Hormigasalgoritmos

BIOINFORMÁTICA - TEMA 2
BIOINFORMÁTICA
2003 - 2004
– Tema 1. Computación Basada en Modelos Naturales

– Tema 2. Algoritmos Basados en Colonias de Hormigas
– Tema 3. Algoritmos Genéticos I. Conceptos Básicos
– Tema 4. Algoritmos Genéticos II. Diversidad y Convergencia
– Tema 5. Algoritmos Genéticos III. Problemas Multimodales
– Tema 6. Estrategias de Evolución y Programación Evolutiva
– Tema 7. Modelos Evolutivos de Aprendizaje
– Tema 8. Programación Genética
– Tema 9. Algoritmos Genéticos IV. Problemas Multiobjetivo
– Tema 10. Algoritmos Genéticos V. Otros Modelos
– Tema 11. Nuevos Modelos de Evolución de Poblaciones
– Tema 12. Otros Modelos de Computación Bioinspirados
Dpto. Ciencias de la Computación e Inteligencia Artificial 1
Tema 2: Algoritmos de
Optimización basados
en Colonias de Hormigas
Oscar Cordón
Dpto. Ciencias de la Computación e I.A.
Universidad de Granada
E- mail: ocordon@decsai.ugr.es
DPTO. CCIA - UGR 1

Índice de Contenidos
I. Las Colonias de Hormigas Naturales

II. Algoritmos de Optimización basados en
Colonias de Hormigas
III. Aplicaciones
IV. Comentarios Finales
V. Bibliografía
I. Las Colonias de
Hormigas Naturales
n Las hormigas son insectos sociales que viven en colonias y
que tienen un comportamiento dirigido al desarrollo de la
colonia como un todo mas que a un desarrollo individual
“Antz (Hormiga Z)”

© DreamWorks Pictures. 1998
Recordad...
¡SED LA BOLA!
DPTO. CCIA - UGR 2

I. Las Colonias de
Hormigas Naturales (2)
n Una característica interesante del comportamiento de las
colonias de hormigas es cómo pueden encontrar los
caminos más cortos entre el hormiguero y la comida
n Sobre todo por que... ¡¡LAS HORMIGAS SON CIEGAS!!
Entonces...
¿Cómo lo hacen?
I. Las Colonias de
n En su recorrido, depositan una sustancia llamada feromona
que todas pueden oler (estimergia)
n Este rastro permite a las hormigas volver a su hormiguero

desde la comida
“Bichos. Una aventura en miniatura”

© Disney-Pixar. 1999
¡He perdido el rastro,

he perdido el rastro!
DPTO. CCIA - UGR 3

I. Las Colonias de
n Cada vez que una hormiga llega a una intersección, decide
el camino a seguir de un modo probabilístico
n Las hormigas eligen con mayor probabilidad los caminos

con un alto rastro de feromona
I. Las Colonias de
n Las bifurcaciones más prometedoras (más cercanas a la comida)
van acumulando feromona al ser recorridas por más hormigas
(reclutamiento de masas)
n Las menos prometedoras pierden feromona por evaporación al

ser visitadas por menos hormigas cada vez. Aún así, la gran
perduración de los rastros hace que la evaporación influya poco
n La acción continuada de la colonia da lugar a un rastro de

feromona que permite a las hormigas encontrar un camino cada
vez más corto desde el hormiguero a la comida
DPTO. CCIA - UGR 4

I. Las Colonias de
I. Las Colonias de
DPTO. CCIA - UGR 5

I. Las Colonias de
I. Las Colonias de
DPTO. CCIA - UGR 6

I. Las Colonias de
I. Las Colonias de
DPTO. CCIA - UGR 7

I. Las Colonias de
I. Las Colonias de
DPTO. CCIA - UGR 8

II. Algoritmos de Optimización

basados en Colonias de Hormigas
n De las hormigas naturales a la OCH
n La hormiga artificial
n Estructura básica de un algoritmo de OCH
n El Sistema de Hormigas
n El Sistema de Colonia de Hormigas
n Otros algoritmos de OCH
n Funciones adicionales de los algoritmos de OCH

De las hormigas
naturales a la OCH
n Para aplicar la OCH a un problema, es necesario que pueda
ser representado en forma de grafo con pesos
n Cada arco ars del grafo contiene dos tipos de información:

– Información heurística: preferencia heurística del arco, ηrs,
dependiente del caso concreto del problema. Las hormigas
no la modifican durante la ejecución del algoritmo
– Información memorística: medida de la “deseabilidad” del

arco, τrs, representada por la cantidad de feromona
depositada en él y modificada durante el algoritmo
DPTO. CCIA - UGR 9

De las hormigas
naturales a la OCH (2)
n Los algoritmos de OCH reproducen el comportamiento de las
hormigas reales en una colonia artificial de hormigas. Cada
hormiga artificial es un agente que imita a la hormiga natural.
n En cada iteración, cada hormiga artificial recorre el grafo

generando un camino completo (solución al problema). La
bondad de estas soluciones determina el aporte de feromona que
realiza cada hormiga en el camino recorrido
n Se incorpora un mecanismo de evaporación de feromona más

activo que el natural, lo que evita la perduración de los rastros
de feromona y, por tanto, el estancamiento en óptimos locales
La hormiga artificial
La hormiga artificial es un agente que:

n Recuerda los nodos que ha recorrido, utilizando para ello
una lista de nodos visitados (L)
n Tras cada iteración, esta lista contiene la solución

construida por la hormiga
n En cada paso, elige hacia qué nodo s moverse (qué arista

seguir) de entre los alcanzables desde el actual r que no
hayan sido visitados aún (J(r) = {s | ∃ ars y s ∉ L}), según
una regla probabilística de transición
DPTO. CCIA - UGR 10

