Univerzitet Donja Gorica

Fakultet primjenjene nauke

Matematika

Agent sistemi
Ant Colony Algoritam

Studentkinja: Mentor:

Valerija Čolović 19/082 Armin Alibašić

Podgorica, novembar 2022.

1
Sadržaj:

Uvod…………...…………….........………………………………………………………………3
Agent sistemi .................................................................................................................................. 3
Ant Colony Optimization................................................................................................................ 4
Ant Sistem....................................................................................................................................... 5
Primjena.......................................................................................................................................... 6
Zaključak........................................................................................................................................7
Literatura........................................................................................................................................8

2
Uvod
Mi se svakodnevno srećemo sa različitim matematičkim modelima, kako u fizici, mehanici,
vještačkoj inteligenciji, biologiji, numerici, algebri, tako i u antropologiji, arhitekturi, hemijskom
inženjeringu, kriminalistici, ekonomiji,... Meni je za oko odmah zapala primjena u biologiji, pa
će se i sam moj primjer odnositi na matematičku optimizaciju jednog zanimljivog biološkog
primjera. Naime, radi se o mravljim algoritmima, to jest optimizaciji uz pomoć istih.
Četrdesetih i pedesetih godina dvadesetog vijeka francuski naučnik Pjer Pol Gras primijetio je da
neke vrste termita reaguju na određene simulanse. Za njega je zapravo bilo zanimljivo kako ti
novonastali simulansi zapravo mogu da utiču na insekte koji ih proizvode, ali i na one ostale u
koloniji. Ovi biološki sistemi nemaju jasnu hierarhiju, nemaju vođu i stalno se prilagođavaju
promjenama u okruženju. Složenost kolonije mrava proističe iz jednostavnih lokalnih interakcija
koje možemo opisivati različitim sistemima agenata.

Agent sistemi
Osnovne osobine agenata možemo reći da su Machal i Northonn opisali u sljedećem pasusu:
Agent je autonoman i samo-usmjeren. Može da funkcioniše nezavisno u svojoj okolini i u
interakcijama sa drugim agentima. Agenti u okviru svog ponašanja razmijenjuju informacije sa
drugim agentima i okruženjem. Ponašanje agenta može biti definisano od jednostavnih pravila
ponašanja do vrlo kompleksnih adaptivnih ponašanja. Agenti u toku vremena prolaze kroz
različita stanja. Trenutno stanje je opisano njegovim atributima. Stanje modela zasnovanog na
agentima zavisi od pojedinačnih stanja svih agenata u sistemu i stanja okoline. Ponašanje agenta
je funkcija njegovog stanja. U simulaciji zasnovanoj na agentima, stanje sistema u bilo kom
trenutku vremena predstavlja skup informacija koje su potrebne da se sistem iz tog stanja
pomjeri u sljedeće. . Posebnu vrstu agenata predstavljaju agenti kreirani na osnovu analogija sa
kolonijama socijalnih insekata, jatima riba i jatima ptica.

3
Ant Colony Optimization
Ant Colony Optimization (ACO) je swarm Intelligence tehnika koja je inspirisana
dugogodišnjim posmatranjem ponašanja pravih kolonija mrava. Mravi zapravo koriste feromon
koji ostavljaju poslije sebe na zemlju kako bi obeležili put za identifikaciju njihovih ruta od
gnijezda do hrane koju bi trebalo da prate i drugi članovi kolonije. Ovim potezima, oni mijenjaju
sredinu, a kasnije i ponašanje drugih mrava. Ovaj indirektni uticaj agenata, u ovom slučaju
mrava, gdje oni mijenjaju svoju okolinu naziva se stigmergy. Možemo reći da stigmergy zapravo
predstavlja mehanizam posredne koordinacije između agenata ili akcija. Glavni princip se
ogleda u tome da trag koji ostavi neka akcija stimulise drugog agenta ili istog za izvršavanje
sljedeće akcije. Ovaj ACO koristi mehanizam optimizacije za rješavanje diskretnih problema u
različitim inženjerskim domenima.

Na prvoj slici dat je prikaz kako zapravo mravi traže put od gnijezda do hrane.
Druga slika nam daje prikaz ponašanja mrava ukoliko im se na već pronađeni put do hrane
postavi određena prepreka.
Ono što je uočeno jeste da mravi vrlo brzo pronalaze najkraći put.

4
Ant system (AS)

Ant system (AS) algoritam je prvi algoritam prikazan u literaturi. Karakterističan je po tome što
mu se u svakom koraku vrijednost feromona ažurira kod svih m mrava koji su u tom koraku
izgradili rješenje. Trag feromona 𝜏𝑖𝑗 povezan sa granom koja spaja gradove i i j ažurira se na
sljedeći način:

𝜏𝑖𝑗 (1-ƿ) 𝜏𝑖𝑗 + ∑𝑚

𝑘=1 ∆𝜏𝑖𝑗
𝑘

Gdje je ƿ nivo isparavanja (evaporacije), m je broj mrava, a ∆𝜏𝑖𝑗 𝑘 količina feromona koji je
donijet na granu (i,j) od strane mrava k:

𝑄
𝑘 , 𝑎𝑘𝑜 𝑚𝑟𝑎𝑣 𝑘 𝑘𝑜𝑟𝑖𝑠𝑡𝑖 𝑔𝑟𝑎𝑛𝑢 (𝑖, 𝑗) 𝑛𝑎 𝑠𝑣𝑜𝑚 𝑝𝑢𝑡𝑢
∆𝜏𝑖𝑗 = {𝐿𝐾
0 , 𝑖𝑛𝑎č𝑒

Q konstanta a 𝐿𝐾 dužina puta koju je prešao mrav k.

