1 Dr. Guillermo LeguizamónAnt Colony Optimization (Optimización Basada en el comportamiento de Colonias de Hormigas) Una Metaheurística Bio-inspirada Dr. Guillermo Leguizamón CINVESTAV – Julio de 2010 G. Leguizamón - UNSL - Argentina
2 El enfoque ACO, marco general.La metaheurística ACO se sitúa dentro del campo de la “INTELIGENCIA COLECTIVA” (IC) o “SWARM INTELLIGENCE” (SI) Este marco presupone un conjunto de agentes que obedecen a un conjunto de reglas muy simples, pero que actuando cooperativamente, surge un sistema mucho más complejo. Ejemplos: Hormigas, termitas, abejas, peces (cardúmenes), pájaros, etc. G. Leguizamón - UNSL - Argentina
3 Inteligencia Colectiva- Introducción“The emergent collective intelligence of groups of simple agents.” (Bonabeau, Dorigo and Theraulaz) G. Leguizamón - UNSL - Argentina
4 Inteligencia Colectiva- IntroducciónMuchos insectos/aves/peces sociales actuando colectivamente, son capaces de realizar comportamientos complejos, e.g., defender un nido, construir puentes y nidos, distribuir tareas, búscar alimentos, defensa contra depredadores, etc. G. Leguizamón - UNSL - Argentina
5 Inteligencia Colectiva - Introducción¿Qué los gobierna? ¿Quién emite las ordenes? ¿Quién tiene una visión global? ¿Quién elabora los planes? ¿Quién preserva el equilibrio? Algunas preguntas que surgen cuando vemos la complejidad y perfección del producto de ciertas colonias/enjambres: Parece ser que cada agente tiene sus propios objetivos, pero el resultado (construcción de un nido, puente, camino) se percibe como algo organizado y complejo.
6 Ingeligencia Colectiva - IntroducciónCaracterísticas de estos sistemas Agentes simples (gobernados por reglas sencillas), pero masivos. Comportamiento emergente Auto-organización Descentralización Flexibilidad Auto-reparación G. Leguizamón - UNSL - Argentina
7 Ingeligencia Colectiva - IntroducciónAuto-organización (Self-organization ) Es un conjunto de mecanismos dinámicos a partir de los cuales pueden emerger estructuras de alto nivel debido a las interacciones entre componentes de bajo nivel. (Bonabeau et al., en Swarm Intelligence, 1999)
8 Inteligencia Colectiva - IntroducciónCooperación (no competencia) Comunicación directa o indirecta (stigmergy) Algoritmos Modelos Sist. Multi-Agente Grupos de Robots G. Leguizamón - UNSL - Argentina
9 Inteligencia Colectiva - IntroducciónCine: Robótica y Ciencia Ficción (Matrix) Swarm de centinelas en acción Un “centinela” G. Leguizamón - UNSL - Argentina
10 Inteligencia Colectiva - IntroducciónMás cine y escenas que capturan el concepto G. Leguizamón - UNSL - Argentina
11 Inteligencia Colectiva - IntroducciónAlgunos principios de la Inteligencia Colectiva Auto-organización basada en: intensificación de tareas vía retroalimentación positiva balance de actividades vía retroalimentación negativa intensificación de fluctuaciones aleatorias múltiples interacciones stigmergy , basada en: trabajo realizado como respuesta al estado del entorno el entorno funciona como memoria de estado de trabajo realizado el trabajo no depende de agentes específicos G. Leguizamón - UNSL - Argentina
12 Inteligencia Colectiva - IntroducciónDefinición de Inteligencia Colectiva Computacional (ICC) o Computational Swarm Intelligence (CSI), según E. Bonabeau et al.: “cualquier intento de diseñar, desde una perspectiva distribuida, algoritmos o dispositivos para resolver problemas inspirados en el comportamiento de insectos u otros animales sociales” A. Engelbrecht da una definición similar, excepto que no incluye a los dispositivos (e.g., robots). G. Leguizamón - UNSL - Argentina