La hormiga artificial (2)

n Una vez construida su solución, vuelve atrás en el camino
recorrido, actualiza la feromona τrs (en una cantidad que
depende de la bondad de la solución generada) en cada arco
(actualización de feromona en línea a posteriori) y vacía L
n Opcionalmente, puede también depositar feromona en cada arco

que recorre mientras construye la solución (actualización de
feromona en línea paso a paso)
El único mecanismo de comunicación entre las hormigas

es la estructura de datos que almacena los rastros de
feromona de cada arco (memoria compartida)
Estructura básica de un
algoritmo de OCH
1. Inicialización de parámetros (p.e., asignación de una
cantidad inicial de feromona τ0 a cada arco)
2. Planificación_de_actividades
– generación_y_activación_de_hormigas
– evaporación_de_feromona
– acciones_del_demonio (OPCIONAL)
El constructor Planificación_de_actividades establece la

planificación de las tres tareas, ya sea secuencialmente
(problemas estáticos) o en paralelo (problemas dinámicos)
DPTO. CCIA - UGR 11

algoritmo de OCH
El demonio es un elemento opcional que realiza una serie de

funciones adicionales centralizadas sin contrapunto natural
algoritmo de OCH
Procedimiento generación_y_activación_de_hormigas
1. Repetir en Paralelo Para k=1 hasta Número_de_Hormigas hacer

– nueva_hormiga (k)
DPTO. CCIA - UGR 12

algoritmo de OCH (2)
Procedimiento nueva_hormiga (id_hormiga)
1. inicializar_hormiga (id_hormiga). L ← nodo inicial r
/* Fase en la que cada hormiga construye su solución */

2. Mientras (estado_actual ≠ estado_objetivo)
2.1. estado_ siguiente = regla_probabilística_de_transición (est_act)
2.2. moverse_al_estado_siguiente (estado_ siguiente)
2.3. Si (actualización_de_feromona_en_línea_paso_a_paso)
n depositar_feromona_en_el_arco_recorrido
2.4. L = actualizar_estado_interno
algoritmo de OCH (3)
3. Si (actualización_de_feromona_en_línea_a_posteriori)
3.1. Para cada arco recorrido hacer
n depositar_feromona_en_el_arco_recorrido
4. liberar_recursos_de_la_hormiga (id_hormiga)
El demonio puede:
– Actualizar la feromona globalmente (actualización fuera de línea),
p.e., considerando únicamente la mejor hormiga para la deposición
– Ejecutar un algoritmo de búsqueda local para optimizar las solu-

ciones generadas por las hormigas antes de actualizar la feromona
DPTO. CCIA - UGR 13

El Sistema de Hormigas
n El primer algoritmo de OCH que se propuso fue el
denominado Sistema de Hormigas (Ant System) (SH)
M. Dorigo, V. Maniezzo, A. Colorni, The Ant System: Optimization by a
Colony of Cooperating Agents. IEEE Trans. On Systems, Man and
Cybernetics-Part B, Vol. 26, 1996, 1-13
n El SH se caracteriza porque las hormigas sólo modifican la

feromona mediante una actualización en línea a posteriori
(fuera de línea si la hace el demonio tras búsqueda local)
n No se efectúa una actualización en línea paso a paso

mientras cada hormiga está recorriendo el grafo
El Sistema de Hormigas (2)

n La regla de transición de estados define la probabilidad con
la que la hormiga k, situada en el nodo r, decide moverse
hacia el nodo s siguiendo el arco ars :
 [τ rs ]α ⋅[ηrs ]β
 , si s ∈ J k (r)
pk (r , s ) =  ∑ ru
α β
[τ ] ⋅ [η ru ]
 u∈J k (r)
 0, en otro caso
- τrs es la feromona del arco a rs - ηrs es la inf. heurística del arco ars
- Jk(r) es el conjunto de nodos - α y β son pesos que establecen un
alcanzables desde r no visitados equilibrio entre la importancia de la
aún por la hormiga k información memorística y heurística
DPTO. CCIA - UGR 14


n Cuando la hormiga k ha generado su solución, aplica una
actualización de feromona en línea a posteriori:
τ rs = τ rs + ∆τ rsk
 f ( C ( Sk )), si la hormiga k ha visitado el arco a rs
− ∆τ rsk = 
 0, en otro caso
– f(C(S k)) es una cantidad de feromona directamente proporcional a la
bondad de la solución generada por la hormiga k, C(S k)
n Así, los arcos visitados por las hormigas en cada iteración

(arcos prometedores) reciben un aporte extra de feromona
n Después, se aplica la evaporación de feromona a todos los

arcos del grafo, con lo que los no visitados por ninguna
hormiga en la iteración actual (arcos poco prometedores)
pierden feromona :
τ rs = (1 − ρ ) ⋅τ rs
donde ρ es un parámetro de tasa de evaporación
DPTO. CCIA - UGR 15

El Sistema de
Colonia de Hormigas
M. Dorigo, L.M. Gambardella, Ant Colony System: A Cooperative Learning Approach
to the Traveling Salesman Problem. IEEE Trans. on Evolutionary Computation, Vol.
1, nº 1, 1997, 53-66
n El Sistema de Colonia de Hormigas (Ant Colony System)

