Karınca Koloni Algoritması 1

Transkript

1 Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: Karınca Koloni Algoritması 1 6

2 Ders Planı (Vize Sonrası) 11. Hafta (H7312): Sürü Zekası, Doğada Karıncalar, ACO Giriş 12. Hafta (H7312): ACO Uygulama Adımları ve Manuel Örnek Çözümleri 13. Hafta (C106): Daha Önce Yazılmış Kodların ve Parametrelerin Algoritma Performansı Üzerine Etkisinin İncelenmesi 14. Hafta (C106): Laboratuvarda ACO Uygulaması & Rapor Teslimi Laboratuvarda ACO Uygulaması (Finalde 20 Puan): Verilecek olan föy üzerinde belirtilen uygulamalar bilgisayar başında daha önceden geliştirilmiş bir ACO algoritması arayüzünü kullanarak eş zamanlı şekilde gerçekleştirilecektir. İstenilen soruların cevapları verilecek olan föy üzerine işlenecektir. Rapor Teslimi (Finalde 20 Puan): Tercihen SCI da taranan bir dergide yayımlanmış (olmazsa Ulakbim veritabanı), tercihen bir Endüstri Müh./Yöneylem Araş. probleminin çözümüne yönelik geliştirilmiş olan GA veya ACO algoritması içeren bir makale incelenip araştırılacak. Makale kapsamında çözülen problemi ve çözüm yönteminin detaylarını anlatan 4 sayfalık Türkçe bir rapor hazırlanacak (1-2 sayfa problem, 2-3 sayfa çözüm yöntemi). Maksimum üç kişilik grup oluşturulabilir. Final sınavından önce (sınav günü de olabilir) rapor çıktı olarak teslim edilecek (cilt yapmaya gerek yok, poşet dosya yeterli) ve ikucukkoc@balikesir.edu.tr adresine Word formatında gönderilecek. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017 2

3 Sürü Zekası (Swarm Intelligence) Günümüzde biyolojik sistemlerden esinlenilerek ortaya çıkarılmış birçok yöntem hesaplama problemlerinin çözümünde kullanılmaktadır. Örneğin yapay sinir ağları insan beyninin basitleştirilmiş bir modelidir, genetik algoritma ise doğada var olan "güçlü olanın hayatta kalması ve genetik özelliklerini sonraki nesillere aktarması" prensibinden esinlenilerek ortaya çıkarılmıştır. Biyolojik sistemlerin başka bir çeşidi olan sosyal sistemler, özellikle bireyin çevresiyle ve diğer bireylerle olan etkileşimini ve kolektif (ortak) davranışlarını incelemektedir. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017 3

4 Sürü Zekası (Swarm Intelligence) Bazen tek başlarına hiçbir iş yapamayan varlıklar, toplu hareket ettiklerinde çok zekice davranışlar sergileyebilmektedir. Bir topluluğa ait bireyler, en iyi bireyin davranışından ya da diğer bireylerin davranışlarından ve kendi deneyimlerinden yararlanarak yorum yapmakta ve bu bilgileri ileride karşılaşacakları problemlerin çözümleri için bir araç olarak kullanmaktadırlar. Örneğin, bir canlı sürüsünü oluşturan bireylerden birisi bir tehlike sezdiğinde bu tehlikeye karşı tepki verir ve bu tepki sürü içinde ilerleyip tüm bireylerin tehlikeye karşı ortak bir davranış sergilemesini sağlar. Canlıların sürüler halinde bir problemi kendi başlarına çözemeyip ortaklaşa ortaya koydukları gayretle çözme yeteneği sürü zekası olarak adlandırılmaktadırlar. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017 4

5 Sürü Zekası Optimizasyon Algoritmaları Sürü, birbirleriyle etkilesen dağınık yapılı bireyler yığını anlamında kullanılır. Bireyler insan veya karınca olarak ifade edilebilir. Sürülerde N adet temsilci bir amaca yönelik davranışı gerçekleştirmek ve hedefe ulaşmak için birlikte çalışmaktadır. Kolaylıkla gözlenebilen bu kolektif zeka temsilciler arasında sık tekrarlanan davranışlardan doğmaktadır. Temsilciler faaliyetlerini idare etmek için basit bireysel kurallar kullanmakta ve grubun kalan kısmıyla etkileşim yolu ile sürü amaçlarına ulaşmaktadır. Grup faaliyetlerinin toplamından bir çeşit kendini örgütleme doğmaktadır. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017 5

