Advanced Algorithms Groep: EII7AAb

Presentatie over: "Advanced Algorithms Groep: EII7AAb"— 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 Mieren kolonie algoritme
Sprint 1 Sprint 2 Mieren kolonie algoritme Genetisch algoritme Demo Vragen

3 Inleiding AAB Manhattan probleem Teamleden

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

5 Burndown chart eerste sprint

6 Exacte oplossing 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

8 Burndown chart tweede sprint

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

10 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.

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

12 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

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 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.

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

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

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

17 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

18 Demo

19 Vragen ?