(SCH) extiende a su predecesor, el SH, en tres aspectos:
– La regla de transición establece un equilibrio entre la exploración
de nuevos arcos y la explotación de la información acumulada
– La actualización de feromona la efectúa el demonio (fuera de

línea), considerando sólo la hormiga que generó la mejor solución.
Sólo se evapora feromona en los arcos que componen ésta
– Las hormigas modifican automáticamente la feromona de cada

arco que visitan mediante una actualización en línea paso a paso
El Sistema de
Colonia de Hormigas (2)
n La regla de transición de SCH (regla proporcional pseudo-aleatoria) es:
arg max u∈J k (r) {[τ ru ]α ⋅[ηru ] β }, si q ≤ q 0

s=
 S, en otro caso
– s es el nodo escogido por la hormiga en su siguiente movimiento

– q es un uniforme en [0,1]
– q 0 ∈ [0,1] es la probabilidad con la que se escoge determinísticamente
el arco más prometedor (explotación)
– S es un nodo aleatorio seleccionado según la regla de transición del SH
(exploración dirigida)
DPTO. CCIA - UGR 16

El Sistema de
n Puesto que el demonio efectúa la actualización de fero-
mona fuera de línea después de la evaporación, ambas
tareas se pueden realizar mediante la operación:
τ rs = (1 − ρ ) ⋅τ rs + ρ ⋅ f (C ( S mejor− global))
que sólo se aplica sobre los arcos τrs ∈ S mejor-global

n Sólo la hormiga que generó la mejor solución hasta el momento
modifica los niveles de feromona
n El aporte de feromona es función de la calidad de esta solución

(C(S mejor-global))
El Sistema de
n Cada vez que una hormiga cualquiera recorre un arco, aplica
la actualización de feromona en línea paso a paso:
τ rs = (1 − ϕ ) ⋅τ rs + ϕ ⋅τ 0
n Con esta operación, la feromona asociada a un arco

disminuye cada vez que lo visita una hormiga
n Los arcos ya visitados van siendo menos prometedores según

los recorren más hormigas en la iteración actual, lo que
favorece la exploración de arcos no visitados
n Así, las hormigas tienden a no converger a la misma solución

DPTO. CCIA - UGR 17

Otros algoritmos de OCH
n Sistema de Hormigas Max-Min (Max-Min Ant System)

T. Stützle, H. Hoos, MAX-MIN Ant System, Future Generation
Computer Systems Journal, 16:8, 2000, pp. 889-914.
n Sistema de Hormigas con Ordenación (Rank Ant System)

B. Bullnheimer, R.F. Hartl, C. Strauss, A New Rank Based Version of the
Ant System - A Computational Study. Central European Journal for
Operations Research and Economics , 7:1, 1999, pp. 25-38.
Otros algoritmos de OCH (2)
n Sistema de la Mejor y la Peor Hormiga (Best-Worst Ant

System)
O. Cordón, F. Herrera, Ll. Moreno, Integración de Conceptos de Computación

Evolutiva en un Nuevo Modelo de Colonia de Hormigas. Actas de la Conferencia
de la Asociación Española para la Inteligencia Artificial (CAEPIA’99),
1999, pp. 98-104.
O. Cordón, I. Fernández de Viana, F. Herrera, Ll. Moreno, A New ACO

Model Integrating Evolutionary Computation Concepts: The Best-Worst Ant
System. Actas de ANTS’2000 - From Ant Colonies to Artificial Ants:
Second International Workshop on Ant Algorithms, 2000, pp. 22-29.
DPTO. CCIA - UGR 18

Funciones adicionales de
los algoritmos de OCH
n Como algoritmos de optimización y búsqueda, los
algoritmos de OCH deben guardar un equilibrio adecuado
entre eficiencia y la eficacia
n El demonio puede realizar una serie de funciones

adicionales que permiten mejorar ambos aspectos:
– Eficiencia ⇒ Uso de listas de candidatos para reducir el tiempo
de ejecución de las reglas de transición y actualización
– Eficacia ⇒ Uso de algoritmos de búsqueda local para refinar

las soluciones obtenidas por cada hormiga en cada iteración
los algoritmos de OCH (2)
1. USO DE LISTAS DE CANDIDATOS
n Cuando los casos de los problemas son de gran tamaño, los
algoritmos de OCH pueden requerir un tiempo de ejecución alto
n Por ejemplo, cuando el grafo es totalmente conexo, el SH es de

orden O (t·m·n2) (t = nº iteraciones, m = nº hormigas, n= nº nodos)
n La mayor parte del costo computacional de la OCH proviene de

las reglas de transición de estados y actualización de feromona
n Para acelerar ambas, en algunos problemas como el Viajante de

Comercio , se usan las Listas de Candidatos (LCs)
DPTO. CCIA - UGR 19

n La LC almacena los cl nodos preferidos para visitar desde cada
nodo r ordenados de mejor a peor valor heurístico
n Cuando la hormiga está en el nodo r, la regla de transición sólo

considera los nodos incluidos en LC(r) no visitados aún. Sólo se
usa el resto cuando todos los nodos de LC(r) han sido visitados
n En ese caso, existen dos posibilidades:

– escoger directamente el nodo con mejor valor heurístico de los no
incluidos en la lista
– aplicar la regla de transición considerando los nodos restantes
n Con la primera opción, el tiempo de ejecución necesario para

que una hormiga construya una solución es lineal (O (cl·n))
n Además, en este caso, es posible acelerar la ejecución de la regla

de actualización de feromona en línea a posteriori en algoritmos
de OCH en los que todas las hormigas actualizan (como el SH)
n Para ello, sólo se modifica la feromona de los arcos que

conectan nodos incluidos en la LC. Esto no es válido en la
segunda opción que considera los demás rastros de feromona
DPTO. CCIA - UGR 20

