معصومه خيرخواه 1 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization M. Dorigo, G. Di Caro, editors. New Ideas in Optimization. McGraw-Hill, 1999.

معصومه خيرخواه 2 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization  الگوريتم هاي مورچه، سيستم هاي چندعامله اي هستند كه هر عامل، يك مورچه مصنوعي است.  الگوريتم هاي مورچه نمونه هاي موفقي از سيستم هاي هوش گروهي هستند و از TSP سنتي تا مسيريابي در شبكه هاي ارتباطي راه دور را دربرمي گيرند.  الگوريتم ACO يك فرااكتشاف است وكلاسي از الگوريتم هاي مورچه است.  ايده : مورچه ها در مسير خود ماده شيميايي به نام فرومون ترشح مي كنند. وقتي سر دوراهي ( مسيركوتاهتر و طولاني تر ) قرار مي گيرند، براساس ميزان فرومون استشمام شده از هر مسير، يك انتخاب مسير احتمالي انجام مي دهند. به اين ترتيب احتمال انتخاب مسيرهاي داراي فرومون زياد، به تدريج افزايش مي يابد ( اثر autocatalytic).

معصومه خيرخواه 3 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization

معصومه خيرخواه 4 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization  ديده مي شود كه بعد از يك فاز گذرا، اكثر مورچه ها كوتاهترين شاخه را انتخاب مي كنند و اين احتمال با افزايش تفاوت طول مسيرها، افزايش مي يابد. اين رفتار توسط نوعي ارتباط غير مستقيم به نام stigmergy به وسيله اصلاحات محلي در محيط، توضيح داده مي شود.  برای اجتناب از همگرايي سريع به مسيرهاي زيربهينه از مكانيزم تبخير (evaporation) استفاده مي شود. فراموش كردن ( تبخير ) باعث كاوش نواحي خوب جديد مي گردد.

معصومه خيرخواه 5 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization  S-ACO فقط كوتاهترين مسير را مي يابد، بدون هيچ گونه محدوديت. برای افزودن محدوديتي مانند مسير هاميلتوني، بايد از حافظه استفاده كنيم.  الگوريتم هاي ACO ( يعني نمونه هاي فرااكتشاف ACO ) به مسايل بهينه سازي گسسته اعمال مي شوند و داراي مشخصات زير مي باشند : مجموعه متناهي C از مولفه ها مجموعه متناهي L از اتصالات هزينه هر يال براساس معيار زمان مجموعه متناهي Ω از محدوديتها مجموعه وضعيتهاي S كه هر وضعيت دنباله اي از عناصر C است. ساختار همسايگي هزينه متناظر با هر راه حل

معصومه خيرخواه 6 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization  به هر يال يك τ ij كه اثر فورمون را نشان مي دهد و يك η ij كه مقدار اكتشافيست، نسبت داده مي شود. η ij اطلاعات استقرايي درباره تعريف نمونه مساله يا اطلاعات زمان اجرا كه از منبعي غير از مورچه ها ايجاد مي شوند را نشان مي دهد.

معصومه خيرخواه 7 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization  ويژگيهاي كلي گروه مورچه ها : ارتباط غيرمستقيم مورچه ها با هم از طريق مقادير فرومون مورچه ها خودشان تطبيق نمي يابند بلكه روش نمايش مساله و درك آن توسط ساير مورچه ها را به طور تطابقي اصلاح مي كنند. هر مورچه به دنبال مسيري با كمترين هزينه مي گردد. هر مورچه حافظه M k را برای ساخت راه حلهاي عملي، ارزيابي راه حل يافته شده و بازگشت به عقب در مسير به كار مي برد. هر مورچه يك وضعيت شروع S s k و يك يا چند شرط خاتمه e k دارد. شرط خاتمه رويه : حداقل يك مورچه به يكي از شرايط خاتمه برسد. حركت احتمالي مورچه تابعي از جدول مسيريابي مورچه ( كه تركيب تابعي از ميزان فرومون و مقادير اكتشافي است ) ، حافظه اختصاصي مورچه ( برای ذخيره سابقه ) و محدوديتهاي مساله است. هر مورچه با عبور از هر يال، مقدار فرومون را به روز مي كند : online step-by-step pheromone update بازگشت به عقب و به روز كردن مقدار فرومون : online delayed pheromone update اگر مورچه راه حلي بسازد يا در اثر بازگشت به عقب به گره شروع برسد مي ميرد و حافظه اش آزاد مي شود.

