Curso Baeza Oscar PDF

SISTEMAS COMPLEJOS, ALGORITMOS
EVOLUTIVOS Y BIOINSPIRADOS
OTRAS METAHEURSTICAS
Oscar Cordn
PARTE I: ALGORITMOS DE OPTIMIZACIN

BASADOS EN COLONIAS DE HORMIGAS
1. LAS COLONIAS DE HORMIGAS NATURALES
2. ALGORITMOS DE OPTIMIZACIN BASADOS EN
COLONIAS DE HORMIGAS
3. APLICACIN AL ENRUTAMIENTO EN REDES: ANTNET
4. COMENTARIOS FINALES
5. BIBLIOGRAFA
1
1. LAS COLONIAS DE HORMIGAS NATURALES
Las hormigas son insectos sociales que viven en colonias y

que tienen un comportamiento dirigido al desarrollo de la
colonia como un todo mas que a un desarrollo individual
Antz (Hormiga Z)
DreamWorks Pictures. 1998
Recordad...
SED LA BOLA!
2
1. LAS COLONIAS DE HORMIGAS NATURALES (2)
Una caracterstica interesante del comportamiento de las

colonias de hormigas es cmo pueden encontrar los
caminos ms cortos entre el hormiguero y la comida
Sobre todo porque... LAS HORMIGAS SON CIEGAS!!
Entonces...
Cmo lo hacen?
3
En su recorrido, depositan una sustancia

feromona que todas pueden oler (estimergia)
Este rastro permite a las

hormiguero desde la comida
hormigas
llamada
volver
su
Bichos. Una aventura en miniatura

Disney-Pixar. 1999
He perdido el rastro,
he perdido el rastro!
4
Cada vez que una hormiga llega a una interseccin,

decide el camino a seguir de un modo probabilstico
Las hormigas eligen con mayor probabilidad los caminos

con un alto rastro de feromona
5
Las bifurcaciones ms prometedoras (ms cercanas a la

comida) van acumulando feromona al ser recorridas por
ms hormigas (reclutamiento de masas)
Las menos prometedoras pierden feromona por

evaporacin al ser visitadas por menos hormigas cada
vez. An as, la gran perduracin de los rastros hace que
la evaporacin influya poco
La accin continuada de la colonia da lugar a un rastro

de feromona que permite a las hormigas encontrar un
camino cada vez ms corto desde el hormiguero a la
comida
6

EXPERIMENTOS DEL DOBLE PUENTE
Deneubourg realiz un experimento de laboratorio con

un tipo concreto de hormigas que depositan feromona al
ir del hormiguero a la comida y al volver
Usaron dos tipos de circuitos (puentes). En el primero,

las dos ramas del puente tenan la misma longitud. En el
segundo, una rama era el doble de larga que la otra
Despus, unieron dos puentes cruzados del segundo tipo
En el primer puente, las

hormigas terminaban por
converger a una sola rama
(cualquiera de las dos)
En el segundo, las
hormigas convergan a
la rama ms corta
10
En el circuito con dos puentes dobles cruzados, las

hormigas consiguen encontrar el camino ms corto
11
Como resultado de estos experimentos, Deneubourg y

su equipo disearon un modelo estocstico del proceso
de decisin de las hormigas naturales:
pi ,a =
[k + i ,a ]
[k + i ,a ] + [k + i ,a ' ]
donde:
pi,a es la probabilidad de escoger la rama a estando en el

punto de decisin i, y
i,a es la concentracin de feromona en la rama a
12
2. ALGORITMOS DE OPTIMIZACIN BASADOS EN

COLONIAS DE HORMIGAS
De las hormigas naturales a la OCH
La hormiga artificial
Actualizacin de feromona
El Sistema de Hormigas
Ejemplo de aplicacin del SH al TSP
Otros algoritmos de OCH
Estudio comparativo de la OCH en el TSP
Algoritmos de OCH con bsqueda local
La metaheurstica OCH
13
DE LAS HORMIGAS NATURALES A LA OCH
El Problema del Viajante de Comercio (TSP) es uno de los

problemas de optimizacin combinatoria ms conocido
Se dispone de un conjunto N = {1, ..., n} de ciudades, que

han de ser visitadas una sola vez, volviendo a la ciudad de
origen, y recorriendo la menor distancia posible
14
DE LAS HORMIGAS NATURALES A LA OCH (2)
Las hormigas naturales son capaces de resolver problemas de

camino mnimo como el TSP
Los algoritmos de OCH reproducen el comportamiento de las

hormigas reales en una colonia artificial de hormigas para
resolver problemas complejos de camino mnimo
Cada hormiga artificial es un mecanismo probabilstico de

construccin de soluciones al problema (un agente que imita a
la hormiga natural) que usa:
Unos rastros de feromona (artificiales) que cambian con el

tiempo para reflejar la experiencia adquirida por los agentes en la
resolucin del problema
Informacin heurstica sobre la instancia concreta del problema
15
DE LAS HORMIGAS NATURALES A LA OCH (3)
16
LA HORMIGA ARTIFICIAL
La hormiga artificial es un agente que:
Recuerda los nodos que ha recorrido, utilizando para

ello una lista de nodos visitados (L). Al finalizar, esta
lista contiene la solucin construida por la hormiga
En cada paso, estando en la ciudad r elige hacia qu

ciudad s moverse de entre las vecinas de r que no
hayan sido visitados an (J(r) = {s | ars y s L}),
segn una regla probabilstica de transicin
La decisin tomada es funcin de
heurstica rs=1/drs y la feromona rs
la
preferencia
17
LA HORMIGA ARTIFICIAL (2)
La regla probabilstica de transicin ms habitual define

la probabilidad con la que la hormiga k, situada en la
ciudad r, decide moverse hacia la ciudad s:
[ rs ] [ rs ]
, si s J k (r)
pk (r , s ) = [ ru ] [ ru ]
uJ k (r)
0,
en otro caso
- rs es la feromona del arco ars
- rs es la inf. heurstica del arco ars
- Jk(r) es el conjunto de nodos

alcanzables desde r no visitados
an por la hormiga k
- y son pesos que establecen un