Extensiones de los
Algoritmos de OCH (5)
2. USO DE ALGORITMOS DE BÚSQUEDA LOCAL
n Existe la posibilidad de hibridar los algoritmos de OCH con

técnicas de búsqueda por entornos para mejorar su eficacia
n La hibridación consiste en que el demonio aplica una búsqueda

por entornos sobre las soluciones construidas por todas las
hormigas en cada iteración antes de actualizar la feromona
n El aumento en la eficacia se consigue a costa de una

disminución en la eficiencia, por lo que es habitual emplear a la
vez versiones restringidas de técnicas de búsqueda local y LCs
n El algoritmo básico de OCH con búsqueda local es:
Mientras (no se dé la condición de parada) hacer

– Construcción probabilística de las soluciones preliminares
mediante la colonia de hormigas
– Refinamiento de dichas soluciones mediante la búsqueda local
– Actualización de feromona fuera de línea
n De este modo, Los algoritmos de OCH con búsqueda local son

algoritmos híbridos con una generación probabilística de
soluciones iniciales para una técnica clásica de búsqueda local
DPTO. CCIA - UGR 21

n Así, pueden encuadrarse en los algoritmos de Búsqueda Local

Múltiarranque, aunque éstos generan aleatoriamente las
soluciones iniciales sin usar información heurística
n También son similares a los algoritmos GRASP, aunque con

otra filosofía de generación probabilística de soluciones
n La principal diferencia con los dos algoritmos anteriores es el

mecanismo de cooperación global de las soluciones generadas
que hace que las ejecuciones no sean independientes entre sí.
IV. Aplicaciones
n Aplicación de la OCH al Viajante de Comercio
n Aplicación de la OCH al Problema de Asignación

Cuadrática
n Aplicación de la OCH al Enrutamiento en Redes

de Telecomunicaciones: AntNet
n Otras Aplicaciones
DPTO. CCIA - UGR 22

Aplicación de la OCH al TSP

n El Problema del Viajante de Comercio (TSP) es uno de los
problemas de optimización combinatoria más conocido
n Se dispone de un conjunto N = {1, ..., n} de ciudades, las

cuales han de ser visitadas una sola vez, volviendo a la
ciudad de origen, y recorriendo la menor distancia posible
n El problema puede ser reformulado considerando las

ciudades como nodos de un grafo y los caminos que las
conectan como arcos con pesos (peso = distancia)
Aplicación de la OCH al TSP (2)
n El objetivo es entonces encontrar el circuito hamiltoniano

de coste mínimo en el grafo
n La gran facilidad para representar el TSP en forma de

grafo lo ha convertido en el problema más estudiado en el
campo de la OCH
n En cada iteración, cada hormiga se sitúa en un nodo inicial

aleatorio y recorre el grafo según la regla de transición de
estados hasta construir su solución
DPTO. CCIA - UGR 23


n La información heurística asociada al arco ars es función de
la distancia existente entre las ciudades que conecta
1 2 ... n MATRIZ DE DISTANCIAS

1 drs = coste de ir de la ciudad r a la s
2 drs = -1 si no se puede ir de r a s
D = ... drs drs = drs → TSP simétrico
n drs ≠ drs → TSP asimétrico
n Puesto que los arcos con menor distancia son preferibles,

se considera la inversa de esta distancia: ηrs=1/drs

n La información memorística, la feromona asociada a cada
arco ars, se almacena en una matriz de dimensión n×n
1 2 ... n MATRIZ DE FEROMONA

1
2 τ rs = nivel de feromona del arco ars
τ= ... τ rs
n Inicialmente, τ rs =τ 0, ∀r, s
n Jk (r) es el conjunto de ciudades alcanzables desde la ciudad

r que NO hayan sido visitadas aún por la homiga k
DPTO. CCIA - UGR 24


A modo de ejemplo, vamos a describir una iteración del SH sobre
un caso sencillo del TSP de tamaño n=6 con las siguientes matrices
de distancias D y heurística η:
∞ 1 √5 √5 2 √2 - 1.000 0.447 0.447 .500 0.707

1 ∞ √2 2 √5 √5 1.000 - 0.707 0.500 0.447 0.447
√5 √2 ∞ √2 √5 3 0.447 0.707 - 0.707 0.447 0.333
D = √5 2 √2 ∞ 1 √5 η = 0.447 0.500 0.707 - 1.000 0.447
2 √5 √5 1 ∞ √2 0.500 0.447 0.447 1.000 - 0.707
√2 √5 3 √5 √2 ∞ 0.707 0.447 0.333 0.447 0.707 -
Fuente: J.M. Moreno-Vega, J.A. Moreno-Pérez, Heurísticas en Optimización,
Consejería de Educación, Cultura y Deportes. Gobierno de Canarias, 1999.
Suponiendo una población de m=n=6 hormigas, cada una partiendo

de una ciudad distinta, y la matriz de feromona inicializada a τ0=10,
el proceso constructivo de las tres primeras podría ser el siguiente:
Probabilidades de transición
1 2 3 4 5 6 Uniforme Solución
1 - 0.322 0.144 0.144 0.161 0.227 0.000 (1 2 - - - -)
2 - - 0.336 0.237 0.212 0.212 0.031 (1 2 3 - - -)
3 - - - 0.475 0.300 0.225 0.673 (1 2 3 5 - -)
5 - - - 0.585 - 0.415 0.842 (1 2 3 5 6 -)
6 - - - 1.000 - (1 2 3 5 6 4)
DPTO. CCIA - UGR 25