6 Sürü Zekası Optimizasyon Algoritmaları Şimdiye kadar farklı araştırmacıların önerdiği sürü zekası optimizasyon algoritmaları aşağıda başlıklar halinde verilmiştir: Karınca Koloni Optimizasyonu Parçacık Sürü Optimizasyonu Yapay Balık Sürüsü Algoritması Bakteriyel Besin Arama Optimizasyon Algoritması Kurt Kolonisi Algoritması Kedi Sürüsü Optimizasyonu Yapay Arı Koloni Algoritması EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017 6

7 7 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017

8 Doğada Karıncalar Gerçek karıncalar, yuvaları ile yiyecek kaynağı arasındaki en kısa yolu bulma kabiliyetine sahiptirler ve ayrıca çevredeki değişimlere de adapte olabilmektedirler. Örneğin, yuva ile yiyecek arasındaki en kısa yol belirli bir zamanda keşfedilir ve sonra çevre şartları nedeniyle bu en kısa yol artık en kısa yol olmaktan çıkarsa, karıncalar yeni en kısa yolu bulabilmektedirler. Diğer bir ilginç nokta da, karıncaların çok iyi görme kabiliyetlerinin olmamasıdır. Yani, en kısa yolu keşfetme uğraşında yönleri seçmek için etrafı tam olarak göremezler. Karıncalar üzerine yapılan çalışmalar, en kısa yolu bulma kabiliyetlerinin birbirleri arasındaki kimyasal haberleşmenin bir sonucu olduğunu göstermiştir. Karıncalar birbirleriyle haberleşmede feromon olarak adlandırılan kimyasal bir madde kullanmaktadır. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017 8

9 Doğada Karıncalar Karıncalar yürürken yolları üzerine bir miktar feromon maddesi bırakır ve her bir karınca yuva yada yiyecek bulmak için bir doğrultuyu seçer. Bir yönün seçilme ihtimali, bu yön üzerindeki feromon maddesi miktarına bağlıdır. Bütün yönlerin feromon miktarı birbirine eşit ise, o zaman bütün yönler karıncalar tarafından aynı seçilme olasılığına sahiptir. Tüm karıncaların hızlarının ve yollara bıraktıkları feromon miktarının aynı olduğu kabul edildiğinde, daha kısa yollar üzerinde birim zamanda daha çok feromon maddesi birikecektir. Dolayısıyla, karıncaların büyük çoğunluğu hızla en kısa yolları seçecektir. Gerçek karınca kolonilerinin en kısa yolu bulmak için gösterdikleri davranış, doğal bir optimizasyon işlemini tanımlar. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017 9

10 Doğada Karıncalar Deneubourg et al (1989) Çift Köprü Deneyi I (Double Bridge Experiment I) 15cm Yiyecek Kaynağı (Food Soure) Yuva (Nest) Karıncalar bir süre gözlendiğinde; - En başta rastsal olarak seçim yapılıyor ve her iki yol üzerinde de karıncalar gözleniyor. - Fakat zamanla, neredeyse tüm karıncaların tek bir yol üzerinde yoğunlaştığı gözleniyor. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

11 Doğada Karıncalar Deneubourg et al (1989) Çift Köprü Deneyi II (Double Bridge Experiment II) 15cm Yiyecek Kaynağı (Food Soure) Yuva (Nest) Karıncalar bir süre gözlendiğinde; - En başta rastsal olarak seçim yapılıyor ve her iki yol üzerinde de karıncalar gözleniyor. - Fakat zamanla, neredeyse tüm karıncaların en kısa yol üzerinde yoğunlaştığı gözleniyor. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