equilibrio entre la importancia de la
informacin memorstica y heurstica
18
ACTUALIZACIN DE FEROMONA
1. Se usa una retroalimentacin positiva para reforzar en el
futuro los componentes de las buenas soluciones mediante
un aporte adicional de feromona
Cuanto mejor sea la solucin, ms feromona se aporta
2. Se usa la evaporacin de feromona para evitar un
incremento ilimitado de los rastros de feromona y para
permitir olvidar las malas decisiones tomadas
La evaporacin es la misma para todos los rastros,
eliminndose un porcentaje de su valor actual: 01
Es un mecanismo de evaporacin ms activo que el natural,
lo que evita la perduracin de los rastros de feromona y, por
tanto, el estancamiento en ptimos locales
19
ACTUALIZACIN DE FEROMONA (2)
Un ejemplo de regla de actualizacin de feromona sera:

m
rs (t ) = (1 ) rs (t 1) + rsk
k =1
1
, si la hormiga k ha visitado el arco a rs
= C ( S k )
0,
en otro caso
k
rs
- C(Sk) es el coste de la solucin generada por la hormiga k, es

decir, la longitud del circuito Sk
- m es el nmero de hormigas
Los arcos visitados por hormigas en la iteracin actual (arcos

prometedores) reciben un aporte extra de feromona y los no
visitados por ninguna hormiga (poco prometedores) la pierden
20
EL SISTEMA DE HORMIGAS
El algoritmo anterior fue el primero de OCH que se

propuso, denominado Sistema de Hormigas (Ant
System) (SH)
M. Dorigo, V. Maniezzo, A. Colorni, The Ant System: Optimization by a Colony of
Cooperating Agents. IEEE Trans. On Systems, Man and Cybernetics-Part B, Vol.
26, 1996, 1-13
Obtena buenos resultados en el TSP pero no eran lo

suficientemente competitivos con respecto a los de los
mejores algoritmos (state-of-the-art)
Fue la base para el desarrollo posterior de la OCH, al

proponerse muchas mejoras
21
EL SISTEMA DE HORMIGAS (2)

ALGORITMO SISTEMA DE HORMIGAS
Inicializacin de parmetros (p.e., asignacin de la

cantidad inicial a los rastros de feromona [i][j] 0)
Para It=1 hasta Nmero_de_Iteraciones hacer
1. Para k=1 hasta m (Nmero_de_Hormigas) hacer

L[k][1] nodo inicial
/* Construccin de soluciones por las hormigas */
2. Para i=2 hasta Nmero_de_Nodos hacer

Para k=1 hasta Nmero_de_Hormigas hacer
L[k][i] Regla_transicin (L[k], , )
22
EL SISTEMA DE HORMIGAS (3)

/* Actualizacin de feromona */
3. Para k=1 hasta Nmero_de_Hormigas hacer

Coste[k] C(L[k])
Mejor_Actual Mejor (L[k])

Para j=1 hasta Nmero_de_Nodos hacer
Actualizacin_feromona([i][j], L, C(L))
5. Si C(Mejor_Actual) es mejor que C(Mejor_Global)

entonces Mejor_Global Mejor_Actual
DEVOLVER Mejor_Global
23
EJEMPLO DE APLICACIN DEL SH AL TSP
A modo de ejemplo, vamos a describir una iteracin del SH

sobre un caso sencillo del TSP de tamao n=6 con las
siguientes matrices de distancias D y heurstica :
1
5
D = 5
2
2
1 5 5
2 2
2 2
2 2
5 5 1
5 3 5
2 2
5
5
1
5
3
5
2
1.000
0.447
= 0.447
0.500
0.707
1.000 0.447 0.447 .500 0.707

0.707
0.500
0.447
0.447
0.707
0.707
0.447
0.333
0.500
0.707
1.000
0.447
0.447
0.447
1.000
0.707
0.447
0.333
0.447
0.707
-
Fuente: J.M. Moreno-Vega, J.A. Moreno-Prez, Heursticas en Optimizacin,

Consejera de Educacin, Cultura y Deportes. Gobierno de Canarias, 1999.
24
EJEMPLO DE APLICACIN DEL SH AL TSP (2)
Suponiendo una poblacin de m=n=6 hormigas, cada una

partiendo de una ciudad distinta, y la matriz de feromona
inicializada a 0=10, el proceso constructivo de las tres
primeras podra ser el siguiente:
Probabilidades de transicin
1
1
2
3
5
6
0.322 0.144 0.144 0.161 0.227
0.336 0.237 0.212 0.212
0.475 0.300 0.225
0.585
1.000
0.415
Uniforme
0.000
0.031
0.673
0.842
-
Solucin
(1 2 - - - -)
(1 2 3 - - -)
(1 2 3 5 - -)
(1 2 3 5 6 -)
(1 2 3 5 6 4)
25
2
3
5
6
4
0.322
0.231
0.365 0.231 0.172
0.227
0.453
0.320
0.612
0.388
1.000
0.227 0.161 0.144 0.144
Uniforme
0.279
0.671
0.931
0.873
-
Solucin
(2 3 - - - -)
(2 3 5 - - -)
(2 3 5 6 - -)
(2 3 5 6 4 -)
(2 3 5 6 4 1)
Uniforme
0.372
0.415
0.321
0.474
-
Solucin
(3 2 - - - -)
(3 2 1 - - -)
(3 2 1 5 - -)
(3 2 1 5 4 -)
(3 2 1 5 4 6)
1
3
2
1
5
4
0.169 0.267
0.267 0.169 0.126
0.417
0.208 0.186 0.186
0.267 0.309 0.434
0.585
0.415
1.000
26

Una vez construidas las 6 soluciones, se aplica la
actualizacin de feromona. Considerando que cada hormiga
k aporta 100/C(Sk) en los arcos visitados, tendramos los
siguientes aportes:
Hormiga
C(Sk)
Aporte
Solucin
Arcos afectados
1
2
3
4
5
6
10.53
10.53
9.05
11.12
10.88
9.47
9.49
9.49
11.04
8.99
9.19
10.55
(1 2 3 5 6 4)
(2 3 5 6 4 1)
(3 2 1 5 4 6)
(4 2 6 1 3 5)
(5 1 6 2 4 3)
(6 5 3 4 2 1)
{a12, a23, a35, a56, a64, a41}

{a23, a35, a56, a64, a41, a12}
{a32, a21, a15, a54, a46, a63}
{a42, a26, a61, a13, a35, a54}
{a51, a16, a62, a24, a43, a35}
{a65, a53, a34, a42, a21, a16}
27
APLICACIN DEL SH AL TSP (5)

Aplicando el mecanismo de actualizacin de feromona, se
evapora la feromona y se realizan los aportes comentados:
m
rs (t ) = (1 ) rs (t 1) + rsk
k =1
Considerando =0.2, la matriz de feromona quedara:
0.00 45.58 13.99 23.99 25.23 33.73