13 Ant Colony Optimization (ACO)La metaheurística ACO engloba a un conjunto de algoritmos cuyo diseño está basado en el comportamiento de ciertas colonias de hormigas reales Comportamiento: búsqueda y provisión de alimentos realizando la exploración desde el nido (comportamiento forrajero). G. Leguizamón - UNSL - Argentina
14 Ant Colony Optimization (ACO)Las hormigas reales (ciertas especies) dejan un rastro (feromona) que puede ser detectado por el resto de la colonia (comunicación indirecta o stigmergy) G. Leguizamón - UNSL - Argentina
15 Ant Colony Optimization (ACO)Definición: Un Algoritmo ACO es un proceso distribuido en el que un conjunto de agentes (reactivos) actúan en forma independiente y cooperan esporádicamente en forma indirecta para llevar a cabo un objetivo común. G. Leguizamón - UNSL - Argentina
16 ACO (Exp. Camino más corto)Instrucciones: Reemplazar iconos de ejemplo por iconos de documentos activos así: Crear documento en Word. Volver a PowerPoint. En el menú Insertar, seleccione Objeto... Haga clic en “Crear desde archivo” Ubique el nombre de archivo en el cuadro “Archivo” “Mostrar como icono” debe estar activado. Haga clic en Aceptar Seleccione un icono En el menú Presentación, seleccione Configuración de la acción. Haga clic en “Acción de objeto” y seleccione “Modificar” Alimento Nido Ciertas especies de hormigas realizan un proceso llamado auto-catalítico, el que modifica la velocidad con que se deja el rastro de feromona. Existen 2 tipos de catalizadores. Positivos: aumentan la velocidad de una reacción. Negativos: disminuyen la velocidad de una reacción (inhibidor). G. Leguizamón - UNSL - Argentina
17 Algunos Simuladores http://www.sinanerdem.net/ant-colony-simulator G. Leguizamón - UNSL - Argentina
18 ACO: algunos conceptos previosAntes de introducir los aspectos computacionales de la metaheurística ACO, veamos dos métodos básicos para explorar el espacio de búsqueda con elementos comunes a algunas metaheurísticas, por ejemplo: Búsqueda Local Algoritmos constructivos G. Leguizamón - UNSL - Argentina
19 Conceptos Previos (Cont.) Búsqueda LocalPresupone una estructura bien definida del espacio de búsqueda (uso del concepto de vecindario). Comienza desde una solución inicial y repetidamente trata de mejorarla a través de cambios locales Cada cambio realizado le permite al método, “moverse” hacia otros puntos del espacio de búsqueda dentro del vecindario G. Leguizamón - UNSL - Argentina
20 Conceptos Previos (Cont.) Vecindario de un punto en el espacioOperador G. Leguizamón - UNSL - Argentina
21 Búsqueda Local: ejemplo, operador de intercambio de 2 elementos.( ) ( ) ( ) ( ) ( ) ( ?) ( ?)
22 Búsqueda Local: algoritmo simpleProcedure BL; S Solución_Inicial; // completa Mejora TRUE while ( Mejora ) NS Vecindario de S // aplica op S’ Mejor(NS) // acorde al objetivo if ( S mejor que S’ ) Mejora FALSE else S S’ end-while return S; end-procedure
23 Conceptos Previos (Cont.)Algoritmos constructivos Las soluciones son construidas iterativamente añadiendo componentes a una solución partiendo desde una solución ‘vacía’. Por ejemplo, en el problema del Viajante de Comercio (TSP) la solución es construida añadiendo una ciudad tras otra incrementando la longitud del tour. G. Leguizamón - UNSL - Argentina
24 Conceptos Previos (Cont.)Ejemplo de un Algoritmo constructivo Procedure GreedyConstHeurist; Sp ElegirPrimeraComponente(Cand); while (Sp no esté completa) C ComponenteGreedy(Cand); Sp Sp C; end-while S Sp; return S; end-procedure Esta parte es la que determina la “voracidad” G. Leguizamón - UNSL - Argentina