12 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

13 Video ACO1 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

14 Doğada Karıncalar Karıncaların aynı zamanda, çevredeki değişime adapte olma yetenekleri vardır. Dış etkenler sonucu takip ettikleri mevcut yol artık en kısa yol değilse, yeni en kısa yolu bulabilmektedirler. Şekilde de görüldüğü gibi karıncalar başlangıçta düz bir hattı takip etmektedir. Önlerine bir engel konulduğunda feromonları takip edemediklerinden, karıncalar gidebilecekleri iki yoldan birini öncelikle rastsal olarak seçmektedirler. Kısa olan yoldan birim zamandaki geçiş daha fazla olacağından bırakılan feromon miktarı da daha fazla olur. Buna bağlı olarak, zaman içerisinde kısa olan yolu tercih eden karıncaların sayısında artış olur. Belli bir süre sonra neredeyse tüm karıncalar kısa yolu tercih ederler. Başta rastsal hareket eden karıncaların, izleri kontrol ederek yüksek olasılıkla izlerin yoğun olduğu yönü takip etmesi otokatalitik bir davranış şeklidir ve karıncaların karşılıklı etkileşiminde sinerjik bir etki vardır. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

15 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

16 Karınca Koloni Optimizasyon (Ant Colony Optimization-ACO) Algoritması Karınca Koloni Optimizasyon (Ant Colony Optimization-ACO) Algoritmalarının temeli ilk olarak Dorigo ve arkadaşları tarafından; gezgin satıcı problemi (GSP) ve kuadratik atama (QAP) gibi zor optimizasyon problemlerinin çözümü için geliştirilmiştir. En yeni sezgisel algoritmalardan biridir. Algoritma gerçek karınca kolonilerinin davranışları üzerine dayalıdır. Günümüze kadar ACO algoritmalarının yeni modelleri ortaya çıkmış ve bu modellerin özellikle kesikli (discrete) optimizasyon problemlerinin çözümüne uygulanması konusunda çeşitli çalışmalar yapılmıştır. ACO algoritması, yukarıda tanımlanan gerçek karınca kolonilerinin yapmış olduğu doğal optimizasyon işleminin yapay bir versiyonudur, genetik algoritma gibi popülasyon temelli bir algoritmadır. Yapay karıncalardan oluşan ACO Algoritması, yapay feromon izlerinin güncelleştirilmesiyle tekrarlanan bir yapıya sahiptir. Algoritmanın çalışma sürecinde, karıncalar tarafından güncellenen feromon izleriyle iyi bir çözümün bulunması için bilgi oluşturulmakta ve her iterasyonda bu bilgiler güncellenmektedir. EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

17 Karınca Koloni Optimizasyon (Ant Colony Optimization-ACO) Algoritması Başla H Adım 5 Adım 2 ACO parametrelerini ayarla Yeni bir koloni oluştur (koloni büyüklüğü kadar karınca tanımla) Adım 3 Adım 4 Adım 1 Yeni çözüm üretmesi için bir karıncayı serbest bırak ve çözüm üretsin Tüm karıncalar turlarını tamamladı mı? Feromon buharlaştır ve yerel feromon güncelle Koloni tarafından üretilen en iyi çözümü bul ve bu güzergah üzerine tekrar feromon bırak Adım 6 E Durdurma kriteri sağlandı mı? Dur ve en iyi çözümü (en yoğun feromon içeren güzergahı) göster E H ACO algoritmasının çalışma prensibi yandaki şekilde verilmiştir. Kısaca; Koloni büyüklüğü sayısınca karınca birer birer bırakıldıktan sonra, her bir karıncanın ürettiği çözümlerin fitness değerleri hesaplanır. Fitness değerlerine göre, her bir karınca tarafından üretilen çözüm (güzergah, path) üzerinde bulunan yollara feromon bırakılır. Tüm koloni turunu tamamlayınca, mevcut en iyi çözüm üzerinde bulunan yollara yeniden feromon bırakılır (global pheromone update). Bunun amacı mevcut en iyi çözümü pekiştirmektir. Sonrasında tüm yollardan buharlaşma oranı miktarınca feromon buharlaştırılır. Maksimum koloni sayısına ulaşana kadar yeni karınca kolonileri bırakılır ve sonuçta döngü sonlandırılarak en iyi çözüm rapor edilir. 27/11/

18 Video ACO2 Video: * Program İndir: EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

19 ACO Örnek: 4-Şehirli Gezgin Satıcı Problemi (GSP) Başlangıçta, tüm yollara eşit oranda feromon bırakılır. A B Feromon C D Ant Mesafeler AB: 10, AC: 10, AD, 30, BC, 40, CD 20 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

