République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université des Sciences et de la Technologie d Oran Faculté des Sciences Département d informatique Optimisation Par Colonie de Fourmies Exposé Optimisation Avancée Sous la direction de Pr.Mohamed BENYETTOU Présenté par : M er DJELLAT Soulimane 2012/203
Sommaire Introduction...3 I. Définition :... 3 II. Les origines :...3 III. Similarités et différences avec les fourmis réelles...4 IV.Algorithme Ant System...5 A-historique :...5 B-principe :...6 C-Algorithme de colonies de fourmis pour le problème du TSP.....6 D-Exemple Détaillé....8 E- domaine d'application...9 F. Inconvenants et Avantages...9 Conclusion.....9 2
Le comportement des fourmis est un comportement collectif. Chaque fourmi a pour priorité le bien être de la communauté. Chaque individu de la colonie est à priori indépendant et n est pas supervisé d une manière ou d une autre. Ce concept est appellé Hétérarchie (s opposant à la Hiérarchie) chaque individu est aidé par la communauté dans son évolution et en retour il aide au bon fonctionnement de celle-ci. La colonie est donc auto-controlé par le biais de mécanismes relativement simples à étudier. En observant une colonie de fourmis à la recherche de nourriture dans les environs du nid, on s aperçoit qu elle résoudre des problèmes tels que celui de la recherche du plus court chemin. Les fourmis résolvent des problèmes complexes par des mécanismes assez simples à modéliser. Il est ainsi assez simple de simuler leur comportement par des algorithmes. I. Définition Les algorithmes de colonies de fourmis sont des algorithmes inspirés du comportement des fourmis et qui constituent une famille de méta heuristiques d optimisation. Initialement proposé par Marco Dorigo et al. Dans les années 1990, pour la recherche de - chemins optimaux dans un graphe, le premier algorithme s inspire du comportement des fourmis recherchant un chemin entre leur colonie et une source de nourriture. L idée originale s'est depuis diversifiée pour résoudre une classe plus large de problèmes et plusieurs algorithmes ont vu le jour, s inspirant de divers aspects du comportement des Fourmies. II. Les Origines L idée originale provient de l observation de l exploitation des ressources alimentaires chez les fourmis. En effet, celles-ci, bien qu ayant individuellement des capacités cognitives limitées, sont capables collectivement de trouver le chemin le plus court entre une source de nourriture et leur nid. Des biologistes ont ainsi observé, dans une série d expériences menées à partir de 1989, qu une colonie de fourmis ayant le choix entre deux chemins d inégale longueur menant à une source de nourriture avait tendance à utiliser le chemin le plus court. Un modèle expliquant ce comportement est le suivant : 1) une fourmi (appelée «éclaireuse») Parcourt plus ou moins au hasard l environnement autour de la colonie. 2) si celle-ci découvre une source de nourriture, elle rentre plus ou moins directement au nid, en laissant sur son chemin une piste de phéromones. 3) ces phéromones étant attractives, les fourmis passant à proximité vont avoir tendance à suivre, de façon plus ou moins directe, cette piste. 4) en revenant au nid, ces mêmes fourmis vont renforcer la piste. 5) si deux pistes sont possibles pour atteindre la même source de nourriture, celle étant la plus courte sera, dans le même temps, parcourue par plus de fourmis que la longue piste. 6) la piste courte sera donc de plus en plus renforcée, et donc de plus en plus attractive. 7) la longue piste, elle, finira par disparaître, les phéromones étant volatiles ; 3
8) à terme, l ensemble des fourmis a donc déterminé et «choisi» la piste la plus courte. Les fourmis utilisent l environnement comme support de communication : elles échangent indirectement de l information en déposant des phéromones, le tout décrivant l état de leur «travail». L information échangée a une portée locale, seule une fourmi située à l endroit où les phéromones ont été déposées y a accès. Ce système porte le nom de «stigmergie», et se retrouve chez plusieurs animaux sociaux (il a notamment été étudié dans le cas de la construction de piliers dans les nids de termites). Le mécanisme permettant de résoudre un problème trop complexe pour être abordé par des fourmis seules est un bon exemple de système autoorganisé. Ce système repose sur des rétroactions positives (le dépôt de phéromone attire d autres fourmis qui vont la renforcer à leur tour) et négatives (la dissipation de la piste par évaporation empêche le système de s'emballer). Théoriquement, si la quantité de phéromone restait identique au cours du temps sur toutes les branches, aucune piste ne serait