2 0.322 - 0.227 0.161 0.144 0.144 0.279 (2 3 - - - -)
3 0.231 - - 0.365 0.231 0.172 0.671 (2 3 5 - - -)
5 0.227 - - 0.453 - 0.320 0.931 (2 3 5 6 - -)
6 0.612 - - 0.388 - - 0.873 (2 3 5 6 4 -)
4 1.000 - - - - - - (2 3 5 6 4 1)
3 0.169 0.267 - 0.267 0.169 0.126 0.372 (3 2 - - - -)
2 0.417 - - 0.208 0.186 0.186 0.415 (3 2 1 - - -)
1 - - - 0.267 0.309 0.434 0.321 (3 2 1 5 - -)
5 - - - 0.585 - 0.415 0.474 (3 2 1 5 4 -)
4 - - - - - 1.000 - (3 2 1 5 4 6)

Una vez construidas las 6 soluciones, cada hormiga “vuelve atrás”
en el camino recorrido y deposita una cantidad adicional de
feromona en los arcos visitados :
100
τ rs = τ rs + ∆ τ rsk ∆ τ rsk = f ( C ( S k )) =
C( Sk )
Hormiga C(Sk) f(C(S k)) Solución Arcos afectados

1 10.53 9.49 (1 2 3 5 6 4) {a12 , a23, a35 , a56, a64 , a41}
2 10.53 9.49 (2 3 5 6 4 1) {a23 , a35, a56 , a64, a41 , a12}
3 9.05 11.04 (3 2 1 5 4 6) {a32 , a21, a15 , a54, a46 , a63}
4 11.12 8.99 (4 2 6 1 3 5) {a42 , a26, a61 , a13, a35 , a54}
5 10.88 9.19 (5 1 6 2 4 3) {a51 , a16, a62 , a24, a43 , a35}
6 9.47 10.55 (6 5 3 4 2 1) {a65 , a53, a34 , a42, a21 , a16}
DPTO. CCIA - UGR 26


Por último, una vez aplicado el mecanismo de actualización en línea
a posteriori, se evapora la feromona:
τ rs = ( 1 − ϕ )·τ rs
Considerando ϕ=0.2, la matriz de feromona quedaría:
0.00 45.58 13.99 23.99 25.23 33.73

- 0.00 35.03 33.73 5.00 23.18
- - 0.00 24.74 52.72 16.04
τ= - - - 0.00 35.03 35.03
- - - - 0.00 79.54
- - - - - 0.00

n Ejemplo de valores de parámetros para el SCH en el TSP:
– Número de hormigas: m = 10
– Nivel inicial de feromona: τ0 = 1/(n·C(Svoraz))

(Svoraz = solución obtenida por un algoritmo voraz)
– Regla de transición de estados: α = 1, β = 2, q0 = 0.98
– Regla de actualización global de feromona : ρ = 0.1,

f(C(S k)) = 1/C(S k)
– Regla de actualización local: ϕ = 0.1
DPTO. CCIA - UGR 27


RESULTADOS COMPARATIVOS
Caso SCH SCH SCH ES RE MA
TSP (media) (d.típica) (mejor) (media) (media) (media)
1 5.88 0.05 5.84 5.88 5.98 6.06
2 6.05 0.03 5.99 6.01 6.03 6.25
3 5.58 0.01 5.57 5.65 5.70 5.83
4 5.74 0.03 5.70 5.81 5.86 5.87
5 6.18 0.01 6.17 6.33 6.49 6.70
Fuente: Dorigo, Gambardella, Ant Colony System ...
– Cinco casos de tamaño 50 generados aleatoriamente

– 25 ejecuciones de cada algoritmo
– ES = Enfriamiento Simulado, RE = Red Elástica, MA = Mapa Autoorganizativo

Caso TSP SCH AG PE ES Óptimo
Eil50 425 428 426 443 425
1830 25000 100000 68512
Eil75 535 545 542 580 535
3480 80000 325000 173250
KroA100 21282 21761   21282
4820 103000  
– Tres casos clásicos de tamaño 50, 75 y 100. Medias de 15 ejecuciones

– AG = Algoritmo Genético, PE = Programación Evolutiva
– Número de hormigas: m=20. Los datos en azul son el número
de circuitos generados hasta llegar a la solución final
DPTO. CCIA - UGR 28


Caso TSP SCH SCH SCH
Óptimo Tiempo (seg.)
(media) (d.típica) (mejor)
d198 16054 71 15888 15780 0.02
pcb442 51690 188 51268 50779 0.05
att532 28523 275 28147 27686 0.07
rat783 9066 28 9015 8806 0.13
[22204-
fl1577 23163 116 22977 0.48
22249]
– Cinco casos clásicos de gran tamaño: 198, 442, 532, 783 y 1577
– Lista de candidatos para reducir el tiempo de ejecución (cl=15)
– 15 ejecuciones del SCH en una SUN Sparc-Server a 50 MHz
Caso SCH SCH Otros Otros

TSP (media) (mejor) (media) (mejor)
d198 15781.7 15780 15780 15780
lin318 42029 42029 42029 42029
att532 27718.2 27693 27693.7 27686
rat783 8837.9 8818 8807.3 8806
Fuente: Bonabeau, Dorigo, Theraulaz, Swarm Intelligence, Oxford, 1999
– Nuevos valores de parámetros: q 0 = 0.9 y cl=20