0.00 35.03 33.73 8.00 23.18
0.00 24.74 52.72 16.04
0.00 35.03 35.03
0.00 79.54
0.00
28
OTROS ALGORITMOS DE OCH:

EL SISTEMA DE HORMIGAS ELITISTA
En el mismo trabajo en el que propusieron el SH, Dorigo y sus

colaboradores introdujeron el Sistema de Hormigas Elitista
(Elitist Ant System) (SHE) para solucionar el problema de la
lentitud de convergencia del SH
La nica diferencia entre ambos es la regla de actualizacin

que aplica un refuerzo adicional de los buenos arcos:
m
rs (t ) = (1 ) rs (t 1) + rsk + e rsmejor _ global

k =1
donde e es el nmero de hormigas elitistas consideradas y

mejor_global es la mejor solucin obtenida hasta el momento.
29

EL SISTEMA DE COLONIA DE HORMIGAS
M. Dorigo, L.M. Gambardella, Ant Colony System: A Cooperative Learning Approach
to the Traveling Salesman Problem. IEEE Trans. on Evolutionary Computation, Vol.
1, n 1, 1997, 53-66
El Sistema de Colonia de Hormigas (Ant Colony System)

(SCH) extiende a su predecesor, el SH, en tres aspectos:
La regla de transicin establece un equilibrio entre la exploracin

de nuevos arcos y la explotacin de la informacin acumulada
Para la actualizacin (global) de feromona slo se considera la
hormiga que gener la mejor solucin hasta ahora. Slo se
evapora feromona en los arcos que componen sta
Se aade una nueva actualizacin (local) de feromona basada en
que cada hormiga modifica automticamente la feromona de cada
arco que visita para diversificar la bsqueda
30

EL SISTEMA DE COLONIA DE HORMIGAS (2)
La regla de transicin de SCH (regla proporcional pseudoaleatoria) es:
arg max uJ k (r) {[ ru ] [ ru ] },

si q q0
s=
S,
en otro caso
s es la ciudad escogida por la hormiga k en su siguiente movimiento
q es un uniforme en [0,1]
q0 [0,1] es la probabilidad con la que se

determinsticamente el arco ms prometedor (explotacin)
S es una ciudad aleatoria seleccionada segn la regla de transicin del

SH (exploracin dirigida)
escoge
31

La actualizacin global de feromona se realiza mediante

la operacin:
rs (t ) = (1 ) rs (t 1) +
1
C ( S mejor global )
que slo se aplica sobre los arcos rs Smejor-global
Slo la hormiga que gener la mejor solucin hasta el

momento modifica los niveles de feromona
El aporte de feromona es funcin de la calidad de esta

solucin (C(Smejor-global))
32

Cada vez que una hormiga recorre un arco, aplica la

actualizacin local de feromona:
rs (t ) = (1 ) rs (t 1) + 0
Con esta operacin, la feromona asociada a un arco

disminuye cada vez que lo visita una hormiga
Los arcos ya visitados van siendo menos prometedores

segn los recorren ms hormigas en la iteracin actual,
lo que favorece la exploracin de arcos no visitados
As, las hormigas tienden a no converger a soluciones

parecidas en la iteracin actual
33

ALGORITMO SISTEMA DE COLONIA DE HORMIGAS
Inicializacin de parmetros (p.e., rs 0)
Para It=1 hasta Nmero_de_Iteraciones hacer

L[k][1] nodo inicial
/* Construccin de soluciones por las hormigas */

Para k=1 hasta Nmero_de_Hormigas hacer
L[k][i] Regla_transicin (L[k], , )
Actualizacin_local_feromona (L[k][i-1],L[k][i])
34

/* Actualizacin global de feromona */

Coste[k] C(L[k])
Mejor_Actual Mejor (L[k])
4. Si C(Mejor_Actual) es mejor que

entonces Mejor_Global Mejor_Actual
C(Mejor_Global)

Actualizacin_global_feromona (Mejor_Global[k][i],
Mejor_Global [k][i+1], C(Mejor_Solucin))
DEVOLVER Mejor_Global
35

EL SISTEMA DE HORMIGAS MAX-MIN
T. Sttzle, H.H. Hoos, MAX-MIN Ant System. Future Generation Computer
Systems, Vol. 16, n 8, 2000, 889-914
El Sistema de Hormigas Max-Min (Max-Min Ant System)

(SHMM) es una nueva extensin del SH con una mayor
explotacin de las mejores soluciones y un mecanismo
adicional para evitar el estancamiento de la bsqueda
Mantiene la regla de transicin del SH y cambia:
El mecanismo de actualizacin es ms agresivo al evaporar todos

los rastros y aportar slo en los de la mejor solucin
Define unos topes mnimo y mximo para los rastros de feromona
Reinicializa la bsqueda cuando se estanca

36

EL SISTEMA DE HORMIGAS MAX-MIN (2)
En la actualizacin de feromona slo se considera la

mejor solucin, ya sea de la iteracin actual o la global:
rs (t ) = (1 ) rs (t 1) + rsmejor
donde mejor es Smejor-global o Smejor-actual
Se evaporan todos los rastros de feromona
37

Se establecen unos lmites en los valores posibles de

feromona en los rastros:
min rs (t ) max
Los lmites se calculan de forma heurstica
Todos los rastros de feromona se inicializan al mximo valor

max, en lugar de a un valor pequeo 0
As, al aplicar la regla de actualizacin los arcos de las buenas

soluciones mantienen valores altos mientras que los de las
malas reducen el valor de sus rastros
Tambin da lugar a una mayor exploracin al comienzo de la

ejecucin del algoritmo
38

Adems, cuando se detecta que la bsqueda est

estancada, se aplica una reinicializacin, volviendo a
poner todos los rastros de feromona a max
La combinacin de todo lo anterior:
establece un buen balance exploracin-explotacin y

reduce la posibilidad de estancamiento de la bsqueda
El SHMM es hoy en da el algoritmo de OCH ms

competitivo
39

EL SISTEMA DE HORMIGAS MEJOR-PEOR
O. Cordn, F. Herrera, Ll. Moreno, Integracin de Conceptos de Computacin Evolutiva en un Nuevo Modelo de Colonia de Hormigas.
Actas de la Conferencia de la Asociacin Espaola para la Inteligencia Artificial (CAEPIA99), 1999, pp. 98-104.
O. Cordn, I. Fernndez de Viana, F. Herrera, Ll. Moreno, A New ACO Model Integrating Evolutionary Computation
Concepts: The Best-Worst Ant System. Actas de ANTS2000 - From Ant Colonies to Artificial Ants: Second International
Workshop on Ant Algorithms, 2000, pp. 22-29.
El Sistema de Hormigas Mejor-Peor (Best-Worst Ant System)