Pri konstruisanju rješenja mrav bira sljedeći čvor (grad u TSP) koji će posjetiti pomoću
stohastičkog mehanizma koji je opisan sljedećom formulom:

𝜏𝑖𝑗 𝛼 𝜂𝑖𝑗 𝛽
, 𝑎𝑘𝑜 𝑗𝑒 𝑐𝑖𝑙 ∈ 𝑁(𝑠 𝑝 )
𝑝𝑖𝑗 𝑘 = {∑ 𝑐𝑖𝑙 ∈𝑁(𝑠𝑝 )𝜏𝑖𝑙 𝛼 𝜂𝑖𝑙 𝛽 ;
0 , 𝑖𝑛𝑎č𝑒

Formula daje vjerovatnoću da će mmrav k koji je u gradu i i do sada je izgradioparcijalno

rješenje 𝑠 𝑝 otići u grad j koji na svom putu još uvijek nije posjetio. U navedenoj formuli N (𝑠 𝑝 )
je skup prihvatljivih komponenti rješenja to jest grana (i,l) gdje l predstavlja još uvijek
neposjećeni grad. Parametri α, β kontrolišu uzajamnu težinu to jest bitnost o feromonu nasuprot
heurističke informacije 𝜂𝑖𝑗 koja je data sa:
1
𝜂𝑖𝑗 = , gdje je 𝑑𝑖𝑗 rastojanje između gradova i i j.
𝑑𝑖𝑗

Što je veći proizvod 𝜏𝑖𝑗 𝛼 𝜂𝑖𝑗 𝛽 veća je i vjerovatnoća da će grad j biti sljedeći izabrani.

5
Ovaj algoritam izgleda ovako:

Primjena

Mravlji algoritam (ACO algoritam) je našao široku primjenu u različitim svakodnevnim

problemima. Neki od takvih su problem trgovačkog putnika koji želi da obiđe n gradova tako da
svaki od njih posjeti samo jedan put i da kretanje završi u gradu iz koga je i krenuo, pri tome taj
put treba da bude najkraći put. Takođe veliku primjenu nalazi i u telekomunikacijama, naime
AntNet algoritmi rade na principu nalaska najkraćeg puta između izvora paketa i odredišta.
Zatim algoritmi se koriste i za detekciju crta na slikama uz pomoć feromonske i heurističke
matrice. U ovom slučaju se heuristička matrica računa lokalno i radi za svaki slikovni

6
instrument, a zatim se koristi pravilo prelaza na sljedeći čvor koji smo već definisali izrazom.
Odmah možemo i zaključiti da će ovdje rješenje biti složenijeg tipa i iz više iteracija davati
konačno.

Zaključak:
U ovom radu bavila sam se opisom algoritmima optimizacije kolonijom mrava (engl. Ant colony
optimization, skraćeno ACO). Na samom početku rada opisani su agent sistemi i šta oni zapravo
predstavljaju. Takođe objašnjavam odakle je proistekla motivacija za ovakvu vrstu algoritama a
zatim dajem detaljniji opis samog Ant optimization algoritma, kao i Ant Sistem algoritma kao
prvog stvorenog. U nastavku navodim sve njihove najvažnije karakteristike kroz nekoliko
formula i slikovito datih algoritama. Na kraju rada kao i možda najvažniji dio data je primjena
datih algoritama kroz Travel Salesman problem, kao I primjene u elektrotehnici, prepoznavanju
slika, raznim problemima sa putanjama,…
Cilju rada je zapravo bio prikazati kako nas priroda ( u ovom slučaju inteligencija roja) može
inspirisati da napravimo algoritam po kom se rješavaju veoma različiti problem u svakodnevnom
životu.

7
Literatura:
1. Xin-She Yang, Mehmet Karamanoglu, in Nature-Inspired Computation and Swarm
Intelligence, 2020.
2. Zeinab E. Ahmed, … Sheetal N. Ghorpade, in LPWAN Technologies for IoT and M2M
Applications, 2020.
3. Ivan Šarenac, Inteligencija jata, Optimizacija pomoću mravlje kolonije, 2014.
4. M. Čupić. Prirodom inspirirani optimizacijski algoritmi. Metaheuristike. 2012.
5. YongWang, Zunpu Han , Ant colony optimization for traveling salesman problem based
on parameters optimization, 2020.
6. Iva Hršak, Algoritmi optimizacije kolonijom mrava, Zagreb 2018.