De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

Advanced Algorithms Groep: EII7AAb Studenten: Clermond de Hullu, Wiebren Wolthuis,Simon Wels en Maik Gosenshuis.

Verwante presentaties


Presentatie over: "Advanced Algorithms Groep: EII7AAb Studenten: Clermond de Hullu, Wiebren Wolthuis,Simon Wels en Maik Gosenshuis."— Transcript van de presentatie:

1 Advanced Algorithms Groep: EII7AAb Studenten: Clermond de Hullu, Wiebren Wolthuis,Simon Wels en Maik Gosenshuis

2 Inhoudopgave  Inleiding  Iteratie 1  Sprint 1  Sprint 2  Mieren kolonie algoritme  Genetisch algoritme  Demo  Vragen 2

3 Inleiding  AAB  Manhattan probleem  Teamleden 3

4 Sprint 1  Opgeleverde story’s  Invoer platte grond  GUI  Zoeken optimale route 4

5 Burndown chart eerste sprint 5

6 Exacte oplossing 6  Uitleg exacte oplossing  Resultaten exacte oplossing

7 Sprint 2  Onderzoek benaderingsalgoritmen  Mierenkolonie  Ontwerp mierenkoloniestrategie  Datastructuur opzetten  Methoden en heuristiek keuze pad  Genetisch Algoritme (GA)  Structuur  Werking  Mutation  Crossover  Parameters 7

8 Burndown chart tweede sprint 8

9 Mierenkolonie werking 9  Mieren  Bijhouden feromonen op de zijden  Local update  Global update  Kiezen het correcte pad  Instellingen

10 Genetisch Algoritme 10 Voordeel  GAs kunnen snel goede oplossingen leveren, zelfs voor moeilijke oplossingsruimten. Nadeel  GAs vinden niet gegarandeerd de optimale oplossing: ze hebben de neiging te convergeren naar een gevonden oplossing in plaats van de beste oplossing van het op te lossen probleem.

11 Structuur Genetisch Algoritme (GA)  Genetisch Algoritme  Dataset  Genetic Dataset  Vertex  Tour  Mutate  Crossover  Population  Selection 11 Globaal Klassendiagram

12 Werking 12  Genereren random populatie (Initialisatie)  Rekening houden met afstand vertices  Beste tour in de GUI tonen  Random groep genereren  Dubbele crossover met de twee beste tours  Soms het resultaat muteren  Vervang slechtste tours uit de populatie  Populatie alleen aanpassen als de tour niet al bestaat  Eventuele nieuwe beste tour weergeven in de GUI

13 Mutatie Zorgen dat de populatie niet naar één oplossing convergeert  Random getal kiezen voor aantal mutaties op de tour  Gekozen aantal punten wisselen ( Swap )  Controleren of de tour uniek is 13

14 Single point crossover  Crossover point kiezen  Vertices voor het crossoverpoint kopieren van parent A  Overgebleven vertices van parent B kopieren 14

15 Parameters 15 ParameterWaarde NumberOfCloseVertices5 ChanceToUseCloseVertex75 PopulationSize GroupSize10 MutationChance1

16 GUI  TSPAlgorithm  Implements runnable  Abstract  toString  stop  run  Geimplementeerd  addNewSolutionEventListener  removeNewSolutionEventListener  fireNewSolutionFoundEvent 16

17 Ideeën sprint 3  Genetisch algoritme  Focus op een bepaald gebied  Optimaliseren  Mierenkolonie algoritme  Implementeren  Parameters onderzoeken  Oplossingen vergelijken 17

18 Demo 18

19 Vragen ? 19


Download ppt "Advanced Algorithms Groep: EII7AAb Studenten: Clermond de Hullu, Wiebren Wolthuis,Simon Wels en Maik Gosenshuis."

Verwante presentaties


Ads door Google