P. 1
Algoritma Koloni Semut

Algoritma Koloni Semut

|Views: 222|Likes:
Dipublikasikan oleh Wahyu Ardiansyah

More info:

Published by: Wahyu Ardiansyah on Nov 16, 2012
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

08/16/2015

pdf

text

original

Algoritma Koloni Semut (ACO

)
Ant Colony Optimization ACO atau Algoritma Koloni Semut adalah sebuah probabilistik komputasi teknik untuk memecahkan masalah yang dapat dikurangi untuk menemukan jalur yang baik melalui grafik.

Algoritma ini adalah anggota dari keluarga algoritma koloni semut, pada intelijen segerombolan metode, dan hal itu merupakan beberapa metaheuristic optimasi. Awalnya diusulkan oleh Marco Dorigo tahun 1992 di gelar PhD tesis [1] [2], algoritma pertama yang bertujuan untuk mencari jalan yang optimal dalam grafik; berdasarkan perilaku semut mencari jalan antara koloni dan sumber makanan . Aslivvz ide ini telah diversifikasi untuk menyelesaikan kelas yang lebih luas dari masalah numerik, dan sebagai hasilnya, beberapa masalah telah muncul, menggambar tentang berbagai aspek perilaku semut.

Ringkasan
Di dunia nyata, semut (awalnya) berjalan secara acak, dan ketika menemukan makanan kembali ke koloni mereka sambil meletakkan feromon jejak. Jika semut lain menemukan jalur tersebut, mereka tidak cenderung untuk menjaga bepergian secara acak, tapi malah mengikuti jejak, kembali dan menguatkannya jika pada akhirnya mereka menemukan makanan.

Seiring waktu, Namun, jejak feromon mulai menguap, sehingga mengurangi kekuatan yang menarik. Semakin banyak waktu yang diperlukan untuk seekor semut melakukan perjalanan menyusuri jalan setapak dan kembali lagi, semakin banyak waktu yang harus feromon menguap. Jalan pendek, dengan perbandingan, akan berjalan lebih cepat, dan dengan demikian kerapatan feromon akan tetap tinggi seperti yang diletakkan di jalan secepat dapat menguap. Penguapan

. Jadi.. Ide dari algoritma koloni semut adalah untuk meniru perilaku ini dengan "simulasi semut" berjalan di sekitar grafik yang menunjukkan masalah Detail Gagasan awalnya berasal dari mengamati makanan eksploitasi sumber daya di antara semut......... .... Jika tidak ada penguapan sama sekali. yang harus diselesaikan.. ..... . dan umpan balik yang positif pada akhirnya menyebabkan semua semut berikut satu jalan.. semut lain lebih cenderung mengikuti jalan.. pendek) jalur dari koloni ke sumber makanan. di mana semut 'secara individual memiliki kemampuan kognitif terbatas secara kolektif mampu menemukan jalur terpendek antara sumber makanan dan sarang........ Dalam hal ini.. jalur yang dipilih oleh semut pertama akan cenderung menarik secara berlebihan yang berikut....feromon juga mempunyai keuntungan untuk menghindari konvergensi solusi optimal secara lokal....... eksplorasi ruang solusi akan dibatasi.. ketika seekor semut menemukan yang baik (yakni.............