choisie. Or, du fait des rétroactions, une faible variation sur une branche va être amplifiée et permettre alors le choix d une branche. L'algorithme va permettre de passer d'un état instable où aucune branche n'est plus marquée qu'une autre, vers un état stable où l'itinéraire est formé des «meilleures» branches. III. Similarités et différences avec les fourmis réelles Les fourmis virtuelles ont une double nature. D une part, elles modélisent les comportements abstraits de fourmis réelles, et d autre part, elles peuvent être enrichies par des capacités que ne possèdent pas les fourmis réelles, afin de les rendre plus efficaces que ces dernières. Nous allons maintenant synthétiser ces ressemblances et différences. Points communs Colonie d individus coopérants. Comme pour les fourmis réelles, une colonie virtuelle est un ensemble d entités non-synchronisés, qui se rassemblent ensemble pour trouver une "bonne" solution au problème considéré. Chaque groupe d individus doit pouvoir trouver une solution même si elle est mauvaise. 4
Pistes de phéromones. Ces entités communiquent par le mécanisme des pistes de phéromone. Cette forme de communication joue un grand rôle dans le comportement des fourmis : son rôle principal est de changer la manière dont l environnement est perçu par les fourmis, en fonction de l historique laissé par ces phéromones. Évaporation des phéromones. La méta-heuristique ACO comprend aussi la possibilité d évaporation des phéromones. Ce mécanisme permet d oublier lentement ce qui s est passé avant. C est ainsi qu elle peut diriger sa recherche vers de nouvelles directions, sans être trop contrainte par ses anciennes décisions. Recherche du plus petit chemin. Les fourmis réelles et virtuelles partagent un but commun : recherche du plus court chemin reliant un point de départ (le nid) à des sites de destination Déplacement locaux Les vraies fourmis ne sautent pas des cases, tout comme les fourmis. virtuelles. Elles se contentent de se déplacer entre sites adjacents du terrain. Choix aléatoire lors des transitions. Lorsqu elles sont sur un site, les fourmis réelles et virtuelles doivent décider sur quel site adjacent se déplacer. Cette prise de décision se fait au hasard et dépend de l information locale déposée sur le site courant. Elle doit tenir compte des pistes de phéromones, mais aussi du contexte de départ (ce qui revient à prendre en considération les données du problème d optimisation combinatoire pour une fourmi virtuelle). Différences Les fourmis virtuelles possèdent certaines caractéristiques que ne possèdent pas les fourmis réelles : Elles vivent dans un monde non-continu. Leurs déplacements consistent en des transitions d état. Mémoire (état interne) de la fourmi. Les fourmis réelles ont une mémoire très limitée. Tandis que nos fourmis virtuelles mémorisent l historique de leurs actions. Elles peuvent aussi retenir des données supplémentaires sur leurs performances. Nature des phéromones déposées. Les fourmis réelles déposent une information physique sur la piste qu elles parcourent, là où les fourmis virtuelles modifient des informations dans les variables d états associées au problème. Ainsi, l évaporation des phéromones est une simple décrémentation de la valeur des variables d états à chaque itération. Qualité de la solution. Les fourmis virtuelles déposent une quantité de phéromone proportionnelle à la qualité de la solution qu elles ont découverte. Retard dans le dépôt de phéromone. Les fourmis virtuelles peuvent mettre à jour les pistes de phéromones de façon non immédiate : souvent elles attendent d avoir terminé la construction de leur solution. Ce choix dépend du problème considéré bien évidemment. Capacités supplémentaires. Les fourmis virtuelles peuvent être pourvues de capacités artificielles afin d améliorer les performances du système. Ces possibilités sont liées au problème et peuvent être : 1. l anticipation : la fourmi étudie les états suivants pour faire son choix et non seulement l état local. 2. le retour en arrière : une fourmi peut revenir à un état déjà parcouru car la décision qu elle avait prise à cet état a été mauvaise. IV. Algorithme Ant System (AS) A. Historique Dans les sections qui viendront plus tard, nous présenterons la méta-heuristique ACO, pour le "Ant Colony Optimization". Toutes ces idées abstraites sont inspirées des travaux de Deneubourg sur les fourmis. 5
