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

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

Inleiding AAB Manhattan probleem Teamleden

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

Burndown chart eerste sprint

Exacte oplossing Uitleg exacte oplossing Resultaten exacte oplossing

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

Burndown chart tweede sprint

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

Genetisch Algoritme 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. http://www.eecs.wsu.edu/~cook/ai/lectures/applets/gatsp/TSP.html

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

Werking 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

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 Mutation Mutation is a genetic operator that alters one ore more gene values in a chromosome from its initial state. This can result in entirely new gene values being added to the gene pool. With these new gene values, the genetic algorithm may be able to arrive at better solution than was previously possible. Mutation is an important part of the genetic search as help helps to prevent the population from stagnating at any local optima. Mutation occurs during evolution according to a user-definable mutation probability. This probability should usually be set fairly low (0.01 is a good first choice). If it is set to high, the search will turn into a primitive random search.

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

Parameters Parameter Waarde NumberOfCloseVertices 5 ChanceToUseCloseVertex 75 PopulationSize 10 000 GroupSize 10 MutationChance 1

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

Ideeën sprint 3 Mierenkolonie algoritme Genetisch algoritme Focus op een bepaald gebied Optimaliseren Mierenkolonie algoritme Implementeren Parameters onderzoeken Oplossingen vergelijken We weten nog niet wat we gaan doen maar we hebben al wel ideen

Demo

Vragen ?