Dalam serangkaian percobaan pada koloni semut dengan pilihan antara dua tidak sama panjang jalan yang mengarah ke sumber makanan. 4. Secara teoritis. Sistem ini didasarkan pada umpan balik positif (yang deposit menarik feromon semut lain yang akan memperkuat sendiri) dan negatif (disipasi dari rute oleh sistem mencegah penguapan dari labrakan). jika jumlah feromon tetap sama dari waktu ke waktu pada semua sisi. tidak ada rute yang akan dipilih. 7. 3. 8. Semut mengambil rute terpendek.1. yang ditempuh oleh lebih banyak semut daripada rute yang panjang akan 6. dalam waktu yang sama. di dekatnya semut akan cenderung mengikuti. melalui cara apapun (a). Jika dua rute yang mungkin untuk mencapai sumber makanan yang sama. semua semut telah ditentukan dan karena itu "dipilih" rute terpendek. Sistem ini disebut "Stigmergy" dan terjadi di banyak hewan sosial masyarakat (hal itu telah dipelajari dalam kasus pembangunan pilar dalam sarang rayap). Kembali ke koloni. meninggalkan dalam jalur jejak feromon. semua rincian status mereka "bekerja". lebih atau kurang langsung. hanya seekor semut yang terletak di mana feromon dibiarkan mempunyai pengertian dari mereka. trek. ahli biologi telah mengamati bahwa semut cenderung menggunakan rute terpendek. meninggalkan jejak feromon (b) 2. Mekanisme untuk menyelesaikan masalah terlalu kompleks untuk ditangani oleh satu semut adalah contoh yang baik dari diri-sistem terorganisir. Akhirnya. karena umpan balik. tapi penguatan landasan membuatnya lebih menarik sebagai rute terpendek. kemudian kembali ke sarang (N). feromon yang mudah menguap. Rute yang panjang akhirnya akan menghilang. panjang bagian-bagian dari cara-cara lain kehilangan jejak feromon. yang lebih pendek akan. Feromon ini yang menarik. 2. 3. dan karena itu menjadi lebih menarik. 5. Semut menggunakan lingkungan sebagai media komunikasi. Semut tanpa pandang bulu cara mengikuti empat kemungkinan. sedikit variasi pada pinggir akan diperkuat dan dengan demikian memungkinkan pilihan dari tepi. [3] [4] Sebuah model yang menjelaskan perilaku ini adalah sebagai berikut 1. Semut pertama menemukan sumber makanan (F). semut ini akan memperkuat rute. Bertukar informasi memiliki lingkup lokal. Namun. Jika menemukan sumber makanan. Mereka bertukar informasi secara tidak langsung dengan mendepositokan feromon. itu kembali lebih atau kurang langsung ke sarang. Algoritma akan bergerak dari keadaan yang tidak stabil di mana . Semut (disebut "kilat") berjalan lebih atau kurang secara acak di sekitar koloni. Rute pendek akan semakin ditingkatkan.

Setelah menyelesaikan perjalanannya. 2. Ini juga telah digunakan untuk menghasilkan solusi optimal mendekati ke masalah salesman keliling. Harus mengunjungi setiap kota tepat satu kali. jika perjalanan pendek. algoritma koloni semut dapat dijalankan terus menerus dan beradaptasi dengan perubahan secara real time. untuk negara yang stabil di mana rute terdiri dari tepi Aplikasi Algoritma optimisasi koloni semut telah diterapkan ke banyak permasalahan optimasi kombinatorial. This is of interest in network routing and urban transportation systems. mulai dari penugasan kuadrat melipat protein atau routing kendaraan dan banyak metode yang diturunkan telah disesuaikan untuk masalah dinamis dalam variabel-variabel riil. paling kuat. Algoritma optimisasi koloni semut telah digunakan untuk menghasilkan solusi optimal mendekati ke masalah salesman keliling. Semakin kuat jejak feromon diletakkan pada tepi antara dua kota. 4. deposit semut lebih feromon pada semua sisi itu dilalui. Sebuah kota yang jauh memiliki lebih sedikit kesempatan untuk dipilih (visibilitas). Hal ini menarik dalam routing jaringan dan sistem transportasi perkotaan. Mereka memiliki kelebihan simulasi annealing dan algoritma genetika pendekatan masalah serupa saat grafik mungkin berubah secara dinamis. semut memilih untuk berpindah dari satu kota ke yang lain menurut beberapa aturan: 1. multi-target dan implementasi paralel. Setelah setiap iterasi. 3. 5. semakin besar kemungkinan bahwa tepi akan dipilih. Pada setiap tahap. . jejak feromon menguap. Sebagai contoh yang sangat bagus.tidak ada ujung lebih kuat daripada yang lain. masalah-masalah stokastik.

