معصومه خيرخواه زاده 1 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization ارائهء يک الگوريتم جستجوي مبتني بر روشهاي مبني برجمعيت در بهينه سازي ترکيبي Presenting a Search Algorithm Based on Population-based Methods in Combinatorial Optimization

معصومه خيرخواه زاده 2 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization  بهينه سازي ترکيبي شاخه اي از بهينه سازي در رياضيات کاربردي و علوم کامپيوتر است که بين هوش محاسباتي، رياضي و مهندسي نرم افزار، مشترک است.  الگوريتم هاي بهينه سازي ترکيبي، به اين ترتيب مساله را حل مي کنند که فضاي حالت را براي يافتن يک پيکربندي جستجو مي کنند که تابع هدف از پيش تعريف شده، روي متغيرهاي مساله را بهينه کند و در ضمن محدوديتهاي تعريف شده بين متغيرهاي مساله را هم نقض نکند.

معصومه خيرخواه زاده 3 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization الگوريتمهاي مسايل بهينه سازي ترکيبي الگوريتم هاي تخميني روشهاي فرااکتشافي الگوريتم هاي جستجوي محلي الگوريتم هاي سازنده الگوريتم هاي دقيق شاخه و قيد عقبگرد برنامه نويسي پويا

معصومه خيرخواه زاده 4 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization فرااکتشافات روشهاي مبني برجمعيت هوش جمعي بهينه سازي گروه مورچه ها (ACO) بهينه سازي توده ذرات (PSO) محاسبه تکاملي الگوريتم هاي ژنتيک استراتژي هاي تکاملي برنامه نويسي تکاملي برنامه نويسي ژنتيک روشهاي خط سير روشهاي جستجوي محلي کاوشگرانه جستجوي تصادفي تطابقي حريصانه (GRASP) جستجوي همسايگي متغير (VNS) جستجوي محلي هدايت شده (GLS) جستجوي محلي تکراري (ILS) جستجوي ممنوع آنيلينگ شبيه سازي شده جستجوي محلي پايه ( بهبود تکراري )

معصومه خيرخواه زاده 5 آزمايشکاه سيستم هاي 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.  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 زاده 6 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization

معصومه خيرخواه زاده 7 آزمايشکاه سيستم هاي 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.  براي 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 زاده 8 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization توليد و فعاليت مورچه ها تا وقتي كه شرايط خاتمه محقق نشده است عمليات daemon تبخير فرومون شروع

معصومه خيرخواه زاده 9 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization شروع تا وقتيكه منبعي وجود دارد مقداردهي اوليه به پارامترهاي مورچه به روزرساني حافظه مورچه ( حاوي مسيري كه مورچه تابه حال طي كرده )  خواندن جدول مسيريابي محلي  محاسبه احتمال انتقال به هر گره همسايه  رفتن به گره بعدي  افزايش فرومون روي لبه فعلي گراف  به روز كردن جدول مسيريابي گره قبلي  به روزرساني مسير فعلي مورچه تا وقتيكه مورچه به هدف نرسيده به روزرساني فرومون در مسير پيموده شده مرگ مورچه و آزاد شدن منابع پايان

معصومه خيرخواه زاده 10 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization A1 τη 20.12/ / /5 A2 τη 10.12/ / /1 A3 τη 10.13/ / /1 A4 τη 10.15/ / /1

معصومه خيرخواه زاده 11 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization α = 1 β= 5ρ=0.5

معصومه خيرخواه زاده 12 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization تكرار اول مورچه اول ( شروع از گره 1) P12= 0.96 P13= P14= P21= P23=0.49 P24= P31= P32= P34= طول مسير : 12 مورچه دوم ( شروع از گره 2) P21=0.498 P23= P24= P12= P13=0.042 P14=0.002 P31= P32= P34=0.040 طول مسير : 12

معصومه خيرخواه زاده 13 آزمايشکاه سيستم هاي هوشمند ( موضوع ارائه : Ant Colony Optimization  مقدار 12/1 به مقادير مربوط به يالهاي پيموده شده توسط هر مورچه اضافه مي شود.  برای يالهايي كه يكبار پيموده شده اند : Δτ = 0.08  برای يالهايي كه دوبار پيموده شده اند : Δτ = 0.17 τ ij

معصومه خيرخواه زاده 14 آزمايشکاه سيستم هاي 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 زاده 15 آزمايشکاه سيستم هاي 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 مورچه ها، به طور همزمان انجام شوند.