Swarm Intelligence

Transcription

Swarm Intelligence

Bauhaus-Universität
Weimar
Zwischenpräsentation
Forschungsprojekt
Swarm Intelligence
g
Zwischenpräsentation Forschungsprojekt Swarm Intelligence
Onno Haak, Andrea Lahn, Nicolai Marquardt, Christian Nitschke
Leitung: Hendrik Wendler. Prof. Fröhlich
Juni 2004
Andrea Lahn, Christian Nitschke,
O
Onno
Haak,
H k Nicolai
Ni l i Marquardt
M
dt
Projektleitung: Hendrik Wendler, Prof. Fröhlich
1
Bauhaus-Universität Weimar
Inhalt
1
1.
Grundlagen: Swarm Intelligence
2.
Implementierung, Algorithmen, Prototypen
3.
Ausblick, weitere Forschung
2
1 Grundlagen:
1.
G dl
S
Swarm
IIntelligence
lli
3
1. Grundlagen: Einordnung Swarm Intelligence
Distributed Artificial
Intelligence
komplex
k
Artificial Intelligence
(AI)
Artificial Life (AL)
Distributed Problem
Solving (DPS)
Swarm Intelligence &
Synthetische
Ökosysteme
System
S
t
Analyse
Populations-Biologie &
Ökologische
Ök l i h
Modellierung
einfach
Einordnung in Artificial Systems
Multi-Agenten
Systeme
Artificial Life
eiinfach
Swarm Intelligence
(SI)
Inte
eraktionen
n
Distributed Artificial
I t lli
Intelligence
(DAI)
System
Design
Individuen
komplex
Einordnung zwischen System-Design und -Analyse
4
1. Grundlagen: Anwendungen Swarm Intelligence
•
Ant Colony Optimization (ACO)
–
–
Math. Optimierungsproblem
Math
TSP, QAP, JSP, u.a.
© E. Bonabeau
•
Ant based Control (ABC)
Ant-based
–
–
•
•
© E. Bonabeau
Dynamische Arbeitsteilung
Skalierung, Team-Work
Dezentralisierung
–
–
•
Verteilung von Produktionslast
Ant-based Routing
Robotik
–
–
© P. Flannery
Strukturen in Firmen
Ubiquitous Computing
Ant-based Clustering / Sorting
5
1. Grundlagen: Prinzipien Swarm Intelligence
Dezentralisierung
Selbstorganisation
Flexibilität
Robustheit
Steuerung &
K
Kontrolle
ll
Reaktion
Aktion
Pheromon
ausgefallen
g
Emergence
Interpretation,
höherer Nutzen
Swarm Intelligence
6
1. Grundlagen: Swarm Intelligence
Prinzipien
–
Ameisen (Agenten) sind simple autonome Entitäten
• nur lokale Sicht
• keine oder nur geringe Spezialisierung
• ausschließlich
hli ßli h iindirekte
di k K
Kommunikation
ik i
(Vermeidung ‚communication overhead‘ und ‚deadlocks‘)
–
kein Erfolgsmaß/Eigennutzen, ausschliesslich Verhaltensregeln
–
Pheromonlandkarte
• Autokatalyse Æ Kettenreaktion
7
1. Grundlagen: Swarm Intelligence
Datenpool
real
world
Mw1
sldkf
sldkf
sldkf
sldkf
Mw3
Input
(z B Messwerte)
(z.B.
sldkf
sldkf
sldkf
sldkf
Environment
(information
infrastructure)
Mw2
sldkf
sldkf
sldkf
sldkf
Mw...
sldkf
sldkf
sldkf
sldkf
N-dimensionaler
Featurespace
Clusterung,
Sortierung
1.
Indirekte
Kommunikation
2
2.
Pheromonabgabe
3.
Pheromonabtastung
Implizite
l
Visualisierung
8
2 Implementierung,
I l
i
2.
Al ith
Algorithmen,
Prototypen
P t t
9
2. Implementierung, Algorithmen, Prototypen
Frameworks Implementierung
Frameworks,
• Anforderungen an System:
•
•
•
•
•
Darstellungen in 2D und 3D
aufbauend auf Acluster (Ramos) und Erweiterungen
Algorithmus
g
g
Einlesen beliebiger Daten und Abbilden in Parameter-Raum
Variable Einstellung alle Parameter (Grenzwerte, u.a.)
Beliebige Ergänzungen der Module (Agenten
(Agenten, Visualisierung)
C++, OpenGL,
• C++
OpenGL GLUT,
GLUT GLUI
• OO-Aufbau: Klassen-Struktur:
Ant, Swarm, Object,
World, Scheduler, Display
j
p y (OpenGL)
p
10
Simulation:
I i i li i
Initialisierung
Beginn
Welt
initialisieren
• P
Parameter:
t
Dimensionen (2D,
3D), Konstanten
• RandBedingungen
(umlaufend,
spiegelnd,
begrenzt)
Objekte
initialisieren
D
iimportieren
i
• Daten
• Attribute in
Parameter-Raum
abbilden (n-Dim)
• ObjektEigenschaften ggf.
auf Farben
abbilden
• Objekten zufällige
Positionen
zuweisen
Schwarm
initialisieren
Initialisiertes
System
ITERATIONEN
• A
Anzahl
hl A
Agenten
bestimmen (abh.
von Anzahl
Objekten,
Agenten,
Dimension)
• AgentenVerhalten
definieren
(aufheben,
ablegen,
Pheromone)
• Zufällige
g
Positionen und
Richtungsvekt.