Salah procedure while(not_termination) generateSolutions() daemonActions() pheromoneUpdate() end end Edge Semut akan bergerak satu nominal contoh's 1.Aco_TSP.svg (Berkas SVG. besar berkas: 85 KB) Pseudo-kode dan formula ACO_MetaHeuristic while procedure Selection: dari node i ke node j dengan probabilitas .000 × 375 piksel.

j Pheromone Update Feromon Update τ i . . j . j τ i. j is the desirability of edge i . biasanya diberikan oleh di mana Lk adalah biaya dari th k tur semut (biasanya panjang). j adalah jumlah feromon diendapkan. j adalah jumlah feromon pada sisi tertentu i. j ρ adalah feromon tingkat penguapan dan Δτ i. j where di mana τ i. j τ i.di mana τ i . j η i . j α adalah parameter untuk mengontrol pengaruh τ i. j is the amount of pheromone on edge i . typically 1 / d i . j + Δτ i . j adalah jumlah feromon di tepi i. j. j β adalah parameter untuk mengontrol pengaruh η i. j + Δτ i.ρ) τ i. j = (1 − ρ)τ i . j (a priori knowledge. j (a priori pengetahuan. j α is a parameter to control the influence of τ i . j = (1 . j adalah keinginan tepi i. di mana d adalah jarak) β is a parameter to control the influence of η i . where d is the distance) η i. biasanya 1 / d i.

Hal ini diamati bahwa sejak itu mulai penggunaannya telah menyebar ke daerah klasifikasi Sebuah [9] kesulitan dan image dalam processing. sehingga solusi yang lebih baik deposito kebugaran lebih feromon daripada solusi dengan kebugaran lebih buruk Untuk beberapa versi algoritma. grafik berbasis algoritma sistem semut. Jumlah feromon disimpan kemudian bobot untuk setiap solusi. jalan terpendek dalam grafik. Mereka mengusulkan bahwa metaheuristics Contoh-contoh sebagai "model berbasis penelitian" lainnya Algoritma koloni semut ini awalnya digunakan terutama untuk menghasilkan solusi optimal mendekati ke masalah salesman keliling dan. pada salib-entropi dan algoritma Estimasi distribusi. Zlochin dan koleganya [8] telah menunjukkan tipe COA dapat diasimilasikan algoritma metode stokastik gradient descent. antara dua titik A dan B. Bukti pertama konvergensi algoritma koloni semut dibuat pada tahun 2000. definisi Dengan algoritma ACO. telah disajikan di atas [7] 1. Seperti kebanyakan metaheuristics. Max-Min Ant System (MMAS) [6] • • • Ditambahkan Maksimum dan Minimum jumlah feromon [τ max. dibangun dari . Pada tahun 2004. adalah mungkin untuk membuktikan bahwa itu konvergen (mis. masalah-masalah optimasi kombinatorial. Rank Berbasis Ant System (ASrank) • Semua solusi yang peringkat menurut kebugaran mereka. itu mampu menemukan global optimum dalam waktu tertentu). sangat sulit untuk memperkirakan kecepatan teoritis konvergensi. 1. τ min] Hanya global iterasi terbaik atau disetor wisata terbaik feromon Semua tepi-tepi yang telah siap untuk melakukan τ max dan reinitialized untuk τ max ketika mendekati stagnasi. Elitis Sistem Ant • Solusi terbaik global deposito feromon pada setiap iterasi bersama dengan semua semut lain 1. dan kemudian algoritma untuk ACS dan MMAS. lebih umum. pseudo-acak proporsional aturan.Common ekstensi Berikut adalah beberapa variasi paling populer Algoritma ACO 1.

