể ( xây dựng đường đi cho kiến, cập nhật pheromone) cho bài toán cần giải quyết  Hiệu chỉnh các tham số thuật toán
  18. Thực nghiệm 18  Antsim v1.1
  19. 19 Thanks for your attention
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2