Contenidos |
1.- |
Descripción. |
2.- |
Funciones
heurísticas. |
3.- |
Estrategias para
actualizar el rastro. |
4.- |
Variantes |
|
|
Procedimiento de aprendizaje
por refuerzo Ant-Q. |
|
|
MAX-MIN Ant System. |
5.- |
Aplicaciones |
|
|
Se comienza describiendo
brevemente el medio empleado por las hormigas para comunicarse entre sí. Además, se pone
de manifiesto que el rastro de feromona usado para la comunicación les permite resolver
de forma eficiente una gran variedad de problemas: encontrar comida, determinar caminos
mínimos entre dos puntos, establecer buenas estrategias de defensa, etc. A continuación,
se explica como puede usarse un proceso análogo a éste para obtener soluciones de alta
calidad para un problema particular. Inicialmente, se emplea el problema del Viajante de
Comercio para ejemplificar el procedimiento, ya que, aparte de ser el primer problema
abordado con esta técnica, la explicación sobre el mismo es particularmente clara y
sencilla. Sobre este problema se enumeran y detallan diferentes evaluaciones heurísticas
y estrategias de actualización del rastro. El estudio de
algunas de las variantes del anterior procedimiento es otro de los elementos tratados en
el tema. Se presta especial atención a la variante Ant-Q por ser un
procedimiento de aprendizaje por refuerzo. Otra variante estudiada es el MAX-MIN Ant
System.
En la sección de aplicaciones se enumeran otros problemas
resueltos con estas técnicas a fin de manifestar la gran aplicabilidad del procedimiento. |
|
|
Objetivos del tema |
1.- |
Conocer los
procedimientos de optimización basados en Colonias de Hormigas. |
2.- |
Conocer diferentes
evaluaciones heurísticas para un problema. |
3.- |
Valorar el papel
que juega el rastro en el proceso de optimización. |
4.- |
Ser capaz de
reconocer diferentes estrategias de actualización del rastro. |
5.- |
Conocer algunas de
las variantes propuestas del procedimiento. |
6.- |
Ser capaz de
proponer procedimientos de optimización basados en Colonias de Hormigas para un problema
arbitrario. |
7.- |
Conocer algunas de
las aplicaciones de estos métodos. |
|
|
Material recomendado |
|
|
1.- |
Ant System: Optimization by a Colony of Cooperating Agents. Marco
Dorigo, Vittorio Maniezzo, Alberto Colorni. IEEE Transactions on Systems, Man and
Cybernetics. Part B: Cybernetics Vol. 26 No. 1, pp. 29-41 (1996) |
|
Excelente trabajo
dedicado al Sistema Hormiga. En el se introduce, en palabras de los autores, este nuevo
paradigma computacional. De manera clara y sencilla se describe el procedimiento y se
detallan los diferentes elementos que lo forman. Además, se estudian diversas propiedades
del Sistema Hormiga, se analiza su comportamiento y se compara la efectividad del mismo
frente a otras técnicas de optimización (Búsqueda Tabú y Recristalización Simulada). |
2.- |
Ant Colonies for the Travelling Salesman Problem. Marco
Dorigo, Luca Maria Gambardella. Biosystems Vol. 43 pp. 73-81 (1997) |
|
Buen artículo
dedicado a la aplicación de la Optimización a través de Colonias de Hormigas al
problema del Viajante de Comercio. La principal diferencia que existe entre el método
descrito en este trabajo y el descrito en el trabajo anterior radica en la regla de
elección de acción empleada. Se usa una de las reglas descritas en el siguiente trabajo.
Además, se compara el comportamiento de este método con otros procedimientos inspirados
por procesos naturales: Recristalización Simulada, Redes Neuronales, Algoritmos
Genéticos y Programación Evolutiva. |
3.- |
Ant-Q: A Reinforcement Learning Approach to the Travelling
Salesman Problem. Luca Maria Gambardella, Marco Dorigo. Proceedings of ML-95,
Twelfth International Conference on Machine Learning, Morgan Kaufmann, pp. 252-260, (1995) |
|
En este trabajo se
introduce la familia de procedimientos Ant-Q, que pueden verse como una
generalización del Sistema Hormiga. La familia propuesta emplea muchas ideas presentes en
el Q-aprendizaje, un tipo de aprendizaje basado en premios retardados (learning
with delayed rewards). Las principales diferencias entre el Sistema Hormiga y el Ant-Q
se encuentran en la manera en que se elige el próximo elemento que entra a formar parte
de la solución (regla de elección de acción), la expresión mediante la cual se
actualiza el rastro y la cantidad de rastro que recibe cada acción posible. Además de
exponer estas diferencias, en el trabajo se estudian algunas propiedades de la familia Ant-Q
y se suministran los resultados computacionales obtenidos al aplicar esta técnica a la
resolución de problemas del Viajante de Comercio difíciles. |
4.- |
Improvements on the Ant-System: Introducing the MAX-MIN Ant
System. Thomas Stützle, Holger Hoos. ICANNGA97 - Third International Conference on
Artificial Neural Networks and Genetic Algorithms, University of East Anglia, Norwich, UK,
Springer Verlag (1997) |
|
Mientras
experimentaban con el Sistema Hormiga, los autores observaron que, en muchos casos, se
producía un estancamiento prematuro que impedía obtener soluciones óptimas. A fin de
subsanar este inconveniente se propone limitar a un intervalo el valor que puede tomar el
rastro. Se pretende no descartar precipitadamente elementos que pudieran estar en la
solución óptima de un problema. Esta mejora, llamada MAX-MIN Ant System,
presenta un mejor comportamiento que el Sistema Hormiga. |
5.- |
MAX-MIN Ant System and Local Search for Combinatorial
Optimization Problems. Thomas Stützle, Holger Hoos. 2nd Metaheuristics
International Conference (MIC-97), Sophia-Antipolis, France (1997) |
|
Se presenta una
descripción más detallada del procedimiento MAX-MIN Ant System. Asimismo, se
propone una mejora consistente en aplicar búsquedas locales desde soluciones construidas
por algunas de las hormigas. De esta forma, el procedimiento híbrido resultante es un
Método Multiarranque con un particular mecanismo de generación de soluciones iniciales.
Las propuestas son validadas sobre problemas del Viajante de Comercio y de Asignación
Cuadrática. |
|
|