(SHMP) es otra extensin del SH basada en la incorporacin
de componentes de Computacin Evolutiva para mejorar el
equilibrio intensificacin-diversificacin
Mantiene la regla de transicin del SH y cambia:
El mecanismo de actualizacin es ms explotativo al evaporar

todos los rastros, reforzar positivamente slo los de la mejor
solucin global y negativamente los de la peor solucin actual
Aplica una mutacin de los rastros de feromona para diversificar
Reinicializa la bsqueda cuando se estanca
40

EL SISTEMA DE HORMIGAS MEJOR-PEOR (2)
La actualizacin de feromona de la mejor y la peor hormiga

se realiza en dos pasos:
1. Se evaporan todos los rastros de feromona y se aporta en los

de la mejor solucin global:
mejor _ global
rs (t ) = (1 ) rs (t 1) + rs
2. Se realiza una evaporacin adicional de los rastros de

feromona de la peor solucin de la iteracin actual que no
estn contenidos en la mejor global:
rs (t ) (1 ) rs (t ), ars S peor actual
y ars Smejor global
El refuerzo negativo de Speor-actual hace que la regla de

actualizacin tenga un comportamiento ms intensificativo
41

El SHMP considera la bsqueda estancada si

durante un nmero consecutivo de iteraciones (un
porcentaje del total) no se consigue mejorar la
mejor solucin global obtenida
En ese caso, se aplica la reinicializacin, volviendo

a poner todos los rastros de feromona a 0
42

Para conseguir diversidad en el proceso de bsqueda se

mutan los valores de los rastros de feromona
La mutacin se aplica en cada rastro de feromona con

probabilidad Pm:
rs (t )
'rs (t ) = rs (t ) + N (0, umbral ) ; umbral =
a rs S mejor global
A cada rastro mutado se le aade un valor normal de

media 0 en [-umbral, umbral]. umbral corresponde a la
media de los rastros de feromona de Smejor-global
43

Esta funcin de mutacin se caracteriza por:

1. La fuerza de la mutacin aumenta con las iteraciones: primero,
umbral es cercano a 0 y la mutacin es pequea. Luego, segn
crecen los rastros de Smejor-global va siendo ms grande
2. Al reinicializar, vuelve a su rango inicial
El SMPH consigue un buen

intensificacin combinando:
balance
diversificacin-
La intensificacin que introduce la regla de actualizacin de

feromona con la mejor y la peor hormiga
La diversificacin de la mutacin de rastros de feromona y la
reinicializacin
44
ESTUDIO COMPARATIVO DE LA OCH EN EL TSP

Ejemplo de valores de parmetros para la OCH en el TSP:
Nmero de hormigas: m = 10
Nivel inicial de feromona: 0 = 1/(nC(Sgreedy))
(Sgreedy = solucin obtenida por un algoritmo greedy)
Regla de transicin: =1, =2, q0=0.98 (SCH)
Regla de actualizacin de feromona: =0.1
Regla de actualizacin local (SCH): =0.1
Criterio de parada: 10000n iteraciones para TSP

simtrico y 20000n para el TSP asimtrico
45
ESTUDIO COMPARATIVO DE LA OCH EN EL TSP (2)
46
ESTUDIO COMPARATIVO DE LA OCH EN EL TSP (3)
47
ALGORITMOS DE OCH CON BSQUEDA LOCAL
Existe la posibilidad de hibridar los algoritmos de OCH

con tcnicas de bsqueda local para mejorar su eficacia
La hibridacin consiste en aplicar una bsqueda local

sobre las soluciones construidas por todas las hormigas
en cada iteracin antes de actualizar la feromona
El aumento en la eficacia provoca una disminucin en la

eficiencia, por lo que es habitual emplear la bsqueda
local junto con las llamadas Listas de Candidatos, que
consisten en estudiar slo las ciudades candidatas ms
prometedoras en cada paso de la hormiga
48
ALGORITMOS DE OCH CON BSQUEDA LOCAL (2)
El algoritmo bsico de OCH con bsqueda local es:
Mientras (no se d la condicin de parada) hacer
Construccin probabilstica de las soluciones preliminares

mediante la colonia de hormigas
Refinamiento de dichas soluciones mediante la bsqueda

local
Actualizacin global de feromona
De este modo, Los algoritmos de OCH con bsqueda

local son algoritmos hbridos con una generacin
probabilstica de soluciones iniciales para una tcnica
clsica de bsqueda local
49
As, pueden encuadrarse en los algoritmos de Bsqueda

Local
Mltiarranque,
aunque
stos
generan
aleatoriamente las soluciones iniciales sin usar
informacin heurstica
Tambin son similares a los algoritmos GRASP, aunque

con otra filosofa de generacin probabilstica de
soluciones
La principal diferencia con los dos algoritmos anteriores

es el mecanismo de cooperacin global de las soluciones
generadas que hace que las ejecuciones no sean
independientes entre s
50
EJEMPLO: SCH CON BSQUEDA LOCAL PARA EL TSP

Caso
TSP
d198
lin318
att532
rat783
SCH
(media)
15781.7
42029
27718.2
8837.9
SCH
(mejor)
15780
42029
27693
8818
Otros
(media)
15780
42029
27693.7
8807.3
Otros
(mejor)
15780
42029
27686
8806
Fuente: Bonabeau, Dorigo, Theraulaz, Swarm Intelligence, Oxford, 1999
Nuevos valores de parmetros: q0 = 0.9 y cl=20

Algoritmo de bsqueda local: 3-opt (bsqueda local del mejor)
Otros = mejores resultados obtenidos en el Primer Concurso
Internacional de Optimizacin Evolutiva (ICEO)
Resultados medios de 10 ejecuciones
51
EJEMPLO 2: COMPARATIVA DE OCH CON BL PARA EL TSP
52
53
54
Por otro lado, el SHMM con la bsqueda local 3-opt:
obtiene el ptimo para los casos de hasta 500 ciudades en

pocos segundos/minutos
en los casos grandes (se ha probado en instancias de

hasta 3038 ciudades), se obtienen soluciones con un error
de un 0.25% con respecto al ptimo en tiempo razonable
(menos de 1 hora)
El rendimiento es cercano al de los algoritmos state-ofthe-art para el TSP

