Основні виклики адаптаційності алгоритмів ройового інтелекту
Анотація
Проаналізовано три алгоритми ройового інтелекту: Ant Colony Optimization (ACO), Bee Colony Optimization (BCO), Particle Swarm Optimization (PSO) і їх адаптивність до динамічного середовища. Охарактеризовано алгоритм ACO, поведінку мурах у природі, призначення алгоритму і недоліки в динамічному середовищі, а також модифікації цього алгоритму до мінливих середовищ: ACO з динамічним оновленням феромонів (AACO), ACO з адаптивною пам'яттю (MAS-ACO), ACO з алгоритмами машинного навчання (MLACO). Проаналізовано переваги й недоліки цих модифікацій. Досліджено програмні засоби AntTweakBar, AntOpt і EasyAnt, які реалізують функціонал цього алгоритму, а також надають можливість розробляти нові модифікації алгоритмів ACO і досліджувати наявні. З'ясовано можливості алгоритму BCO і описано поведінку, параметри цього алгоритму, досліджено його переваги й недоліки в динамічному середовищі. Розглянуто модифікації Group Bee Algorithm (GBA), Artificial Bee Colony (ABC) і програмні засоби з відкритим кодом PySwarms і PyABC. Досліджено особливості роботи алгоритму PSO, його переваги й недоліки щодо пристосування до динамічних середовищ. Проаналізовано алгоритми Dynamic Particle Swarm Optimization with Permutation (DPSO-P), Dynamic Multi-swarm, Particle Swarm Optimization Based on Elite Learning (DMS-PSO-EL) як модифікації алгоритму PSO для адаптації до динамічних середовищ, а також бібліотеки для роботи з ними SciPy, DEAP, PyGAD, Particleswarm, Jswarm (має широке API і добре написану документацію) та Dlib. Розроблено порівняльну таблицю з найбільш значущими властивостями відповідних алгоритмів і їх модифікацій, таких як стійкість до зміни середовища, складність реалізації, можливість використання для рою БПЛА. Зроблено короткий аналіз схожих публікацій, де порівнюють алгоритми ройового інтелекту, наведено основні висновки щодо проведеного дослідження.
Завантаження
Посилання
Bashath, S., & Ismail, A. R. (2018). Comparison of Swarm Intelligence Algorithms for High Dimensional Optimization Problems. Indonesian Journal of Electrical Engineering and Computer Science, 11(1), 300–307. https://doi.org/10.11591/ijeecs.v11.i1
Davidović, T., Teodorović, D., & Šelmić, M. (2015). Bee Colony Optimization. Part I: The algorithm overview. Yugoslav Journal of Operations Research, 25(1), 33–56. https://doi.org/10.2298/YJOR131011017D
Eggenschwiler, S., Spahic-Bogdanovic, M., Hanne, T., & Dornberger, R. (2020). Comparison of Swarm and Graph Algorithms for Solving Travelling Salesman Problem. In: 7th International Conference on Soft Computing & Machine Intelligence (ISCMI), 1–7. Stockholm, Sweden. https://doi.org/10.1109/ISCMI51676.2020.9311558
Fan, J., Hu, M., Chu, X., & Yang, D. (2017). A comparison analysis of swarm intelligence algorithms for robot swarm learning. In: 2017 Winter Simulation Conference (WSC), 3042–3053. Las Vegas, NV, USA. https://doi.org/10.1109/WSC.2017.8248025
Karaboga, D., & Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimization, 39(3), 459–471. https://doi.org/10.1007/s10898-007-9149-x
Karatanov, O. V., Ustymenko, O. V., Yena, M. V., Bova, Y. A., & Kalashnikova, V. I. (2021). Application of swarm intelligence algorithms in the design of control systems for groups of unmanned aerial vehicles. Young Scientist, 24(10), 98–103. https://doi.org/10.32839/2304-5809/2021-10-98-24
Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In: Proceedings of ICNN'95 – International Conference on Neural Networks, 4, 1942–1948. Perth, WA, Australia. https://doi.org/10.1109/ICNN.1995.488968
Liu, T., Yin, Y., & Yang, X. (2020). Research on logistics distribution routes optimization based on ACO. In: Proceedings of the 5th International Conference on Information Science, Computer Technology and Transportation (ISCTT), 641–644. Shenyang, China. https://doi.org/10.1109/ISCTT51595.2020.00122
Ma, T., Lu, P., Deng, F., & Geng, K. (2024). Air – Ground Collaborative Multi-Target Detection Task Assignment and Path Planning Optimization. Drones, 8(3), 110. https://doi.org/10.3390/drones8030110
Murugananthan, V., Rehan, M. Y. E. S., Srinivasan, R., Kavitha, M., & Kavitha, R. (2023). Traveling salesman problem with ant colony optimization. In: Proceedings of the 2nd International Conference on Edge Computing and Applications (ICECAA), 481–485. Namakkal, India. https://doi.org/10.1109/ICECAA58104.2023.10212262
Nasrinpour, H. R., Bavani, A. M., & Teshnehlab, M. (2017). Grouped Bees Algorithm: A grouped version of the bees algorithm. Computers, 6(1), 5–9. https://doi.org/10.3390/computers6010005
Pal, D., Verma, P., Gautam, D., & Indait, P. (2016). Improved optimization technique using hybrid ACO-PSO. In: 2016 2nd International Conference on Next Generation Computing Technologies (NGCT), 277–282. Dehradun, India. https://doi.org/10.1109/NGCT.2016.7877428
Pierobom, J. L., Delgado, M. R., & Kaestner, C. A. A. (2012). Particle swarm optimization applied to the dynamic allocation problem. In: 2012 Brazilian Symposium on Neural Networks, 184–189. Curitiba, Brazil. https://doi.org/10.1109/SBRN.2012.35
Pratama, D. H., & Suyanto, S. (2020). Comparison of PSO, FA, and BA for Discrete Optimization Problems. In: 2020 3rd International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), 17–20. Yogyakarta, Indonesia. https://doi.org/10.1109/ISRITI51436.2020.9315371
Shimko, S., Tkachuk, R., & Shulyka, Y. (2022). Investigation of swarm intelligence methods for the management of unmanned aerial vehicles. In: Proceedings of the International Scientific and Technical Conference: Automation, Computer-Integrated Technologies, and Energy Efficiency Issues in Industry and Agriculture, 1–3. Kropyvnytskyi, Ukraine. https://doi.org/10.1109/NaBIC.2011.6089619
Tang, Y., Wei, B., Xia, X., & Gui, L. (2019). Dynamic multi-swarm particle swarm optimization based on elite learning. In: 2019 IEEE Symposium Series on Computational Intelligence, 2311–2318. Xiamen, China. https://doi.org/10.1109/SSCI44817.2019.9002680
Wang, E., Sun, J., Liang, Y., Zhou, B., Jiang, F., & Zhu, Y. (2024). Modeling, Guidance, and Robust Cooperative Control of Two Quadrotors Carrying a "Y"-Shaped-Cable-Suspended Payload. Drones, 8(3), 103. https://doi.org/10.3390/drones8030103
Yang, L., Sun, X., Shen, Q., Zhang, B., & Chi, T. (2014). Combining multi-agent and ant colony optimization for endmember extraction. In: Proceedings of the 6th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 1–4. Lausanne, Switzerland. https://doi.org/10.1109/WHISPERS.2014.8077592
