Présentation: Variantes des
algorithmes de fourmis
INF7440---Conception et analyse d’algorithme
Professeur: M. Alex Friedmann
Présenté par
Hao Wang
Session d’Automne 2006 UQÀM 1
Plan de la présentation
Introduction de l’algorithme de fourmis et ses variantes
L’algorithme de fourmis Élitistes et la stratégie de la
classement
L’algorithme de fourmis basé sur la stratégie de ‘Meilleure
Tour Local’
Le système de fourmis ‘Max Min’ et les perfectionnement du
système de fourmis ‘Max Min’
Mise en ouvre du cadre de hybercube dans l’algorithme de
fourmis
Conclusion 2
Principe de l’algorithme de fourmis
L’heuristique d’algorithme de fourmis consiste de trois
phrases principaux en résoudrant le problème de commis à
voyageur (proposée par M.Dorigo [1]) :
La construction de chemins initiales
(r , s )* (r , s)
si s J k (r )
Pk (r , s )
( r , u ) * ( r , u )
uJ k ( r )
0 sinon
La mise à jours de phéromones
m
(r , s) (1 )* (r , s) k (r , s)
k 1
1/ Lk si l'arête (r,s) du tour effectué par la fourmi k
Où k (r , s)
0 sinon
3
Amélioration de la qualité de solution
Variantes d’algorithme de fourmis
L’algorithme de fourmis Élitistes
Proposée par M. Dorigo, Maniezzo et Colori(1996)
La meilleure tour trouvée jusqu’à l’itération actuelle reçoit une extra phéromone
L’algorithme de fourmis basé sur la classement
Proposée par M. Bullnheimer, Hartl et Strauss(1999)
Les fourmis sont triées selon leurs longueurs de solutions construits, la mise à
jour de phéromones se fait en fonction de la contribution de chaque fourmi
L’algorithme de fourmis basé sur la stratégie de ‘Meilleure tour local’
Procédé par M.Tony, Simon et Terri (2003)
Inspiré de l’algorithme de fourmis Elitistes, chaque fourmi conserve son meilleure
tour local et le renforce dans la mise à jour de phéromones à chaque itération
L’algorithme de fourmis ‘Max Min’
Procédé par M. Stutzle et Hoos (2000)
Une limite explicite est imposée sur la phéromone
Les phéromones sont initialisées à la borne supérieure
Mise en œuvre du cadre de hypercube dans le système de colonies de fourmis
Proposée par M. Dorigo et Chritian (2004)
Implémentation de l’algorithme de fourmis dans une espace de hypercube
4
L’algorithme de fourmis Élitistes
Procédure de mise à jour de phéromones:
La phéromone s’évapore avec un taux d’évaporation sur
chaque bord de solution
Chaque fourmi dépose des phéromones sur des bords de
solutions trouvées dans l’itération respective
Mise à jour des phéromones sur la meilleure solution par les
fourmis Élitistes
Lorsqu’il y a trop de fourmis, ils encouragent d’exploitation sur
de chemins locaux, ça provoque le problème de ‘État de
stagnation’
La formalisation de mise à jour de phéromones:
Q Q / L*
m
i 1 i
k 1 Lk
5
La stratégie de la classement
Les solutions générées par les fourmis seront triées par
leurs longueurs de tour en associe un rang:
Chaquefourmi est assigné d’une contribution pondérée
dénotée par d’où le est le nombre des fourmis
Élitistes.