55
LA METAHEURSTICA DE OPTIMIZACIN BASADA

EN COLONIAS DE HORMIGAS
A posteriori, cuando la mayora de los algoritmos de

OCH estaban ya propuestos, Dorigo y Di Caro
propusieron un marco de trabajo general que define la
Metaheurstica OCH:
M. Dorigo, G. Di Caro, Ant Algorithms for Discrete Optimization. Artificial Life, Vol.
5, n 2, 1999, 137-172
Instanciando el algoritmo general con componentes

concretas (reglas de transicin, actualizacin, ), se
pueden obtener distintas variantes de algoritmos OCH
Los distintos algoritmos se pueden implementar de

forma secuencial o paralela para ser aplicados
respectivamente a problemas estticos o dinmicos
56
LA METAHEURSTICA DE OPTIMIZACIN BASADA

EN COLONIAS DE HORMIGAS (2)
En general, para aplicar la OCH a un problema, es

necesario que pueda ser representado en forma de
grafo con pesos
Cada arco ars

informacin:
del
grafo
contendr
dos
tipos
de
Informacin heurstica: preferencia heurstica del arco, rs,

dependiente del caso concreto del problema. Las hormigas
no la modifican durante la ejecucin del algoritmo, aunque
puede variar a lo largo del tiempo en problemas dinmicos
Informacin memorstica: medida de la deseabilidad del

arco, rs, representada por la cantidad de feromona
depositada en l y modificada durante el algoritmo
57
3. APLICACIN AL ENRUTAMIENTO DE PAQUETES

EN REDES DE TELECOMUNICACIONES: ANTNET
G. Di Caro, M. Dorigo, AntNet: Distributed Stimergic Control for Communication
Networks. Journal of Artificial Intelligence Research, Vol. 9, 1998, 317-365
El enrutamiento es la tarea consistente en

determinar el camino que seguirn los
paquetes en una red de telecomunicaciones
cuando llegan a un nodo para alcanzar su
nodo destino de la forma ms rpida posible
AntNet es un algoritmo de hormigas

adaptativo y distribuido para enrutamiento de
paquetes en redes
58

EN REDES DE TELECOMUNICACIONES: ANTNET (2)
Las redes se modelan mediante un grafo

dirigido con N nodos de procesamiento/destino
Los arcos del grafo estn caracterizados por el

ancho de banda (bits/segundo) y el retardo de
transmisin (segundos) del enlace fsico
Se consideran dos tipos de paquetes:

enrutamiento y datos. Los de enrutamiento
tienen una mayor prioridad
59

Una de las redes consideradas, la NNTnet de

Japn:
60

Las hormigas (paquetes de enrutamiento) se lanzan

asncronamente a la red hacia nodos destino aleatorios
Cada hormiga busca un camino de coste mnimo entre su

nodo de partida y su nodo destino
Se mueve paso a paso por la red (grafo). En cada nodo

intermedio, lanza la regla de transicin para decidir a qu
nodo se dirige
Para ello, considera la feromona (almacenado en los nodos y

funcin del tiempo consumido en el envo de los paquetes) y
la preferencia heurstica (dependiente del estado actual) de
los enlaces de la red
61

El estado de la red vara con el tiempo (cada de enlaces,

congestin, ...). El algoritmo manejado adecuadamente este
hecho gracias a su naturaleza distribuida y su capacidad de
adaptacin
Cuando la hormiga llega al nodo destino, vuelve sobre sus

pasos y actualiza las tablas de enrutamiento de los nodos de
acuerdo al tiempo que tard en hacer el camino (refuerzo
positivo o negativo)
En un estudio experimental en el que se compar su

funcionamiento contra el de seis algoritmos de enrutamiento
diferentes, AntNet proporcion el mejor comportamiento
62
OTRAS APLICACIONES DE LA OCH
Los algoritmos de OCH se han aplicado a otros

muchos problemas:
Asignacin Cuadrtica
Secuenciacin de Tareas
Coloreo de Grafos
Enrutamiento de Vehculos
Ordenacin Secuencial
Pooling de vehculos
Lneas de produccin de coches
Problemas de Agrupamiento (Clustering)
Aprendizaje de Reglas Clsicas y Difusas
Bioinformtica: plegado de protenas 2D
63
4. COMENTARIOS FINALES
La OCH es una metaheurstica

bioinspirada que permite
disear
algoritmos:
Sencillos de entender
Rpidos
Con buen rendimiento
para problemas de optimizacin que

se puedan representar en forma de
grafo con pesos
64
4. COMENTARIOS FINALES (2):
ASPECTOS PRCTICOS DEL DISEO DE UN ALGORITMO DE OCH PARA UN PROBLEMA
DEFINICIN DE LOS RASTROS DE FEROMONA
Tarea totalmente dependiente del problema a resolver
Depende directamente de la representacin

soluciones considerada y de su significado
Ejemplo: Los rastros de feromona son totalmente

distintos en el TSP y en el QAP aunque ambos se
resuelvan con una permutacin
Una mala eleccin provoca un mal rendimiento del

algoritmo de OCH
de
65
BALANCE EXPLORACIN-EXPLOTACIN
El algoritmo de OCH tendr el mejor rendimiento si se

consigue un balance adecuado para el problema
En OCH, son los rastros de feromona los que establecen

ese
equilibrio
definiendo
una
distribucin
de
probabilidad para muestrear el espacio de bsqueda
Componentes de OCH para intensificacin:
Actualizacin de feromona por la calidad de las soluciones

Estrategias elitistas
Regla de transicin pseudo-aleatoria del SCH
66
Componentes de OCH para diversificacin:
Construccin aleatoria de soluciones por las hormigas
Mecanismos para evitar el estancamiento de la bsqueda:

Regla de actualizacin local del SCH
Lmites a los valores de feromona en el SHMM
Mutacin de los rastros de feromona en el SHMP
Reinicializacin de los rastros de feromona
Tambin es importante para este balance el papel de los

pesos y de la regla de transicin
67
OCH y BSQUEDA LOCAL
En muchos problemas NP-duros, la inclusin de

optimizadores locales en el algoritmo de OCH consigue
el mejor rendimiento
Los dos enfoques son complementarios, convirtiendo la