– Algoritmo de búsqueda local: 3-opt (búsqueda local del mejor)
– Otros = mejores resultados obtenidos en el Primer Concurso
Internacional de Optimización Evolutiva (ICEO)
– Resultados medios de 10 ejecuciones
DPTO. CCIA - UGR 29

Aplicación de la OCH al QAP

n El Problema de Asignación Cuadrática (QAP) está
considerado como uno de los problemas de optimización
combinatoria más complejos
n Consiste en encontrar la asignación óptima de n unidades a

n localizaciones, conociendo el flujo que circula entre las
primeras y la distancia existente entre las segundas
n Sean D=[drs] y F=[fij] dos matrices de dimensión n×n que

almacenan la distancia existente entre las localizaciones y
el flujo que circula entre las unidades, respectivamente
Aplicación de la OCH al QAP (2)

n El problema consiste en minimizar la siguiente función:
n n
min
S∈Π ( n)
∑∑ d rs · f S (r ) S ( s)
r =1 s =1
donde:
– S es una permutación del conjunto {1, ..., n} que representa una
asignación (solución) factible
– S(r) es la unidad asignada a la localización r en la solución actual
– Π(n) es el conjunto de todas las permutaciones
n El costo de asignar simultáneamente la unidad S(r) a la

localización r y la S(s) a la s es drs·fS(r)S(s)
DPTO. CCIA - UGR 30


n La adaptación del problema para su resolución en OCH no es
tan sencilla como en el TSP
n El problema se representa como un grafo de 2·n nodos (n

localizaciones y n unidades), en el que cada nodo localización
está totalmente conectado a los n nodos unidad
n Las hormigas recorren este grafo asociando una localización

distinta a cada unidad para construir una solución. Como
veremos, este recorrido no es tan directo como en el TSP
n De nuevo, los niveles de feromona se almacenan en una matriz

cuadrada de dimensión n×n

n En cambio, ahora tenemos dos valores heurísticos : distancia
entre localizaciones y flujo circulante entre unidades
n La información heurística asociada a cada arco ari ha de ser

función de ambos valores, para lo cual se construyen los
vectores d y f (potenciales de distancia y flujo):
n n
d r = ∑ drs {r = 1, ..., n} ; f i = ∑ fij {i = 1, ..., n}
s =1 j =1
n Estos valores representan, respectivamente, la suma de las

distancias entre una localización concreta y las restantes; y el
flujo total que circula a través de una unidad
DPTO. CCIA - UGR 31

n Cuanto menor sea dr, más céntrica es la localización en la

red. Cuanto mayor sea fi, más importante es la actividad en
el intercambio de flujos
n La preferencia heurística asociada a cada arco ari, que

representa la asignación de la unidad i a la localización r,
se define como ? = (? ri ) = d ⋅ f T :
? ri = d r ⋅ f i ; r = 1, ..., n ; i = 1, ..., n

n La información memorística asociada a cada arco ari se
almacena de nuevo en una matriz de dimensión n×n
1 2 ... n MATRIZ DE FEROMONA

1
2 τ ri = nivel de feromona del arco ari
τ= ... τ ri
n Inicialmente, τ ri = τ0, ∀ r, i
n Jk (r) es el conjunto de unidades NO asignadas aún en la

solución que la homiga k está construyendo
DPTO. CCIA - UGR 32


n El recorrido del grafo no se efectúa como en el TSP, en el
que las hormigas construían circuitos hamiltonianos
n En este caso, el recorrido está restringido para que los

caminos obtenidos representen soluciones factibles
l1 l2 l3 l4 l5
u1 u2 u3 u4 u5

n Se ha de escoger un orden de selección de localizaciones para las
hormigas, que repiten dos pasos hasta construir una solución:
1. Escoger una localización que no esté asignada aún
2. Asignarle una unidad libre de acuerdo a la regla de transición
n Para escoger el orden de selección existen dos opciones:

– Escoger aleatoriamente la siguiente localización libre (o
probabilísticamente en función de los valores heurísticos y
memorísticos de cada una de ellas) para cada hormiga
– Escogerlas determinísticamente de menor a mayor distancia
potencial (es decir, asignar primero las más céntricas)
En este caso, todas las hormigas siguen el mismo orden
DPTO. CCIA - UGR 33


n Es posible emplear los mismos algoritmos de búsqueda
local, que en el TSP: 2-opt, 3-opt, ES, BT, EE, ...
n Para acelerar la ejecución, se puede calcular la diferencia

de costos δ entre la solución actual S y un vecino S’ a
partir del costo de la primera y del cambio efectuado
n Sean r y s las localizaciones intercambiadas, los sumandos

que las afectan en el cálculo del costo de S son
∑ (d rk · fS (r )S (k ) + d sk · fS ( s) S (k ) + d kr · f S ( k )S (r ) + d ks · f S (k )S ( s) )
k ≠r , s

n Los nuevos sumandos en S’ son
∑ (d rk · fS ( s) S (k ) + d sk · fS (r ) S (k ) + d kr · f S ( k )S (s ) + d ks · f S ( k )S (r ) )
k ≠r , s
n Luego la diferencia de costos δ = |costo(S)-costo (S’)| sería
 d rk ·( f S (s ) S (k ) − f S (r ) S ( k ) ) + d sk ·( f S ( r )S (k ) − f S ( s )S (k ) ) + 
∑  
 d kr ·( f S (k )S ( s ) − f S ( k )S (r ) ) + d ks ·( f S (k ) S (r ) − f S (k ) S (s ) ) 
k ≠r , s 
DPTO. CCIA - UGR 34

n Ejemplo de valores de parámetros para el SH en el QAP :
– Número de hormigas: m = n
– Nivel inicial de feromona: τ0 = 10-6
– Regla de transición de estados: α = 1, β = 1
– Regla de actualización global de feromona : ρ = 0.9,

f(C(S k)) = 10/C(S k)

