Advanced Algorithms

Groep: EII7AAb

Studenten: Clermond de Hullu , Wiebren Wolthuis ,Simon Wels en Maik Gosenshuis

2

Inhoudopgave

Inleiding Iteratie 1

Sprint 1 Sprint 2

Mieren kolonie algoritme Genetisch algoritme Demo Vragen

3

Inleiding

AAB Manhattan probleem Teamleden

4

Sprint 1

Opgeleverde story’s Invoer platte grond GUI Zoeken optimale route

5

Burndown chart eerste sprint

6

Exacte oplossing

Uitleg exacte oplossing Resultaten exacte

oplossing

7

Sprint 2 Onderzoek

benaderingsalgoritmen Mierenkolonie

Ontwerp mierenkoloniestrategie Datastructuur opzetten Methoden en heuristiek keuze pad

Genetisch Algoritme (GA) Structuur Werking Mutation Crossover Parameters

8

Burndown chart tweede sprint

9

Mierenkolonie werking

Mieren Bijhouden feromonen op de zijden Local update Global update Kiezen het correcte pad Instellingen

10

Genetisch AlgoritmeVoordeel GAs kunnen snel goede oplossingen leveren,

zelfs voor moeilijke oplossingsruimten. Nadeel GAs vinden niet gegarandeerd de optimale

oplossing: ze hebben de neiging te convergeren naar een gevonden oplossing in plaats van de beste oplossing van het op te lossen probleem.

11

Structuur Genetisch Algoritme (GA)

Genetisch Algoritme Dataset Genetic Dataset Vertex Tour

Mutate Crossover

Population Selection

Globaal Klassendiagram

12

Werking Genereren random populatie (Initialisatie)

Rekening houden met afstand vertices Beste tour in de GUI tonen

Random groep genereren Dubbele crossover met de twee beste tours Soms het resultaat muteren

Vervang slechtste tours uit de populatie Populatie alleen aanpassen als de tour niet al

bestaat Eventuele nieuwe beste tour weergeven in de GUI

13

Mutatie

Zorgen dat de populatie niet naar één oplossing convergeert

Random getal kiezen voor aantal mutaties op de tour Gekozen aantal punten wisselen ( Swap ) Controleren of de tour uniek is

14

Single point crossover

Crossover point kiezen Vertices voor het crossoverpoint kopieren van

parent A Overgebleven vertices van parent B kopieren

15

Parameters

Parameter Waarde

NumberOfCloseVertices 5

ChanceToUseCloseVertex

75

PopulationSize 10 000

GroupSize 10

MutationChance 1

16

GUI TSPAlgorithm

Implements runnable Abstract

toString stop run

Geimplementeerd addNewSolutionEventListene

r removeNewSolutionEventList

ener fireNewSolutionFoundEvent

17

Ideeën sprint 3

Genetisch algoritme Focus op een bepaald gebied Optimaliseren

Mierenkolonie algoritme Implementeren

Parameters onderzoeken Oplossingen vergelijken

18

Demo

19

Vragen ?