OCH en un algoritmo de bsqueda multiarranque
Sin embargo, la OCH puede ser muy efectiva en

aquellos problemas en los que no es sencillo aplicar una
bsqueda local
68
USO DE LA INFORMACIN HEURSTICA
Ayuda a explotar
problema a resolver
el
conocimiento
especfico
del
Distincin entre informacin heurstica en problemas

estticos y dinmicos. La primera es ms efectiva
En algunos problemas, no es posible usarla y el

algoritmo de OCH puede obtener buenos resultados
guiado slo por los rastros de feromona (Ejemplo: QAP)
Su importancia disminuya cuando se usa OCH con

bsqueda local
69
NMERO DE HORMIGAS EN LA COLONIA
Por qu hay que usar una colonia de hormigas y no

una sola?
Hay un algoritmo que maneja una nica hormiga: el

Sistema de Hormigas Rpido (Fast Ant System)
Experimentalmente se ha demostrado que el uso de

varias hormigas permite obtener mejores resultados
An as, los algoritmos de OCH son robustos en cuanto

al nmero de hormigas considerado, es decir, obtiene
buenos resultados independientemente de este valor
70
5. BIBLIOGRAFA
E. BONABEAU, M. DORIGO, G. THERAULAZ, Swarm Intelligence.

From Natural to Artificial Systems, Oxford University Press, 1999.
M. DORIGO, T. STTZLE, Ant Colony Optimization, The MIT Press, 2004.

71
5. BIBLIOGRAFA (2)
M. DORIGO, G. DI CARO, Ant Algorithms for Discrete Optimization,

Artificial Life 5:2, 1999, pp. 137-172.
M. DORIGO, T. STTZLE, The Ant Colony Optimization Metaheuristic:

Algorithms, Applications and Advances, En: F. Glover, T. Kochenberger
(Eds.), Handbook of Metaheuristics, pp. 251-285, 2003, Kluwer.
O. CORDN, F. HERRERA, T. STTZLE, A Review on the Ant Colony

Optimization Metaheuristic: Basis, Models and New Trends, Mathware
& Soft Computing 9:2-3, 2002, pp. 141-175.
http://iridia.ulb.ac.be/~mdorigo/ACO/ACO.html
72
SISTEMAS COMPLEJOS, ALGORITMOS

EVOLUTIVOS Y BIOINSPIRADOS
OTRAS METAHEURSTICAS
Oscar Cordn
PARTE II: OPTIMIZACIN BASADA EN NUBES

DE PARTCULAS (PARTICLE SWARM)
1. INTRODUCCIN Y RPIDO RESUMEN
2. FUNCIONAMIENTO DEL ALGORITMO PSO
3. ASPECTOS AVANZADOS
4. APLICACIONES, BIBLIOGRAFA Y RECURSOS
ELECTRNICOS
73
1. INTRODUCCIN Y RPIDO RESUMEN
La Particle Swarm Optimization (PSO) es una

metaheurstica poblacional inspirada en el comportamiento
social del vuelo de las bandadas de aves y el movimiento
de los bancos de peces.
La poblacin se compone de varias partculas (nube de

partculas = particle swarm) que se mueven (vuelan) por
el espacio de bsqueda durante la ejecucin del algoritmo.
Este movimiento de cada partcula p depende de:
Su mejor posicin desde que comenz el algoritmo (pBest),

la mejor posicin de las partculas de su entorno (lBest) o de
toda la nube (gBest) desde que comenz el algoritmo.
En cada iteracin, se cambia aleatoriamente la velocidad

de p para acercarla a las posiciones pBest y lBest/gBest.
74
1. INTRODUCCIN Y RPIDO RESUMEN (2)
Desarrollo: USA, en 1995.
Primeros autores: Russ C. Eberhart y James Kennedy

Kennedy, J. and Eberhart, R. (1995). Particle Swarm Optimization, Proc.
1995 IEEE Intl. Conf. on Neural Networks, pp. 1942-1948, IEEE Press.
Aplicacin tpica:
Optimizacin numrica.
Caractersticas atribuidas:
Asume un intercambio de informacin (interacciones sociales)

entre los agentes de bsqueda.
Idea bsica: guardar informacin del mejor propio y global.
Implementacin muy sencilla, pocos parmetros.
Convergencia rpida a buenas soluciones.
75
2. FUNCIONAMIENTO DEL ALGORITMO PSO
FUNCIONAMIENTO BSICO
ANATOMA DE UNA PARTCULA
INICIALIZACIN DE LA NUBE DE PARTCULAS
MOVIMIENTO DE LAS PARTCULAS
PSEUDOCDIGOS
VALORES DE LOS PARMETROS
TOPOLOGAS DE LA NUBE DE PARTCULAS

76
Funcionamiento Bsico
PSO simula el comportamiento de las bandadas

de aves.
Supongamos que una de estas bandadas busca

comida en un rea y que solamente hay una
pieza de comida en dicha rea.
Los pjaros no saben donde est la comida pero

s conocen su distancia a la misma.
La estrategia ms eficaz para hallar la comida es

seguir al ave que se encuentre ms cerca de ella
77
Funcionamiento Bsico (2)
PSO emula este escenario para resolver problemas de

optimizacin. Cada solucin (partcula) es un ave en el
espacio de bsqueda que est siempre en continuo
movimiento y que nunca muere.
La nube de partculas es un sistema multiagente. Las

partculas son agentes simples que se mueven por el
espacio de bsqueda y que guardan (y posiblemente
comunican) la mejor solucin que han encontrado.
Cada partcula tiene un fitness, una posicin y un vector

velocidad que dirige su vuelo. El movimiento de las
partculas por el espacio est guiado por las partculas
ptimas en el momento actual.
78
Anatoma de una Partcula
Una partcula est compuesta por:
Tres vectores:
El vector X almacena la posicin
actual (localizacin) de la partcula en
el espacio de bsqueda,
El vector pBest almacena la
localizacin de la mejor solucin
encontrada por la partcula hasta el
moemento, y
El vector V almacena el gradiente
(direccin) segn el cul se mover la
partcula.
pi
Xi = <xi1, , xin>
pBesti = <pi1, , pin>
Vi = <vi1, , vin>
x_fitness = ?
pBest_fitness = ?
Dos valores de fitness:

El x_fitness almacena el fitness de la
solucin actual (vector X), y
El p_fitness almacena el fitness de la
mejor solucin local (vector pBest).
79
Inicializacin de la Nube de Partculas
La nube se inicializa generando las posiciones y las

velocidades iniciales de las partculas.
Las posiciones se pueden generar aleatoriamente en el

espacio de bsqueda, de forma regular, o con una
combinacin de ambas.
Las velocidades se generan aleatoriamente, con cada

componente en el intervalo [-Vmax, Vmax].
No es conveniente fijarlas a cero, no se obtienen buenos
resultados.
Vmax ser la velocidad mxima que pueda tomar una
partcula en cada movimiento.
80
Inicializacin de la Nube de Partculas (2)
81
Movimiento de las Partculas
La pregunta es: Cmo se mueve una partcula de una

posicin del espacio de bsqueda a otra?
Se hace simplemente aadiendo el vector velocidad Vi al

vector posicin Xi para obtener un nuevo vector posicin:
Xi Xi + Vi
Una vez calculada la nueva posicin de la partcula, se

evala sta. Si el nuevo fitness es mejor que el que la
partcula tena hasta ahora, pBest_fitness, entonces:
pBesti Xi
pBest_fitness x_fitness.
82
Movimiento de las Partculas (2)
De este modo, el primer paso es ajustar el vector velocidad, para

despus sumrselo al vector posicin.
Las frmulas empleadas son las siguientes:
vid = vid + 1rnd()(pBestid -xid ) + 2 rnd()(gid -xid )

xid = xid + vid
COGNITIVO
SOCIAL
donde:
pi es la partcula en cuestin,
1,2 son ratios de aprendizaje (pesos) que controlan los componentes
cognitivo y social,
g representa el ndice de la partcula con el mejor pBest_fitness del
entorno de pi (lBest) o de toda la nube (gBest),
los rnd() son nmeros aleatorios generados en [0,1], y
d es la d-sima dimensin del vector.
83
TIPOS DE ALGORITMOS DE PSO:
Kennedy identifica cuatro tipos de algoritmos de

PSO en funcin de los valores de 1 y 2:
Modelo completo: 1, 2 > 0.
Slo Cognitivo: 1 > 0 y 2 = 0.
Slo Social: 1 = 0 y 2 > 0.
Slo Social exclusivo: 1 = 0, 2 > 0 y g i (la

partcula en s no puede ser la mejor de su entorno).
84
REPRESENTACIN GRFICA:
d
a
d
i
m
i
i-prox
Aqu
estoy!
Xi
pBesti
Mi mejor
solucin
pg
La mejor
solucin de
mis vecinos
d
a
d
i
m
i
-prox
85
Pseudocdigo PSO Local
t = 0;
Para i=1 hasta Nmero_partculas
inicializar Xi y Vi;
Mientras (no se cumpla la condicin de parada) hacer
tt+1
evaluar Xi;
Si F(Xi) es mejor que F(pBest) entonces
pBesti Xi; F(pBesti) F(Xi)
Escoger lBesti, la partcula con mejor fitness del entorno de Xi

Calcular Vi, la velocidad de Xi, de acuerdo a pBesti y lBesti
Calcular la nueva posicin Xi, de acuerdo a Xi y Vi
Devolver la mejor solucin encontrada

86
Pseudocdigo PSO Global
t = 0;
inicializar Xi y Vi;
Mientras (no se cumpla la condicin de parada) hacer
tt+1
evaluar Xi;
Si F(Xi) es mejor que F(pBest) entonces
pBesti Xi; F(pBesti) F(Xi)
Si F(pBest) es mejor que F(gBest) entonces
gBest pBesti; F(gBesti) F(pBesti)
Calcular Vi, la velocidad de Xi, de acuerdo a pBesti y gBesti

Calcular la nueva posicin Xi, de acuerdo a Xi y Vi
Devolver la mejor solucin encontrada

87
Valores de los Parmetros
Tamao de la nube: Entre 20 y 40 partculas

(problemas simples, 10; problemas muy
complejos, 100-200).
Velocidad mxima: Vmax se suele definir a partir

del intervalo de cada variable.
Ratios de aprendizaje: Habitualmente, 1=2=2.
PSO Global vs. PSO Local: La versin global

converge ms rpido pero cae ms fcilmente en
ptimos locales y viceversa.
88
Topologas de la Nube de Partculas
Las topologas definen el entorno de cada partcula individual.

La propia partcula siempre pertenece a su entorno.
Los entornos pueden ser de dos tipos:
Geogrficos: se calcula la distancia de la partcula actual al resto

y se toman las ms cercanas para componer su entorno.
Sociales: se define a priori una lista de vecinas para partcula,
independientemente de su posicin en el espacio.
Los entornos sociales son los ms empleados.
Una vez decidido el entorno, es necesario definir su tamao.

El algoritmo no es muy sensible a este parmetro (3 o 5 son
valores habituales con buen comportamiento).
Cuando el tamao es toda la nube de partculas, el entorno

es a la vez geogrfico y social, y tenemos la PSO global.
89
Topologas de la Nube de Partculas (2)
Geogrfico
Social
90
Topologas de la Nube de Partculas (3)
La topologa social ms empleada es la de anillo, en la que se

considera un vecindario circular.
Se numera cada partcula, se construye un crculo virtual con

estos nmeros y se define el entorno de una partcula con
sus vecinas en el crculo:
Entorno de p1
de tamao 3
1
2
Crculo virtual
6
5
91
3. ASPECTOS AVANZADOS
CONTROL DE LA VELOCIDAD DE LAS PARTCULAS
TAMAO DE LA NUBE DE PARTCULAS
INFLUENCIA DEL TIPO DE ENTORNO
ACTUALIZACIN DE LAS PARTCULAS
ELECCIN DE VALORES ADAPTATIVOS PARA 1 Y 2
92
Control de la Velocidad de las Partculas
Un problema habitual de los algoritmos de PSO es que la

magnitud de la velocidad suele llegar a ser muy grande
durante la ejecucin, con lo que las partculas se mueven
demasiado rpido por el espacio.
El rendimiento puede disminuir si no se fija adecuadamente

el valor de Vmax, la velocidad mxima inicial de cada
componente del vector velocidad.
Se han propuesto dos mtodos para controlar el excesivo

crecimiento de las velocidades:
Un factor de inercia, ajustado dinmicamente, y
Un coeficiente de constriccin.
93
Control de la Velocidad de las Partculas (2)

Factor de Inercia
En este caso, la ecuacin de adaptacin de la velocidad pasa

a ser la siguiente:
vid = vid + 1rnd()(pBestid -xid ) + 2 rnd()(lBestid -xid )

donde se inicializa a 1.0 y se va reduciendo gradualmente
a lo largo del tiempo (medido en iteraciones del algoritmo).
debe mantenerse entre 0.9 y 1.2. Valores altos provocan

una bsqueda global (ms diversificacin) y valores bajos
una bsqueda ms localizada (mas intensificacin).
94
Control de la Velocidad de las Partculas (3)