Cette méta-heuristique est relativement récente. Elle a été introduite en 1991 par Colorni, Dorigo et Maniezzo pour résoudre le problème du Voyageur de commerce. Elle s est popularisée, puis a été l objet d améliorations dès 1995 et a été appliquée avec succès à d autres problèmes d optimisation combinatoire dès 1994. B. Principe ce premier algorithme de colonies de fourmis (Ant system (système fourmi)). Il vise notamment à résoudre le problème du voyageur de commerce. le TSP (Traveling Salesman Problem) est le problème consistant à trouver un circuit hamiltonien de longueur minimale sur le graphe G = (X,U). Le voyageur de commerce est un problème NP-complet. La métaphore de la colonisation de fourmis s y applique particulièrement bien. L algorithme général est relativement simple, et repose sur un ensemble de fourmis, chacune parcourant un trajet parmi ceux possibles. À chaque étape, la fourmi choisit de passer d une ville à une autre en fonction de quelques règles : 1) elle ne peut visiter qu une fois chaque ville ; 2) plus une ville est loin, moins elle a de chance d être choisie (c est la «visibilité») ; 3) plus l'intensité de la piste de phéromone disposée sur l arête entre deux villes est grande, plus le trajet aura de chance d être choisi ; 4) une fois son trajet terminé, la fourmi dépose, sur l ensemble des arêtes parcourues, plus de phéromones si le trajet est court ; 5) les pistes de phéromones s évaporent à chaque itération L algorithme «Ant System» optimisant le problème du voyageur de commerce : 1) une fourmi choisit un trajet, et trace une piste de phéromone. 2) l ensemble des fourmis parcourt un certain nombre de trajets, chaque fourmi déposant une quantité de phéromone proportionnelle à la qualité du parcours. 3) chaque arête du meilleur chemin est plus renforcée que les autres. 4) l évaporation fait disparaître les mauvaises solutions. C. Algorithme de colonies de fourmis pour le problème du voyageur de commerce TSP: Tant que le critère d'arrêt n'est pas atteint faire Pour k=1 à m faire Choisir une ville au hasard 6
Pour chaque ville non visitée i faire Choisir une ville j, dans la liste des villes restantes selon (F-1) Fin Pour Déposer une piste sur le trajet (t) conformément à (F-2) Fin Pour Évaporer les pistes selon (F-3) Fin Tant que Le but initial de cette méthode était de résoudre le problème du voyageur de commerce. L'Algorithme présente la méthode proposée par les auteurs. Si l'on considère un problème de voyageur de commerce à N villes, chaque fourmi k parcourt le graphe et construit un trajet de longueur n =/N/. Pour chaque fourmi, le trajet d'une ville i à une ville j dépend de : la liste des villes déjà visitées, qui définit les mouvements possibles à chaque pas, quand la fourmi k est sur la ville i, l'inverse de la distance entre les villes, appelée visibilité. Cette information est utilisée pour diriger les fourmis vers des villes proches et ainsi, éviter de trop longs déplacements. la quantité de phéromone déposée sur l'arête reliant deux villes appelée intensité de la piste. Cette quantité définit l'attractivité d'une piste et est modifiée après le passage d'une fourmi. C'est la pseudo-mémoire du système. La règle de déplacement est la suivante : = α et β sont deux paramètres qui contrôlent l importance relative entre phéromones et visibilité. Après un tour complet, chaque fourmi dépose une quantité de phéromone (t) sur l'ensemble de son parcours. Cette quantité dépend de la qualité de la solution trouvée et est définie par : 7
D. Exemple Détaillé Si on place à chaque instant t : 30 fourmis en B qui sont venus de A, 30 fourmis en D qui sont venus de E, la vitesse =1, l intensité de phéromone=1, le phéromone s évapore instamment au milieu de l intervalle (t+1,t+2) 8
E. domaine d'application: Applications au problème symétrique et asymétrique de voyageur de commerce. Applications au problème d ordonnancement séquentiel. Applications aux problèmes d affectation quadratique. Applications aux problèmes de tournées des véhicules. Applications aux problèmes d'établissement d horaires. Applications aux problèmes de coloration de graphe. Applications aux problèmes de partitionnement. Applications aux réseaux de télécommunications. Implémentations parallèles. F. Inconvenants et Avantages : Avantage: Très grande adaptabilité. Parfait pour les problèmes basés sur des graphes. Inconvénients: Un état bloquant peut arriver. Temps d'exécution parfois long. Ne s'applique pas à tous type de problèmes. Conclusion L algorithme des colonies des fourmis est une heuristique, avec caractère général utilisée pour résoudre différentes problèmes d analyse combinatoire : Versatile s applique a plusieurs types de problèmes Robuste des changements mineures sont nécessaires pour l adapter aux autres problèmes ( Ex: J.S.P ou Q.A.P.) L approche de l algorithme est basée sur l utilisation d une population, qui exploite un mécanisme de feed-back. Principal inconvénient : coût relativement élevé de la génération des solutions. 9