adalah mungkin bahwa solusi terbaik pada akhirnya akan ditemukan. Dalam masalah kombinatorial. Namun. tanpa selalu berbagi kerangka umum optimasi oleh koloni semut kanonik (COA). Secara umum. Jadi. dalam contoh dari penjual Travelling masalah. algoritma Ada dalam prakteknya sejumlah besar algoritma yang mengaku sebagai "koloni semut". definisi ini bisa menimbulkan masalah dalam kasus masalah dalam variabelvariabel riil. Dalam prakteknya. Perilaku kolektif serangga sosial tetap menjadi sumber inspirasi bagi peneliti. mereka menggunakan konstruksi berulang-ulang solusi. tidak perlu bahwa semut benar-benar perjalanan rute terpendek: rute terpendek dapat dibangun dari segmen terkuat solusi yang terbaik. Menurut beberapa penulis. Mereka dapat dilihat sebagai probabilistik multi-agen algoritma menggunakan distribusi probabilitas untuk melakukan transisi antara setiap iterasi. Dalam versi untuk masalah kombinatorial. algoritma koloni semut dianggap sebagai dihuni metaheuristics solusi dengan masing-masing diwakili oleh semut bergerak dalam ruang pencarian. karena definisi dapat bervariasi menurut para penulis dan penggunaannya. Berbagai macam algoritma (untuk pengoptimalan atau tidak) mencari diri-organisasi dalam sistem biologis telah menyebabkan konsep "kecerdasan berkerumun".kombin asi beberapa jalan. yang merupakan kerangka kerja yang sangat umum di mana algoritma koloni semut Stigmergy cocok. hal yang membedakan algoritma ACO dari sanak keluarga lainnya (seperti algoritma untuk memperkirakan distribusi atau partikel kawanan optimasi) adalah justru mereka aspek konstruktif. Tidaklah mudah untuk memberikan definisi yang tepat tentang apa algoritma atau tidak sebuah koloni semut. di mana tidak ada struktur 'tetangga' ada. Semut menandai solusi terbaik dan memperhatikan tandatanda sebelumnya untuk mengoptimalkan pencarian mereka. meskipun tidak ada semut akan terbukti efektif. penggunaan pertukaran informasi antara semut melalui lingkungan (sebuah prinsip yang disebut "Stigmergy") adalah dianggap cukup untuk sebuah algoritma untuk termasuk dalam kelas dari .

[10]. yang diperbarui sebagai solusi solusi melintasi ruang. pengurutan Related larva. • • Particle swarm optimization (PSO) lain yang sangat sukses intelijen Swarm metode Koloni semut metode clustering (ACCM) Salah satu metode yang efisien menggunakan pendekatan clustering. dengan solusi yang sedang digabungkan atau bermutasi untuk mengubah kolam solusi. • Simulated annealing (SA) adalah berkaitan dengan teknik pengoptimalan global yang melintasi ruang pencarian dengan menghasilkan solusi tetangga solusi saat ini. Parameter suhu ini dimodifikasi sebagai kemajuan algoritma untuk mengubah sifat pencarian. dengan solusi berkualitas rendah yang dibuang. Prinsip ini telah mendorong beberapa penulis untuk menciptakan istilah "nilai" untuk mengatur metode dan perilaku yang didasarkan pada makanan pencarian. Proses pencarian solusi unggul meniru bahwa evolusi. • Tabu search (TS) mirip dengan simulasi anil dalam kedua melintasi ruang solusi dengan menguji mutasi dari solusi individu. pembagian kerja dan kooperatif transportasi. ntuk mencegah bersepeda dan mendorong gerakan yang lebih besar melalui ruang solusi. tabu cari solusi menghasilkan banyak bermutasi dan bergerak ke solusi dengan kesesuaian terendah yang dihasilkan. Sementara simulasi anil hanya satu bermutasi menghasilkan solusi. sebuah daftar tabu dipertahankan parsial atau solusi lengkap. • Buatan sistem kekebalan (AIS) adalah algoritma yang meniru sistem kekebalan tubuh vertebrata. Sejarah . memperluas ACO. Tetangga yang lebih rendah diterima probabilistically didasarkan pada perbedaan kualitas dan parameter suhu. Hal ini dilarang untuk pindah ke sebuah solusi yang berisi elemen dari daftar tabu.algoritma koloni semut. metode • Algoritma genetik (GA) mempertahankan genangan solusi daripada hanya satu.