Coeficiente de Constriccin
De nuevo, se realiza una modificacin en la

ecuacin de adaptacin, la siguiente:
vid = K [vid + 1rnd()(pBestid -xid ) + 2 rnd()(lBestid -xid )]
donde:
K=
2 2 4
= 1 + 2
>4
95
Tamao de la Nube de Partculas
El tamao de la nube de partculas determina el equilibro

entre la calidad de las soluciones obtenidas y el coste
computacional (nmero de evaluaciones necesarias).
Hace poco, se han propuesto algunas variantes que

adaptan heursticamente el tamao de la nube:
Si la calidad del entorno de la partcula ha mejorado pero la

partcula es la peor de su entorno, se elimina la partcula.
Si la partcula es la mejor de su entorno pero no hay mejora

en el mismo, se crea una nueva partcula a partir de ella.
Las decisiones se toman de forma probabilstica en funcin

del tamao actual de la nube.
96
Influencia del Tipo de Entorno
Los entornos globales parecen obtener mejores resultados

desde el punto de vista del coste computacional.
El rendimiento es similar a la topologa de anillo y al del

uso de entornos con tamao mayor que 3.
Se ha investigado poco en los efectos de la topologa de la

nube en el comportamiento de la bsqueda del algoritmo.
Por otro lado, el tamao del vecindario tambin se puede

adaptar con la misma heurstica del tamao de la nube.
97
Actualizacin de las Partculas
La actualizacin de las partculas

se puede efectuar de dos formas
distintas:
Sncrona
Asncrona
I0
I1
I4
La actualizacin asncrona
permite considerar las soluciones
nuevas ms rpidamente.
El mtodo asncrono puede
representarse por el grfico
siguiente.
I3
I2
98
Eleccin de Valores Adaptativos para 1 y 2
Los pesos que definen la importancia de las componentes

cognitiva y social pueden definirse dinmicamente segn
la calidad de la propia partcula y del entorno:
V
Cuanto mejor
soy, ms me
tengo en cuenta
a m mismo
rnd(0b)(p-x)
Cuanto mejor es mi
mejor vecino, ms
tiendo a ir hacia l
99

ELECTRNICOS
Optimizacin de funciones numricas.
Entrenamiento de Redes Neuronales.
Aprendizaje de Sistemas Difusos.
Registrado de Imgenes.
Viajante de Comercio.
Control de Sistemas.
Ingeniera Qumica.
100

ELECTRNICOS (2)
Kennedy, J., Eberhart, R. C.,

and Shi, Y., Swarm intelligence.
San Francisco: Morgan
Kaufmann Publishers, 2001
Pgina personal de R. Eberhart:

http://www.engr.iupui.edu/~eberhart/
Web site de PSO: http://www.particleswarm.org
101

Curso Baeza Oscar PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso Baeza Oscar PDF

Cargado por

Copyright:

Formatos disponibles

SISTEMAS COMPLEJOS, ALGORITMOS

PARTE I: ALGORITMOS DE OPTIMIZACIN

1. LAS COLONIAS DE HORMIGAS NATURALES

Las hormigas son insectos sociales que viven en colonias y

1. LAS COLONIAS DE HORMIGAS NATURALES (2)

Una caracterstica interesante del comportamiento de las

Sobre todo porque... LAS HORMIGAS SON CIEGAS!!

1. LAS COLONIAS DE HORMIGAS NATURALES (3)

En su recorrido, depositan una sustancia

Este rastro permite a las

Bichos. Una aventura en miniatura

1. LAS COLONIAS DE HORMIGAS NATURALES (4)

Cada vez que una hormiga llega a una interseccin,

Las hormigas eligen con mayor probabilidad los caminos

1. LAS COLONIAS DE HORMIGAS NATURALES (5)

Las bifurcaciones ms prometedoras (ms cercanas a la

Las menos prometedoras pierden feromona por

La accin continuada de la colonia da lugar a un rastro

1. LAS COLONIAS DE HORMIGAS NATURALES (6)

1. LAS COLONIAS DE HORMIGAS NATURALES (7)

Deneubourg realiz un experimento de laboratorio con

Usaron dos tipos de circuitos (puentes). En el primero,

Despus, unieron dos puentes cruzados del segundo tipo

1. LAS COLONIAS DE HORMIGAS NATURALES (8)

En el primer puente, las

1. LAS COLONIAS DE HORMIGAS NATURALES (9)

1. LAS COLONIAS DE HORMIGAS NATURALES (10)

En el circuito con dos puentes dobles cruzados, las

1. LAS COLONIAS DE HORMIGAS NATURALES (11)

Como resultado de estos experimentos, Deneubourg y

pi,a es la probabilidad de escoger la rama a estando en el

i,a es la concentracin de feromona en la rama a

2. ALGORITMOS DE OPTIMIZACIN BASADOS EN

De las hormigas naturales a la OCH

Ejemplo de aplicacin del SH al TSP

Otros algoritmos de OCH

Estudio comparativo de la OCH en el TSP

Algoritmos de OCH con bsqueda local

DE LAS HORMIGAS NATURALES A LA OCH

El Problema del Viajante de Comercio (TSP) es uno de los

Se dispone de un conjunto N = {1, ..., n} de ciudades, que

DE LAS HORMIGAS NATURALES A LA OCH (2)

Las hormigas naturales son capaces de resolver problemas de

Los algoritmos de OCH reproducen el comportamiento de las

Cada hormiga artificial es un mecanismo probabilstico de

Unos rastros de feromona (artificiales) que cambian con el

DE LAS HORMIGAS NATURALES A LA OCH (3)

La hormiga artificial es un agente que:

Recuerda los nodos que ha recorrido, utilizando para

En cada paso, estando en la ciudad r elige hacia qu

LA HORMIGA ARTIFICIAL (2)

La regla probabilstica de transicin ms habitual define

- rs es la feromona del arco ars

- rs es la inf. heurstica del arco ars

- Jk(r) es el conjunto de nodos

- y son pesos que establecen un

ACTUALIZACIN DE FEROMONA (2)

Un ejemplo de regla de actualizacin de feromona sera:

- C(Sk) es el coste de la solucin generada por la hormiga k, es

Los arcos visitados por hormigas en la iteracin actual (arcos

El algoritmo anterior fue el primero de OCH que se

Obtena buenos resultados en el TSP pero no eran lo

Fue la base para el desarrollo posterior de la OCH, al