Les premières fourmis seront
choisis à participer la
mise à jour de phéromones pour éviter le problème de
stagnation
La formalisation de mise à jour de phéromones est la
suivante:
Q
i 1 i ( ) Q /L
1 L
6
La stratégie de Meilleure Tour Local
Description de la différence entre la stratégie de
fourmis Élitistes et la stratégie de MTL:
Stratégie de fourmis Élitistes : Mise à jour des phéromones
sur la meilleure solution se fait par les fourmis Élitistes
Stratégie de MTL : Chaque fourmi renforce son meilleure
tour local en appliquant la règle de mise à jour de
phéromone standard dans l’algorithme de fourmis
La comparaison de performance entre la stratégie de
MTL et la stratégie de fourmis Élitistes , le résultat
expérimental est démontré au dessous:
7
Le système de fourmis ‘Max-Min’
Les critères adaptées dans le système de
fourmis ‘Max Min’:
Mise à jour de phéromones sera fait par une seule
fourmi
la phéromone déposée sur chaque bord de solution
sera limitée dans un intervalle qui est dénotée par [
] min , max
Les phéromones sur chaque bord seront initialisée à
la value maximum
max
La règle de mise à jour de phéromones:
i 1 i best
i
8
La détermination de limite de phéromones
L’état de convergence du système de ‘Max Min’
La détermination de la borne supérieure se fait
de façon dynamique, elle s’exprime sous la forme
max
mathématique suivante:
1 1
La value de 1
la inférieure
borne f ( S bs ) est calculée sous
la formule mathématique suivante:
min
max (1 n pbest )
min
(avg 1) n pbest 9
Perfectionnements du système de fourmis
‘Max Min’
Mécanisme de lissage de phéromones: la mise a jour de phéromones
sur chaque chemin se fait proportionnellement en fonction de leur
différences avec la borne supérieure:
i 1 i ( max i ) d ' où 0 1
Le système de fourmis en appliquant la recherche locale afin
d’améliorer la qualité de solution locale
Les algorithmes de recherche locale 2-Opt, 3-Opt et Lin-Kernigan
Le résultat démontre que l’application de l’heuristique Lin-Kernigan dans l’algorithme de
fourmis aura une performance plus significatif
10
Comparaison et analyse des algorithmes de
fourmis
Le système de fourmis ‘Max Min’ produit des meilleures
solutions en terme de qualité
Résultats expérimentaux démontrent que le mécanisme de
lissage fournit une perfectionnement significatif en terme de la
performance d’algorithme
Analyse d’algorithme
3
de fourmis: Complexité d’algorithme de
fourmis (n ) avec n villes disponible, la stratégie de liste de
candidat réduit la complexité à (n) 11
Mise en œuvre du cadre de hypercube dans l’algorithme
de fourmis
Les phéromones associées
aux bords
de chemin seront considérées comme
étant un vecteur : ( 1 ,..., n )
L’ensemble des solutions faisables S est vu comme un sous ensemble~ des
sommets de hypercube de n dimensionnels, un ensemble étendue S de
solutions faisables S est interprétée comme un enveloppe convexe dans
l’espace de hybercube, la formalisation mathématique est la suivante:
~
v S i vi ,
i 0, 1
12
Vi S
Mise en œuvre du cadre de hypercube dans l’algorithme
de fourmis
La forme de mise a jour de phéromones
est interprétée comme une
déplacement du vecteur
~ suivante:
sous la forme
sur le plan d’enveloppe convexe , il est décrit
S
(d )
Le facteur signifie un taux d’apprentissage à l’intervalle [0,1], le vecteur
est considéréecomme un moyen pondéré aux chemins candidats à mettre à
jour d 13
Conclusion
L’algorithme de fourmis a été amélioré par ces stratégies
en terme de la qualité de solution et la performance
L’algorithme de fourmis fournit des avantages multiples
en l’appliquant dans les diverses domaines
Dans la recherche de future, l’algorithme tende d’être
une technologie hybride en incorporant les méthodes
AI(intelligence artificielle) et OR(la recherche
opérationnelle): la méthode de vorace, la méthode de
marche en arrière et la programmation contrainte etc.
14
Bibliographies
[1] DORIGO, Marco, GAMBARDELLA, Ant Colony System : A Cooperative
Learning Approch to the Traveling Salesman Problem. IEEE Transactions on
Evolutionary Computation, Vol : 1 No : 1. p.53-66, 1997
[2] DORIGO, Marco, Christian, Blum, The Hyber-Cube Framework for Ant Colony
Optimization. IEEE Transactions on Systems, Man, AND Cybernetics --- Part B:
Cybernetics, Vol: 34 No: 2, April 2004
[3] B. Bullnheimer, R. F. Hartl and C. Strauss, A New Rank Based Version of the
Ant System: A Computational Study. Central European Journal for Operations
Research and Economics, Vol:7. p.25-38, 1999
[4] T. Stützle, H. H. Hoos, MAX-MIN Ant System. Future Generation Computer
Systems. Vol : 16 No 8.p.889-914,2000
[5] T. Stützle, H. H. Hoos, MAX-MIN Ant System and Local Search for the Traveling
Salesman Problem. Evolutionary Computation, No 13-16. p.309- 314,1997
[6] Christian, Blum, Ant colony optimization: Introduction and recent trends.
Physics of Life Reviews, Vol: 2. p.353-373, 2005
[7] Tony, White, Simon, Kaegi, Terri, Oda, Revisiting Elitism in Ant Colony
Optimization. Genetic and Evolutionnary Computation Conference, LNCS 2723,
p.122-133, 2003
15
[8] Christian, Blum, Ant colony optimization: Introduction and recent trends.
Physics of Life Reviews, Vol: 2. p.353-373, 2005
Merci et questions?
16