25 Conceptos Previos (Cont.)¿Qué diferencia hay entre Búsqueda Local y un Algoritmo Constructivo? ¿Cómo visualizar el espacio de búsqueda para un Algoritmo Constructivo? ¿Se pueden definir operadores para explorar dicho espacio? G. Leguizamón - UNSL - Argentina
26 Espacio de Búsqueda del Problema (Ejemplo, TSP)Tamaño N=5, 5!=120 Posibles soluciones N=6, 6!=720 N=100, 100! = ? EB 2 3 4 5 1 Cada punto en EB es una permutación de las ciudades, e.g., ( ) o ( ) G. Leguizamón - UNSL - Argentina
27 Espacio de Búsqueda - TSP Algoritmo Constructivo¿Cómo elegir la rama a seguir? 3 1 2 5 4 5 4 3 2 1 5! en Total G. Leguizamón - UNSL - Argentina
28 Algunas posibilidades de expansión del árbolGreedy (como en el ejemplo del algoritmo previamente mostrado) Aleatorio (¿tiene sentido?) Greedy-random (e.g., GRASP) o bien, según Ant Colony Optimization (formulación clásica del enfoque, a continuación …) G. Leguizamón - UNSL - Argentina
29 Consideraciones para su aplicaciónEl enfoque ACO es particularmente adecuado para ser aplicado a problemas que acepten una representación vía grafo (necesario para imitar la búsqueda de un camino) Representación del rastro de feromona y su asociación a las conexiones entre las componentes del problema. Posibilidad de añadir conocimiento del problema (heurística local) para guiar junto con el rastro la construcción de las soluciones. G. Leguizamón - UNSL - Argentina
30 Consideraciones para su aplicaciónDorigo et al. plantean el concepto de “grafo de construcción” como pre-requisito para aplicar un algoritmo ACO. La existencia de este grafo permitirá a las hormigas de la colonia, recorrer dicho grafo para la construcción de las soluciones en forma cooperativa. G. Leguizamón - UNSL - Argentina
31 Consideraciones para su aplicaciónSe define un grafo GC=(V,E) donde: V es el conjunto de vértices E el conjunto de arcos que representan las conexiones entre los vértices C es el conjunto de componentes del problema y puede estar asociado a V o E. G. Leguizamón - UNSL - Argentina G. Leguizamón - UNSL - Argentina
32 Consideraciones para su aplicación (ejemplo general)F N G. Leguizamón - UNSL - Argentina G. Leguizamón - UNSL - Argentina
33 ACO aplicado a TSP Grafo GC =(V,E), donde V es el conjunto de n ciudades (componentes) y E las carreteras entre las ciudades (TSP simétrico) . En este ejemplo n=5 3 4 2 5 1 ¿dónde ubicamos al nido (N) y a la fuente de alimentos (F)?
34 ACO aplicado a TSP (Cont.)Nido: nodos elegidos aleatoriamente (e.g., 3) FA: el último nodo luego de completada la solución (e.g., 1) Una posible solución: ( ) 3 4 2 5 1 G. Leguizamón - UNSL - Argentina
35 ACO aplicado a TSP (Cont.)Al momento de decidir la próxima ciudad a visitar, ¿cuáles serán los opciones para cada hormiga? Veamos el caso de una hormiga particular: S=(), C={1,2,3,4,5} 2 S=(3), C={1,2,4,5} 3 S=(3 5), C={1,2,4} 4 Componentes Candidatas Solución Inicial S=(3 5 4), C={1,2} S=( ), C={1} 5 1 S=( ), C={} G. Leguizamón - UNSL - Argentina
36 ACO aplicado a TSP (Cont.)Representación del rastro de feromona puede ser realizado a través de una matriz de números reales () de nn. Heurística local (visibilidad): 1/dij, es decir, un valor inversamente proporcional a la distancia entre las ciudades i y j. G. Leguizamón - UNSL - Argentina
37 ACO aplicado a TSP (Cont.)τ: matriz de feromona 3 4 2 5 1 1 2 3 4 5 τij indica fortaleza de la conexión (i,j) G. Leguizamón - UNSL - Argentina
38 Espacio de Búsqueda - TSP Algoritmo ACO¿Cómo se elige en un ACO la rama a seguir? 3 1 2 5 4 5 4 3 2 1 G. Leguizamón - UNSL - Argentina