Nug12 Nug15 Nug20 Nug30 Els19 Kra30
ES 578 1150 2570 6128 17937024 89800
BT 578 1150 2570 6124 17212548 90090
AG 588 1160 2688 6784 17640584 108830
EE 598 1168 2654 6308 19600212 97880
MC 578 1150 2570 6154 17212548 88900
SH 578 1150 2598 6232 18122850 92490
SH-BL 578 1150 2570 6146 17212548 89300
SH-ES 578 1150 2570 6128 17212548 88900
Fuente: Bonabeau, Dorigo, Theraulaz, Swarm Intelligence, Oxford, 1999
– Cada algoritmo se ejecuta una vez durante una hora en un 386 a 16 MHz
– EE = Estrategia de Evolución, MC = Muestreo y Agrupamiento, SH-BL =
SH con búsqueda local
DPTO. CCIA - UGR 35

Aplicación de la OCH al Enrutamiento de Paquetes

en Redes de Telecomunicaciones: AntNet
G. Di Caro, M. Dorigo, AntNet: Distributed Stimergic Control for Communication

Networks. Journal of Artificial Intelligence Research, Vol. 9, 1998, 317-365
n El enrutamiento es la tarea consistente en determinar el

camino que seguirán los paquetes en una red de
telecomunicaciones cuando llegan a un nodo para alcanzar
su nodo destino de la forma más rápida posible
n AntNet es un algoritmo de hormigas adaptativo y

distribuido para enrutamiento de paquetes en redes

en Redes de Telecomunicaciones: AntNet (2)
n Las redes se modelan mediante un grafo dirigido con N

nodos de procesamiento/destino
n Los arcos del grafo están caracterizados por el ancho de

banda (bits/segundo) y el retardo de transmisión
(segundos) del enlace físico
n Se consideran dos tipos de paquetes: enrutamiento y datos.

Los de enrutamiento tienen una mayor prioridad
DPTO. CCIA - UGR 36


n Una de las redes consideradas, la NNTnet de Japón:

n Las hormigas (paquetes de enrutamiento) se lanzan asíncronamente a

la red hacia nodos destino aleatorios
n Cada hormiga busca un camino de coste mínimo entre su nodo de

partida y su nodo destino
n Se mueve paso a paso por la red (grafo). En cada nodo intermedio,

lanza la regla de transición para decidir a qué nodo se dirige
n Para ello, considera la feromona (almacenado en los nodos y función

del tiempo consumido en el envío de los paquetes) y la preferencia
heurística (dependiente del estado actual) de los enlaces de la red
DPTO. CCIA - UGR 37


n El estado de la red varía con el tiempo (caída de enlaces, congestión,

...). El algoritmo manejado adecuadamente este hecho gracias a su
naturaleza distribuida y su capacidad de adaptación
n Cuando la hormiga llega al nodo destino, vuelve sobre sus pasos y

actualiza las tablas de enrutamiento de los nodos de acuerdo al tiempo
que tardó en hacer el camino (refuerzo positivo o negativo)
n En un estudio experimental en el que se comparó su funcionamiento

contra el de seis algoritmos de enrutamiento diferentes, AntNet
proporcionó el mejor comportamiento
Otras aplicaciones
n Los algoritmos de OCH se han aplicado a otros muchos
problemas:
– Secuenciación de Tareas
– Coloreo de Grafos
– Encaminamiento de Vehículos
– Ordenación Secuencial
– “Pooling” de vehículos
– Líneas de producción de coches
– Problemas de Agrupamiento (Clustering)
– Aprendizaje de Reglas Clásicas y Difusas
– etc.
DPTO. CCIA - UGR 38

IV. COMENTARIOS FINALES

n La OCH es una metaheurística bioins-
pirada que permite diseñar algoritmos:
– Sencillos de entender
– Rápidos
– Con buen rendimiento
para problemas de optimización que se

puedan representar en forma de grafo
con pesos.
V. Bibliografía
BIBLIOGRAFÍA BÁSICA
n E. BONABEAU, M. DORIGO, G. THERAULAZ, Swarm

Intelligence. From Natural to Artificial Systems , Oxford University
Press, 1999.
n M. DORIGO, T. STÜTZLE, Ant Colony Optimization, The MIT Press,

en prensa.
n M. DORIGO, G. DI CARO, Ant Algorithms for Discrete Optimization,

Artificial Life 5:2, 1999, pp. 137-172.
DPTO. CCIA - UGR 39

V. Bibliografía (2)
BIBLIOGRAFÍA BÁSICA
n M. DORIGO, T. STÜTZLE, The Ant Colony Optimization Metaheuristic:

Algorithms, Applications and Advances, En: F. Glover, T. Kochenberger
(Eds.), Handbook of Metaheuristics , pp. 251-285, 2003, Kluwer.
n O. CORDÓN, F. HERRERA, T. STÜTZLE, A Review on the Ant

