Académique Documents
Professionnel Documents
Culture Documents
Introduccin
La teora de optimizacin por colonia de hormigas o OCH (Ant Colony Optimization),
fue introducida por Marco Dorigo en los inicios de 1990 como herramienta para la
solucin de problemas de optimizacin complejos. La OCH pertenece a la clase de
mtodos heursticos, los cuales son algoritmos aproximados utilizados para obtener
soluciones lo suficientemente buenas a problemas complejos en una cantidad
razonable de tiempo de cmputo.
El algoritmo esta inspirado en el comportamiento de las hormigas en su entorno natural.
En este, una hormiga que busca comida inicialmente explora el rea alrededor de su
nido de una forma aleatoria. Tan pronto encuentran fuentes de alimento, evalan su
cantidad y calidad, y llevan algunas partes de esta comida al nido.
Mientras regresan las hormigas van dejando un rastr de feromonas que sirve como
referencia futura. La cantidad de feromonas depender de la cantidad y calidad del
alimento encontrado. Este algoritmo de comunicacin puede ser utilizado para mejorar
los tiempos de cmputo para la solucin de una aplicacin especfica. La colonia de
hormigas al igual que otras sociedades de insectos esta enmarcada en los sistemas
distribuidos. Estos sistemas se definen como una coleccin de entidades separadas
fsicamente pero conectadas entre s.
La mejor forma para abordar cmo las hormigas utilizan el camino con la mayor
cantidad de feromonas para encontrar su alimento es con un ejemplo prctico.
En la figura 1 un grupo de hormigas llegan a un cruce y tiene que decidir una direccin.
Ya que ambos caminos son nuevos la eleccin es aleatoria as que se puede suponer
que la mitad de las hormigas se dirigen a un lado y la otra mitad al otro.
Figura 1
Ya que el camino inferior es ms corto acumula una mayor cantidad de feromonas y
gradualmente influencia las decisiones de las hormigas nuevas. Esto crea una
retroalimentacin positiva que ocasiona que se acumulen muchas ms feromonas por
ese camino(Figura 2).
Figura 2
Finalmente todas las hormigas terminaran transitando el camino ms corto.
Figura 3
Ecuacin 1
Ecuacion 2
Aplicacin
Visto de forma prctica podemos considerar el siguiente ejemplo de un problema que
soluciona este algoritmo(agente viajero).
Tenemos una serie de caminos y estamos buscando la ruta ms corta desde un punto A
hasta un punto B.
Longitudes
Visibilidad
5
3.1
5.2
5.2
4.9
3.2
4.7
3
6
5.5
4.8
1/5
1/3.1
1/5.2
1/5.2
1/4.9
1/3.2
1/4.7
1/3
1/6
1/5.5
1/4.8
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0,02
0,2799
1-3
1-6
0,0322
0,0192
0,07143
0,4508
0,2687
El valor aleatorio para este caso seria 0,4392 lo que significa que cae en el intervalo 13.Luego iteramos de nuevo.
Segunda iteracin
Caminos
2-3
6-3
3-7
3-5
0,0204
0,0312
0,0333
0,0166
0,01016
0,2006
0,3075
0,3280
0,1639
Luego repetimos el proceso hasta llegar al final. La ruta para h1 es: 1-3-6-5-4
Y el costo total del camino seria: 16.5.
Siguiendo el mismo proceso para h2 tenemos que la ruta es: 1-3-5-4 y el costo total
seria 14.6.
Ahora vamos a actualizar el aporte de feromonas para cada camino utilizando. Con
igual a 0,01.
Caminos
1-2
1-3
1-6
2-7
2-3
6-3
6-5
3-7
3-5
5-4
7-4
0,099
0.099
0.099
0.099
0.099
0.099
0.099
0.099
0.099
0.099
0.099
H1
H2
0
0,0606
0
0
0
0.0606
0.0606
0
0
0.0606
0
0
0.0685
0
0
0
0
0
0
0.0685
0.0685
0
0.099
0,2276
0.099
0.099
0.099
0.1596
0.1596
0.099
0.1596
0.1596
0.099
Bibliografa