11
Simulation:
I
Iteration
i
ITERATIONEN
Nach
N
hA
Aclusterl t
Algorithmus von
V. Ramos [2] [3]
Iterations-Schritte 1 bis MAX_ITERATION, für jeden Agenten durchlaufen
Objekte
Obj
kt in
i
Nachbarschaft
bestimmen
In 2D: max 8 Objekte,
Objekte
in 3D: max. 26 Objekte
ObjektEigenschaftsvektor
auslesen,
Berechnungen,
falls Agent
beladen
und Feld frei
Distanzberechnungen,
Distanzberechnungen
Zufallswerte, AblegeWahrscheinlichkeit
Berechnungen,
g ,
falls Agent
unbeladen und
Objekt auf Feld
Distanzberechnungen
Distanzberechnungen,
Zufallswerte,
AufnahmeWahrscheinlichkeit
Pheromone erfassen
g
Richtungswahl
der Ameise
Schritt zum
nächsten Feld
Nach Durchlaufen
aller Agenten:
PheromonAbgabe
Konstante
Pheromonabgabe auf
jedem Feld,
Zusätzlich ggf.
variable
d
d
Aussonderungen
der
Pheromone
Pheromone
verdampfen
(Verdampf.-Rate)
Einfluss: aktuelle Richtung
und Pheromon
PheromonKonzentration,
Kapazitätsschwelle,
Gewichtung, Zufallswerte
12
Simulation:
D
Darstellung,
ll
Auswertung
A
Darstellung, Visualisierung:
ITERATIONEN
–
–
–
–
OpenGL
Objekt-Raum und Pheromon-Feld
Rotation, Translation, Zoom, Ebenen,
Transparenz
Zuordnen der Farben zu Objekt-Eigenschaften
Graphen zur Messung:
–
–
–
Aktivität
Akti
ität d
der A
Agenten
t (B
(Beladen,
l d
Abl
Ablegen))
Pheromonfeld (Mittelwert, Max-Werte)
Entropie (mittlere Übereinstimmung, Dichte
des Objekt-Feldes, Cluster-Distanzen,
Cluster-Anzahl)
Parameter-Konfiguration:
–
–
Während Laufzeit modifizieren
Evaluieren der veränderten Parameter
13
2. Prototypen
Kugel im 3D-Raum,
mit den Koordinaten der Voxel
als Eigenschaften der Vektoren
Zufällig positionierte Voxel
14
2. Prototypen
50.000 Iterationen
F
Framework:
k 2D
D
100.000 Iterationen
17.500.000 Iterationen
15
2. Prototypen
DEMO
Framework: 3D
Programm starten:
16
2. Prototypen
17
2. Prototypen
18
2. Auswahl Aufgetretener Probleme
• Bildung von Clustern geringer Größe
• Parameter-Optimierungen schwierig
• Formeln für 3D-Richtungswahl in Kombination mit der
einfließenden Pheromon-Gewichtung
• Optimierungen des Pheromonfeldes und dessen Nutzung
• Performance der Swarm
Swarm-Algorithmen
Algorithmen
• Wie können die Algorithmen parallelisiert werden?
• Entwicklung einer Entropie-Berechnung für
Algorithmen-Bewertung
19
3. Ausblick, weitere Forschung
20
1. Parameter-Optimierung
P
t O ti i
– Pheromonfeld-Parameter optimieren
– Variable Einstellungen der Algorithmen optimieren
(mit Hilfe der Auswertungs-Funktionen und –Graphen)
– Genetische Algorithmen
2. Agenten-Erweiterungen
–
–
–
–
–
Objekte
b k austauschen
h (Sortierung)
Variierende Geschwindigkeiten
Unterschiedliche Grenz- und Schwell-Werte
Kurzzeitgedächtnis
Pheromon-Arten
21
3. Datensätze
– Schnittstellen, Import, Konvertierungen
– Geeignete
G i
t A
Anwendungsfälle
d
fäll und
d Daten
D t
– Interpretation
4. Hardware-Beschleunigung
– CG-Programmierung
g
g
– Brook-Toolkit
– Algorithmen parallelisieren (abändern, optimieren)
22
5. Entropie
– Berechnungen für Entropie-Maße entwickeln
– Interpretation
I t
t ti d
der G
Graph-Entwicklungen
h E t i kl
(Plot
(Pl t der
d EntropieE t i
Berechnungen und Aktivitäten der Agenten)
6. Evaluierung
– Vergleich der Ant-Algorithmen
– Benchmarking mit anderen Clustering-Algorithmen
23
Vielen Dank
für Ihre Aufmerksamkeit!
24

Swarm Intelligence

Transcription

Similar documents

Adrian Hrinni

dcif-Impulsveranstaltung 20.04.2015

Pakistanischer Pate. Der GeheimDienst inter

Schwachstellen beseitigen

Es bleibt dabei: Keine Klassenfahrten

Group Controller BI (m/w)

NWZ vom 17.04.2015 - Gymnasium Nordenham

Idyllic Lahn Valley

ÃbernachtungsmÃ¶glichkeiten

das senfblatt - Evangelische Kirchengemeinde Kaiserswerth

Heinkel He162, mit V-Leitwerk Heinkel He162, mit

MA – The Japanese Sense of Place

- E-Theses

aktuelle Bote - Kirche Coswig

Document 6548005

Veranstaltungskalender 2015 | Internationale Wochen gegen