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

. yang harus diselesaikan. eksplorasi ruang solusi akan dibatasi.feromon juga mempunyai keuntungan untuk menghindari konvergensi solusi optimal secara lokal...... Jadi...... Jika tidak ada penguapan sama sekali.... semut lain lebih cenderung mengikuti jalan. 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........ .... dan umpan balik yang positif pada akhirnya menyebabkan semua semut berikut satu jalan... ketika seekor semut menemukan yang baik (yakni. Dalam hal ini. jalur yang dipilih oleh semut pertama akan cenderung menarik secara berlebihan yang berikut... ... 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............. ......

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

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

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

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful