Optimisation Par Colonie De Fourmies

Présentation au sujet: "Optimisation Par Colonie De Fourmies"— Transcription de la présentation:

1 Optimisation Par Colonie De Fourmies
Présenté par: Mer DJELLAT Soulimane Examiné par: Mer BENYATTOU Mohammed Module: Optimisation Avancé Master 2 RFIA

2 1983 travaux de Deneubourg sur les fourmis.
Introduction Lintro En observant une colonie de fourmis à la recherche de nourriture dans les environs du nid, on s’aperçoit qu’elle résoud des problèmes tels que celui de la recherche du plus court chemin. Les fourmis résolvent des problèmes complexes par des mécanismes assez simples a modéliser. Il est ainsi assez simple de simuler leur comportement par des algorithmes. Hist 1983 travaux de Deneubourg sur les fourmis. Cette méta-heuristique a été introduite en 1991 par Colorni, Dorigo et Maniezzo pour résoudre le problème du Voyageur de commerce. Elle s’est popularisée, puis a été l’objet d’améliorations dès 1995 et a été appliquée avec succès à d’autres problèmes d’optimisation combinatoire dès Colonie de Fourmie Algorithme Ant System ACO pour TSP Conclusion

3 Un modèle expliquant ce comportement est le suivant :
Les algorithmes de colonies de fourmis sont des algorithmes inspirés du comportement des fourmis et qui constituent une famille de méta heuristiques d’optimisation. Un modèle expliquant ce comportement est le suivant : une fourmi Parcourt plus ou moins au hasard l’environnement autour de la colonie. si celle-ci découvre une source de nourriture, elle rentre plus ou moins directement au nid, en laissant sur son chemin une piste de phéromones. ces phéromones étant attractives, les fourmis passant à proximité vont avoir tendance à suivre, de façon plus ou moins directe, cette piste. en revenant au nid, ces mêmes fourmis vont renforcer la piste. si deux pistes sont possibles pour atteindre la même source de nourriture, celle étant la plus courte sera, dans le même temps, parcourue par plus de fourmis que la longue piste. la piste courte sera donc de plus en plus renforcée, et donc de plus en plus attractive. à terme, l’ensemble des fourmis a donc déterminé et « choisi » la piste la plus courte. Introduction Algorithme Colonie de Fourmie Algorithme Ant System ACO pour TSP Conclusion

4 Introduction Les fourmis utilisent l’environnement comme support de communication : elles échangent indirectement de l’information en déposant des phéromones, le tout décrivant l’état de leur « travail ». L’information échangée a une portée locale, seule une fourmi située à l’endroit où les phéromones ont été déposées y a accès. Ce système porte le nom de « stigmergie », et se retrouve chez plusieurs animaux sociaux (il a notamment été étudié dans le cas de la construction de piliers dans les nids de termites). Différences comparatives entre les fourmis ‘artificielles’ et les ‘vraies’ Colonie de Fourmie Algorithme Ant System ACO pour TSP Conclusion

5 elle ne peut visiter qu’une fois chaque ville ;
ce premier algorithme de colonies de fourmis (Ant system (système fourmi)). Il vise notamment à résoudre le problème du voyageur de commerce. Le voyageur de commerce est un problème NP-complet. La métaphore de la colonisation de fourmis s’y applique particulièrement bien. L’algorithme général est relativement simple, et repose sur un ensemble de fourmis, chacune parcourant un trajet parmi ceux possibles. À chaque étape, la fourmi choisit de passer d’une ville à une autre en fonction de quelques règles : elle ne peut visiter qu’une fois chaque ville ; plus une ville est loin, moins elle a de chance d’être choisie (c’est la « visibilité ») ; plus l'intensité de la piste de phéromone disposée sur l’arête entre deux villes est grande, plus le trajet aura de chance d’être choisi ; une fois son trajet terminé, la fourmi dépose, sur l’ensemble des arêtes parcourues, plus de phéromones si le trajet est court ; les pistes de phéromones s’évaporent à chaque itération Introduction Colonie de Fourmie Algorithme Ant System ACO pour TSP Conclusion

6 Tant que le critère d'arrêt n'est pas atteint faire Pour k=1 à m faire
Algorithme de colonies de fourmis pour le problème du voyageur de commerce TSP: Tant que le critère d'arrêt n'est pas atteint faire Pour k=1 à m faire Choisir une ville au hasard Pour chaque ville non visitée i faire Choisir une ville j, dans la liste des villes restantes selon (F-1) Fin Pour Déposer une piste sur le trajet (t) conformément à (F-2) Évaporer les pistes selon (F-3) Fin Tant que Le but initial de cette méthode était de résoudre le problème du voyageur de commerce. Si l'on considère un problème de voyageur de commerce à N villes, chaque fourmi k parcourt le graphe et construit un trajet de longueur n =/N/. Pour chaque fourmi, le trajet d'une ville i à une ville j dépend de : Introduction Colonie de Fourmie Algorithme Ant System ACO pour TSP Conclusion

7 La règle de déplacement est la suivante :
la liste des villes déjà visitées, qui définit les mouvements possibles à chaque pas, quand la fourmi k est sur la ville i,  l'inverse de la distance entre les villes , appelée visibilité. Cette information est utilisée pour diriger les fourmis vers des villes proches et ainsi, éviter de trop longs déplacements . la quantité de phéromone déposée sur l'arête reliant deux villes appelée intensité de la piste. Cette quantité définit l'attractivité d'une piste et est modifiée après le passage d'une fourmi. C'est la pseudo-mémoire du système La règle de déplacement est la suivante : Introduction Colonie de Fourmie Algorithme Ant System = ACO pour TSP α et β sont deux paramètres qui contrôlent l’importance relative entre phéromones et visibilité. Après un tour complet, chaque fourmi dépose une quantité de phéromone (t) sur l'ensemble de son parcours. Cette quantité dépend de la qualité de la solution trouvée et est définie par : Conclusion

8

9 Si on place à chaque instant t : 30 fourmis en B qui sont venus de A,
Exemple Détaillé Si on place à chaque instant t : 30 fourmis en B qui sont venus de A, 30 fourmis en D qui sont venus de E, la vitesse =1, l’intensité de phéromone=1, le phéromone s’évapore instamment au milieu de l’intervalle (t+1,t+2) Introduction Colonie de Fourmie Algorithme Ant System ACO pour TSP Conclusion

10 Domaines d’application :
Applications au problème symétrique et asymétrique de voyageur de commerce. Applications au problème d’ordonnancement séquentiel. Applications aux problèmes d’affectation quadratique. Applications aux problèmes de tournées des véhicules. Applications aux problèmes d'établissement d’horaires. Applications aux problèmes de coloration de graphe. Applications aux problèmes de partitionnement. Applications aux réseaux de télécommunications. Implémentations parallèles. Inconvenants et Avantages : Avantage: Très grande adaptabilité. Parfait pour les problèmes basés sur des graphes. Inconvénients: Un état bloquant peut arriver. Temps d'exécution parfois long. Ne s'applique pas à tous type de problèmes. Introduction Colonie de Fourmie Algorithme Ant System ACO pour TSP Conclusion

11 Elle commence à être adaptée à des problèmes continus
Introduction L’algorithme des colonies des fourmis est une heuristique, avec caractère général utilisée pour résoudre différentes problèmes d’analyse combinatoire. Principal inconvénient : coût relativement élevé de la génération des solutions. Elle commence à être adaptée à des problèmes continus Bibliographie : fr.wikipedia.org Optimisation par colonies de fourmis. COSTANZO Andrea. LUONG Thé Van. MARILL Guillaume.2002 Colonie de Fourmie Algorithme Ant System ACO pour TSP Conclusion

12 m e r c i