معصومه خيرخواه 8 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization  در كنار فعاليت مورچه ها، تبخير فرومون و عمليات daemon هم انجام مي شود. daemon مي تواند راه حل يافته شده توسط هر مورچه را ببيند و تصميم بگيرد فرومون بيشتري اضافه كند : offline pheromone update  رويه هاي اصلي فرااكتشاف ACO : توليد و فعال سازي مورچه ها، تبخير و اعمال daemon. زمانبندي و همزماني اين سه فعاليت مشخص نشده است.

معصومه خيرخواه 9 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization  روشهاي ACO فقط وقتي كه الگوريتم هاي كلاسيك نمي توانند به نحو موثري اعمال گردند، جالب توجهند مثل : مسايل NP-hard كه بعد گراف فضاي حالت، نمايي است. ويژگيهاي گراف مساله همزمان با فرايند بهينه سازي تغيير مي كند ( وقتي نرخ تغيير هزينه ها افزايش مي يابد يا دانش مربوط به فرايند تغيير كاهش مي يابد، ACO مناسب تر مي شود ) معماري محاسباتي از لحاظ فضايي توزيع شده است.

معصومه خيرخواه 10 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization TSP  مساله TSP: يافتن مدار هاميلتوني كمينه. فاصله ها نامتقارن. لازم نيست گراف كاملا همبند باشد.  تغيير مقادير فرومون بعد از اتمام راه حل انجام مي شود. همه يالها يك مقدار فرومون افزوده به دست مي آورند كه به كيفيت راه حل بستگي دارد.

معصومه خيرخواه 11 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Routing in communication networks  مساله كلي مسيريابي : ساخت و استفاده از جداول مسيريابي برای هدايت ترافيك داده به نحوي كه معيار كارايي شبكه، ماگزيمم شود.  انتخاب معيار كارايي، تابعي از نوع شبكه و خدمات ارائه شده است. مثلا در شبكه هاي Packet-switching كارايي با برونداد ( تعداد بيتهايي كه در واحد زمان به درستي دريافت شده اند ) و توزيع تاخير بسته هاي داده مي تواند سنجيده شود.  هر لينك يك معيار هزينه دارد كه وابسته به ويژگيهاي فيزيكي و ترافيك در حال عبور از آن است.

معصومه خيرخواه 12 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Routing in communication networks  جداول مسيريابي دوبعدي اند. چون انتخاب گره همسايه برای رسيدن به مقصد، تابعي از مقصد بسته است.  هر يال داراي N c -1 مقدار فرومون برای هر گره هدف است ولي فقط يك η ij دارد كه مستقل از مقصد مي باشد.

معصومه خيرخواه 13 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization Ant Colony Optimization  به طور كلي سه نوع موازي سازي وجود دارد : موازي سازي در سطح مورچه ها : NC گروه را درنظر مي گيرد كه هر كدام روي نمونه مساله مشابهي اجرا مي شوند. موازي سازي در سطح داده : تقسيم مساله و حل هر كدام با يك گروه مورچه. موازي سازي در سطح تابع : تبخير ، daemon و فعاليت ، به طور همزمان انجام شوند.

معصومه خيرخواه 14 آزمايشکاه سيستم های هوشمند ( موضوع ارائه : Ant Colony Optimization چند نمونه از پياده سازي هايي كه تا به حال انجام شده :  TSP روي Connection machine CM-2 : به هر مورچه يك واحد پردازشي داده شد سربار ارتباطي مشكل ساز بود، چون مورچه ها بيشتر وقت خود را به ارتباط با ساير مورچه ها مي گذراندند تا تصحيحات مقادير فرومون انجام شده را به اطلاع آنها برسانند. كارايي الگوريتم خوب نبود و مقياس پذيري لازم را نداشت.  گروه اصلي به NC زيرگروه تقسيم شد و برای هر گروه يك پردازنده اختصاص پيدا كرد : هر بار كه يك زيرگروه يك تكرار از الگوريتم را انجام مي داد، يك فرايند ارتباطي broadcast ، اطلاعات تورهاي ساخته شده را جمع آوري كرده و اين اطلاعات را به همه پردازنده ها مي فرستاد. پس مقادير فرومون به طور همروند به روز مي شد. افزايش سرعت متناسب با تعداد پردازنده ها بود.  شبيه به مورد قبل بود ولي اطلاعات فرومون در هر چند تكرار به روز مي شدند. پس زمان اجرا و speedup بهبود پيدا كرد.