39 El primer algoritmo ACO (Ant System o AS)La construcción se realiza paso a paso en forma probabilística considerando ij y ij Inicializar(); for c=1 to Nro_ciclos { for k=1 to Nro_ants ant-k construye solución k; Guardar la mejor solución; Actualizar Rastro (i.e., ij); Aplicar Búsqueda Local // Opcional Reubicar hormigas para el próximo ciclo; } G. Leguizamón - UNSL - Argentina
40 AS - Construcción de una solución para TSP/* Sk: Solución o permutación construida por la hormiga k */ Sk = Ciudad_Inicial; (escogida de acuerdo a algún criterio) while ( no se haya completado el tour ) { Seleccionar próx. ciudad (j) con probabilidad Pij (i es la última ciudad incluida) Sk = Sk j } Los parámetros α y β controlan respectivamente la importancia del rastro y la heurística G. Leguizamón - UNSL - Argentina
41 El primer algoritmo ACO (Ant System o AS)Inicializar(); for c=1 to Nro_ciclos { for k=1 to Nro_ants ant-k construye solución k; Guardar la mejor solución; Actualizar Rastro (i.e., ij); Aplicar Búsqueda Local // Opcional Reubicar hormigas para el próximo ciclo; } Se puede hacer considerando todas las soluciones encontradas o un subconjunto de ellas G. Leguizamón - UNSL - Argentina
42 Actualización del Rastro en ASEste valor es calculado directamente proporcional a la calidad de la solución Acumulación de rastro proporcional a la calidad de las soluciones (i.e., NroAnts soluciones o la mejor de la colonia): Actualización : el parámetro es el factor de evaporación. G. Leguizamón - UNSL - Argentina
43 Importancia de Rastro ()Como todo método heurístico, un algoritmo ACO tiene su bloque de construcción a partir del cual se generan nuevas soluciones del espacio de búsqueda. El bloque de construcción está representado por la estructura dado que incide directamente en las componentes a seleccionar. 1 2 3 4 5 Recordar!: El nivel de feromona indica la fortaleza de la conexión. G. Leguizamón - UNSL - Argentina
44 Otros algoritmos ACO Surgen como respuesta a ciertos problemas observados en AS y básicamente se diferencian en cómo usan y/o modifican el rastro de feromona. MinMax-AS (control sobre los valores del rastro) AS-rank (ranking de soluciones) AS-elistim (sólo la mejor solución) Ant Colony System (ACS) Ant-Q (basado en Q-Learning) G. Leguizamón - UNSL - Argentina
45 ¿Qué diferencia fundamental existe entre el enfoque ACO y los AEs?G. Leguizamón - UNSL - Argentina
46 EB desde la perspectiva de un AE y ACO3 1 2 5 4 Solución Completa G. Leguizamón - UNSL - Argentina
47 adicional Enfoques basados en Modelos Enfoques basados en InstanciasAEs y ACO: un concepto adicional Enfoques basados en Modelos Enfoques basados en Instancias G. Leguizamón - UNSL - Argentina
48 Aplicaciones de ACO TSP Scheduling Vehicle Routing Problem (VRP)Data Mining (Ant-Miner & Ant-Tree) Problemas de Grafos (Clique, Coloreo, etc.) Ruteo Dinámico (ANT-Net) Problemas con funciones continuas y restricciones Geometría Computacional G. Leguizamón - UNSL - Argentina
49 Estudios actuales Modelos Paralelos HibridaciónEstudio y análisis de sus propiedades Aplicaciones a problemas de carácter no estacionario (ambientes dinámicos) G. Leguizamón - UNSL - Argentina
50 Información de interésDorigo, M. & T. Stützle - “Ant Colony Optimization”. Mit Press. Bonabeau, E., Dorigo, M., and Theraulaz, G. – “Swarm Intelligence: From Naturals to Artifical Systems”. Oxford University Press. Engelbrecht, A.P. – “Fundamentals of Computational Swarm Intelligence”. Wiley. G. Leguizamón - UNSL - Argentina
51 Información de interés (Cont) G. Leguizamón - UNSL - Argentina
52 Vemos ahora un programa en Lenguaje C (versión para Linux) de un algoritmo ACO (Ant System y variantes) para Resolver el Problema de Viajante de Comercio (TSP). G. Leguizamón - UNSL - Argentina
53 FIN Parte I G. Leguizamón - UNSL - Argentina