. karya Goss. 1989. pelaksanaan model perilaku untuk makanan oleh Ebling dan rekan-rekannya [14]. Pasteels di Deneubourg dan perilaku kolektif semut Argentina. 1988. a technical report [ 15 ] was published five years later [ 5 ] .• 1959. Dorigo dan menerbitkan Gambardella Ant Colony [7]. Colorni). penerbitan artikel di Ant [5]. laporan teknis [15] diterbitkan lima tahun kemudian [5]. • • • 1983. 1997. dan Moyson Manderick memiliki artikel tentang organisasi diri di antara semut [13]. M. Dorigo mengusulkan Sistem Ant tesis doktoralnya (yang diterbitkan pada tahun 1992 [2] dengan V. yang akan memberikan ide Algoritma optimisasi koloni semut [3]. Maniezzo dan A. Aron. Bilchev dan mempublikasikan Parmee usaha pertama untuk beradaptasi dengan masalah-masalah yang berkelanjutan [16]. • • • 1996. 1996. Hoos dan menciptakan Stützle MAX-MIN Ant System [6]. 1991. • • 1989. • 1995. Pierre-Paul Grass menemukan teori Stigmergy untuk menjelaskan perilaku bangunan sarang rayap [11]. Deneubourg dan rekan-rekannya mempelajari perilaku kolektif dari semut [12].

numéro 1. 1989 J. Ant system: optimization by a colony of cooperating agents. Colorni. S. Elsevier Publishing. Dorigo et V. Aron. Bonabeau dan koleganya telah menerbitkan sebuah buku berurusan terutama buatan semut [21] • 1999. 2000 . aplikasi pertama untuk lipat protein. Paris. Pasteels. Future Generation Computer Systems. Italie. The self-organized exploratory pattern of the Argentine ant. Goss. maka kuadrat penugasan. M. France. Referensi 1. PhD thesis. 2001. T. Gutjahr memberikan bukti pertama konvergensi untuk algoritma koloni semut [23] 2001.• 1997. 1999. Journal of Insect Behavior. S.-L. • • 1998. Zlochin dan Dorigo menunjukkan bahwa beberapa algoritma yang setara dengan gradien stokastik keturunan. S. pages 579-581. Naturwissenschaften. 1990 M. aplikasi pertama ke penjadwalan. Stützle et H. page 159. aplikasi pertama untuk kendaraan routing. 1996. IEEE Transactions on Systems. Aron. 2000. actes de la première conférence européenne sur la vie artificielle. Ireda dan rekan-rekannya menerbitkan multi-objektif pertama algoritma [24] 2002. Bianchi dan rekan-rekannya menyarankan algoritma pertama untuk stokastik masalah [25]. V. 2002.H. J. Politecnico di Milano. mengusulkan Stützle awal implementasi paralel [20]. 3. Bayesian jaringan. penggunaan pertama COA Algoritma oleh perusahaan (Eurobios dan AntOptima). yang lintas-entropi dan algoritma untuk memperkirakan distribusi [8] • 2005. Martinoli dan rekan-rekannya menggunakan Algoritma ACO untuk mengendalikan robot [18] • 1998. et A. and Cybernetics--Part B . 6. Deneubourg. • • • • • • • 2000. MAX MIN Ant System. 4. Man. 2. multi-dimensi masalah ransel. • 2004. aplikasi pertama dalam merancang jadwal. Maniezzo. volume 16. penjadwalan urutan dan kepuasan kendala. M. 134-142. Learning and Natural Algorithms. Dorigo.-M. Maniezzo. 1991. 5. 1992. Deneubourg et J. volume 76. S. pages 889-914. The self-organizing exploratory pattern of the Argentine ant.-L. Hoos. A. pages 29-41. Optimization. volume 26. Colorni. Dorigo meluncurkan konferensi pertama yang didedikasikan untuk algoritma ACO [19]. volume 3.-M. Pasteels. Goss et J. Distributed Optimization by Ant Colonies. edisi khusus jurnal tentang algoritma ACO [22] 2000. Dorigo.