20 ACO Örnek: 4-Şehirli Gezgin Satıcı Problemi (GSP) A B Bir karınca, rastgele bir noktaya yerleştirilir. Feromon C D Ant Mesafeler AB: 10, AC: 10, AD, 30, BC, 40, CD 20 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

21 ACO Örnek: 4-Şehirli Gezgin Satıcı Problemi (GSP) Karınca bu noktadan hangi noktaya hareket edeceğine: - yolların feromon miktarları - yolların uzunlukları A bilgilerine göre hesaplanan olasılıklara göre karar verir. B Karıncanın BC yolunu tercih ettiğini varsayalım. Feromon C D Ant Mesafeler AB: 10, AC: 10, AD, 30, BC, 40, CD 20 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

22 ACO Örnek: 4-Şehirli Gezgin Satıcı Problemi (GSP) Karınca şu anda C noktasında ve {B, C} noktalarını ziyaret etmiş bulunmakta. Dolayısıyla B ve C noktalarını tekrar ziyaret edemez. A B Yeniden, mümkün olan noktalar arasından hangisine hareket edeceğini stokastik olarak feromon miktarları ve uzaklıkları dikkate alarak seçer. CD yolunu tercih ettiğini varsayalım. Feromon C D Ant Mesafeler AB: 10, AC: 10, AD, 30, BC, 40, CD 20 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

23 ACO Örnek: 4-Şehirli Gezgin Satıcı Problemi (GSP) Karınca şu anda D noktasında bulunmakta ve {B, C, D} noktalarını ziyaret etmiş durumda. Gidebileceği sadece bir nokta kaldı: A noktası A B Feromon C D Ant Mesafeler AB: 10, AC: 10, AD, 30, BC, 40, CD 20 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

24 ACO Örnek: 4-Şehirli Gezgin Satıcı Problemi (GSP) Sonunda, BC, CD, ve DA yollarını izleyerek tüm noktaları ziyaret etmiş oldu. Başladığı noktaya dönebilmesi için AB yolu da turuna eklenir. Şimdi, tüm noktalardan feromon buharlaştırılır. A B Feromon C D Ant Mesafeler AB: 10, AC: 10, AD, 30, BC, 40, CD 20 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

25 ACO Örnek: 4-Şehirli Gezgin Satıcı Problemi (GSP) A B Sonra, karıncanın takip ettiği güzergah üzerinde bulunan bağlantıların feromon miktarı artırılır. Feromon C D Ant Mesafeler AB: 10, AC: 10, AD, 30, BC, 40, CD 20 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

26 ACO Örnek: 4-Şehirli Gezgin Satıcı Problemi (GSP) Rastgele bir noktaya (örn. A noktası) konumlandırılmış yeni bir karınca yeni bir çözüm için tura başlar. A B Nereye gidecek? Bu kez karınca, mesafeleri ve yollar üzerinde bulunan mevcut feromon miktarlarını dikkate alarak seçimlerde bulunarak yeni bir çözüm oluşturacak. Feromon C D Ant Mesafeler AB: 10, AC: 10, AD, 30, BC, 40, CD 20 EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/

27 Kaynakça Çayıroğlu, İ., Optimizasyon Teknikleri Ders Notları, Karabük Üniversitesi, 6.Hafta-Karinca_Koloni_Algoritmasi.pdf, Erişim Tarihi: 10 Kasım Keedwell, E. C., Nature Inspired Computation Lecture Notes, Exeter Universitesi, M. Dorigo and T. Stützle. Ant Colony Optimization, MIT Press, Cambridge, Aydın, İ., Meta Sezgisel Yöntemler Ders Notları, Fırat Üniversitesi, Erişim Tarihi 14 Kasım Akyol, S., Alataş, B., Güncel Sürü Zekası Optimizasyon Algoritmaları, Nevşehir Üniversitesi Fen Bilimleri Enstitü Dergisi 1 (2012) Tamer, S., Karakuzu, C., Parçacık Sürüsü Optimizasyon Algoritması ve Benzetim Örnekleri, Erişim Tarihi: ACO Website (by Dorigo), EMM Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ 27/11/2017