Colony Optimization Metaheuristic: Basis, Models and New Trends,
Mathware & Soft Computing 9:2-3, 2002, pp. 141-175.
http://iridia.ulb.ac.be/~mdorigo/ACO/ACO.html
V. Bibliografía (3)
BIBLIOGRAFÍA DE APOYO
n M. DORIGO, V. MANIEZZO, A. COLORNI, The Ant System:

Optimization by a Colony of Cooperating Agents, IEEE Transactions
on Systems , Man, and Cybernetics 26:1, 1996, pp. 29-41.
n M. DORIGO, L.M. GAMBARDELLA, Ant Colony System: A Coope-

rative Learning Approach to the Traveling Salesman Problem, IEEE
Transactions on Evolutionary Computation 1:1, 1997, pp. 53-66.
n F. GLOVER, G. KOCHENBERGER (Eds.), Handbook of

Metaheuristics, Kluwer, 2003.
DPTO. CCIA - UGR 40

BIOINFORMÁTICA
2003 - 2004
– Tema 1. Computación Basada en Modelos Naturales

– Tema 2. Algoritmos Basados en Colonias de Hormigas
– Tema 3. Algoritmos Genéticos I. Conceptos Básicos
– Tema 4. Algoritmos Genéticos II. Diversidad y Convergencia
– Tema 5. Algoritmos Genéticos III. Problemas Multimodales
– Tema 6. Estrategias de Evolución y Programación Evolutiva
– Tema 7. Modelos Evolutivos de Aprendizaje
– Tema 8. Programación Genética
– Tema 9. Algoritmos Genéticos IV. Problemas Multiobjetivo
– Tema 10. Algoritmos Genéticos V. Otros Modelos
– Tema 11. Nuevos Modelos de Evolución de Poblaciones
– Tema 12. Otros Modelos de Computación Bioinspirados
DPTO. CCIA - UGR 41

Hormigasalgoritmos

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Hormigasalgoritmos

Caricato da

Copyright:

Formati disponibili

BIOINFORMÁTICA - TEMA 2

– Tema 1. Computación Basada en Modelos Naturales

Dpto. Ciencias de la Computación e Inteligencia Artificial 1

DPTO. CCIA - UGR 1

I. Las Colonias de Hormigas Naturales

“Antz (Hormiga Z)”

Dpto. Ciencias de la Computación e Inteligencia Artificial 4

DPTO. CCIA - UGR 2

n Sobre todo por que... ¡¡LAS HORMIGAS SON CIEGAS!!

Dpto. Ciencias de la Computación e Inteligencia Artificial 5

n Este rastro permite a las hormigas volver a su hormiguero

“Bichos. Una aventura en miniatura”

¡He perdido el rastro,

DPTO. CCIA - UGR 3

n Las hormigas eligen con mayor probabilidad los caminos

Dpto. Ciencias de la Computación e Inteligencia Artificial 7

n Las menos prometedoras pierden feromona por evaporación al

n La acción continuada de la colonia da lugar a un rastro de

DPTO. CCIA - UGR 4

Dpto. Ciencias de la Computación e Inteligencia Artificial 9

Dpto. Ciencias de la Computación e Inteligencia Artificial 10

DPTO. CCIA - UGR 5

Dpto. Ciencias de la Computación e Inteligencia Artificial 11

Dpto. Ciencias de la Computación e Inteligencia Artificial 12

DPTO. CCIA - UGR 6

Dpto. Ciencias de la Computación e Inteligencia Artificial 13

Dpto. Ciencias de la Computación e Inteligencia Artificial 14

DPTO. CCIA - UGR 7

Dpto. Ciencias de la Computación e Inteligencia Artificial 15

Dpto. Ciencias de la Computación e Inteligencia Artificial 16

DPTO. CCIA - UGR 8

II. Algoritmos de Optimización

n Estructura básica de un algoritmo de OCH

n El Sistema de Colonia de Hormigas

n Otros algoritmos de OCH

n Funciones adicionales de los algoritmos de OCH

n Cada arco ars del grafo contiene dos tipos de información:

– Información memorística: medida de la “deseabilidad” del

Dpto. Ciencias de la Computación e Inteligencia Artificial 18

DPTO. CCIA - UGR 9

n En cada iteración, cada hormiga artificial recorre el grafo

n Se incorpora un mecanismo de evaporación de feromona más

La hormiga artificial es un agente que:

n Tras cada iteración, esta lista contiene la solución

n En cada paso, elige hacia qué nodo s moverse (qué arista

DPTO. CCIA - UGR 10

La hormiga artificial (2)

n Opcionalmente, puede también depositar feromona en cada arco

El único mecanismo de comunicación entre las hormigas

El constructor Planificación_de_actividades establece la

Dpto. Ciencias de la Computación e Inteligencia Artificial 22

DPTO. CCIA - UGR 11

El demonio es un elemento opcional que realiza una serie de

Dpto. Ciencias de la Computación e Inteligencia Artificial 23

1. Repetir en Paralelo Para k=1 hasta Número_de_Hormigas hacer

Dpto. Ciencias de la Computación e Inteligencia Artificial 24

DPTO. CCIA - UGR 12

1. inicializar_hormiga (id_hormiga). L ← nodo inicial r

/* Fase en la que cada hormiga construye su solución */

Dpto. Ciencias de la Computación e Inteligencia Artificial 25

– Ejecutar un algoritmo de búsqueda local para optimizar las solu-

Dpto. Ciencias de la Computación e Inteligencia Artificial 26

DPTO. CCIA - UGR 13

n El SH se caracteriza porque las hormigas sólo modifican la