An Ant Foraging Model Implemented on the Time Warp Operating System. F. Ajith. Lecture Notes in Computer Science. 10. numéro 105. Dorigo M. 19. Yamamoto. From Ant Colonies to Artificial Ants : First International Workshop on Ant Colony Optimization. Verhaeghe. Maniezzo et A. Bianchi. octobre 1998. First International Conference (EMO’01). Stigmergic Optimization. Gutjahr. Ant-based load balancing in telecommunication networks. Dorigo. pages 169-207. numéro 2. Springer-Verlag. Stützle. The Ant Colony Metaphor for Searching Continuous Design Spaces. rapport technique numéro 91-016. W.M. numéro 1. special issue on "Ant Algorithms". Birattari. Bruten et L. Fifth International Conference on Parallel Problem Solving from Nature.7. R. Seventh International Conference on Parallel Problem Solving from Nature. Bilchev et I. 9.-P. G. volume 1498. Wieland. pages 359-372. 1998. Swarm intelligence. 1983. Positive feedback as a search strategy. ANTS 98. PPSNVII. Probabilistic Behaviour in Ants : a Strategy of Errors?. Evolutionary Multi-Criterion Optimization. 25. et D. C. The collective behaviour of Ants : an Example of Self-Organization in Massive Parallelism. Moyson. Pasteels et J. M.org/wiki/Ant_colony_optimization . 1991 16. M. 21. Dorigo . Crina. Fourth European Conference on Artificial Life ECAL-97. Springer Verlag. Di Loreto. Middendorf. 14. Dorigo et L. Vitorino (éditeurs). A. Presley. Dorigo. La théorie de la Stigmergie : Essai d’interprétation du comportement des termites constructeurs. 1997. Berlin. 1989 15. et F. F. B. Grassé. B. Model-based search for combinatorial optimization: A critical survey. T. Proceedings of the SCS Multiconference on Distributed Simulation. M. 20. volume 11.C. 2002. numéro 8. Insectes Sociaux. L. juillet 1997.M. Bi-Criterion Optimization with Multi Colony Ant Algorithms. vol. et M. 1997 18. Colorni. Annals of Operations Research. An ant colony optimization approach to the probabilistic traveling salesman problem. UK. Denebourg. 13. Martinoli.Dorigo. 22. Gambardella. pages 873-888. G. pages 53-66. 2004. É. Zlochin. Rothkrantz. Elettronica. Zurich. 2007. Oxford University Press. pages 722-731. J. pages 25-39. Snoeck. 299 pages. Baesens. Holland. Haesen. 24. Iredi. Journal of Theoretical Biology. Brighton. M. O. Dip. De Backer. volume 1. J. M. R. 2000 23.L. Adaptive Behaviour. volume 16. G. Ebling. A. Martens. J. Proceedings of the AISB Workshop on Evolutionary Computation. M.wikipedia. IEEE Transactions on Evolutionary Computation. S. D. Stützle. number 5. Allemagne.. volume 16. 1959. Italy.J. N. 1988. M. J. 41-80. M. Actes de AAAI Spring Symposium on Parallel Models of Intelligence. Springer Verlag. Merkle et M. 8. pages 651—665. Vanthienen. Meuleau.M. ANTS’ 98. M. Parallelization Strategies for Ant Colony Optimization. Studies in Computational Intelligence . V. R. Manderick. IEEE Transactions on Evolutionary Computation. D. Bonabeau. pp. 2000. volume 31. Evolutionary Computing Springer-Verlag. avril 1995. Mondada. Future Generation Computer Systems. Bruxelles. Terence C. M. Ant Colony System : A Cooperative Learning Approach to the Traveling Salesman Problem. 131. 26. Stanford. 1999. p.Classification with Ant Colony Optimization. Gambardella et M. 2006. Belgique. Jefferson. Californie. P. Di Caro et T. M. A graph-based Ant System and its convergence. L. La reconstruction du nid et les coordinations inter-individuelles chez Belicositermes natalensis et Cubitermes sp. Dorigo et G. 17. Theraulaz. numéro 6. http://en. Politecnico di Milano. 12. M. ISBN 978-3-540-34689-0 11. Parmee. 373-395. Schoonderwoerd. volume 5. On the modelling of bioinspired collective experiments with real robots. Fogarty (éditeurs). 2001. Future Generation Computer Systems. Proceedings of PPSN-V.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->