Найти

Результаты поиска

• МУРАВЬИНЫЙ АЛГОРИТМ НА PYTHON

  Д.Ю. Зорькин , Л.В. Самофалова , Н.В. Асанова

  2025-01-30

  Аннотация ▼

  Данное исследование посвящено анализу и оптимизации муравьиного алгоритма для решения за-
  дачи коммивояжёра, являющейся классической NP-трудной проблемой комбинаторной оптимизации.
  Основная цель работы – экспериментальная оценка влияния параметров алгоритма на качество и эф-
  фективность поиска приближённых решений, а также разработка рекомендаций по их адаптивной
  настройке. В качестве тестового набора данных использован стандартный граф Berlin52 из библио-
  теки TSPLIB, содержащий координаты 52 городов с известным оптимальным маршрутом длиной
  7542 единицы. Эксперименты проводились в среде Python с использованием библиотеки ACO-Pants,
  реализующей муравьиный алгоритм. Была выполнена серия из 10 запусков с фиксированными парамет-
  рами: количество муравьёв (20), число итераций (100), коэффициенты влияния феромонов (α=1.0) и
  расстояний (β=2.0), а также скорость испарения феромонов (ρ=0.5). Результаты показали среднее
  отклонение от оптимума в 1.85%, с лучшим найденным решением 7675.23 (отклонение 1.67%). Для
  повышения эффективности алгоритма исследованы адаптивные механизмы динамической настройки
  параметров: линейное увеличение α (до 2.0) и уменьшение β (до 3.0), снижение ρ (до 0.3), а также рост
  числа муравьёв (до 30). Это позволило сократить среднее отклонение до 1.70% и повысить стабиль-
  ность решений. Особое внимание уделено анализу баланса между исследованием новых маршрутов и
  эксплуатацией накопленных данных. Установлено, что увеличение количества муравьёв улучшает ка-
  чество решений, однако после 30 агентов прирост эффективности снижается. Динамическая коррек-
  тировка параметров предотвращает преждевременную сходимость к локальным минимумам и уско-
  ряет поиск глобально оптимальных путей. Визуализация динамики сходимости подтвердила быстрое
  уменьшение длины маршрута на первых 20 итерациях с последующей стабилизацией. Практическая
  значимость работы заключается в демонстрации гибкости муравьиного алгоритма для задач мар-
  шрутизации в логистике и сетевом планировании. Результаты показывают, что ACO превосходит
  универсальные методы (например, генетические алгоритмы) по вычислительной эффективности для
  TSP. Разработанные рекомендации по настройке параметров могут быть применены для масштаби-
  рования алгоритма на графы большей размерности. Исследование подчёркивает важность адаптив-
  ных подходов в метаэвристической оптимизации и открывает перспективы для дальнейшего улучше-
  ния алгоритма за счёт гибридизации с другими методами.

• ГИБРИДНЫЙ МЕТОД РЕШЕНИЯ МНОГОАГЕНТНОЙ ЗАДАЧИ КОММИВОЯЖЁРА

  В.А. Костюков , Ф.А. Хуссейн

  2025-04-27

  Аннотация ▼

  Рассматривается проблема распределения задач в многоагентной системе, где каждый
  агент представляет собой робота, а каждая задача представляется позицией, которая должна
  быть посещена одним агентом. Эта задача очень похожа на многоагентную задачу коммивояжё-
  ра, которая в отличие от знаменитой задачи коммивояжера, задействует несколько коммивоя-
  жёров, которые посещают заданное количество городов ровно один раз и возвращаются в исход-
  ное положение с минимальными затратами на поездку. Поэтому проводится анализ многоагент-
  ной задачи коммивояжёра как представителя задачи целераспределения. Многоагентная задача
  коммивояжера является важной для области оптимизации маршрутов и распределения задач
  между несколькими агентами. Она включает в себе две различные, однако, взаимосвязанные под задачи: распределение городов между агентами и определение порядка посещения городов каж-
  дым агентом. В литературе существуют три концепции решения этой проблемы относительно
  решения ее двух составляющих подзадач: оптимизационная концепция, где обе подзадачи реша-
  ются одновременно; концепция Cluster-First, Route-Second – где сначала решается вопрос о назна-
  чении задач каждому коммивояжеру, а потом - вопрос о порядке посещений пунктов назначений
  для каждого коммивояжёра; концепция Route-First, Cluster-Second – где сначала решается вопрос
  о порядке посещения пунктов назначения, а затем происходит разделение этого цикла между
  агентами без изменения порядка посещений. В этой работы предлагается гибридный подход к
  решению многоагентной задачи коммивояжера, который объединяет идеи двух известных кон-
  цепций: Cluster-First, Route- econd и Route-First, Cluster- econd чтобы получить их позитивные
  аспекты и избавиться от их негативных сторон. Для оценки эффективности разработанного
  метода было проведено сравнительное исследование. Оценка результатов осуществлялась на
  основе трех ключевых критериев: вычислительного времени получения решения многоагентной
  задачи коммивояжера, суммарной длины пройденных маршрутов коммивояжерами и максималь-
  ной длины маршрута среди них. Анализ экспериментальных данных показал, что при использова-
  нии предложенного метода максимальная длина пути среди пройдённых агентами маршрутов
  (дисбаланс нагрузки) уменьшается в среднем на 26%.

• РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА РЕШЕНИЯ ЗАДАЧИ ЦЕЛЕРАСПРЕДЕЛЕНИЯ В МНОГОАГЕНТНОЙ СИСТЕМЕ

  В.А. Костюков , Ф.А. Хуссейн

  144-155

  2025-10-01

  Аннотация ▼

  Рассматривается задача целераспределения в рамках многоагентной системы, где каждый агент представляется автономным роботом, а каждая задача соответствует позиции в двухмерной среде, которую должен посетить один из агентов. Эта задача по своей сути схожа с многоагентной версией классической задачи коммивояжёра, где вместо одного участника задействуется несколько агентов. Каждый из них должен пройти уникальный маршрут, охватывающий определённое множество городов. В связи с этим проводится исследование многоагентной задачи коммивояжёра как одного из форматов постановки задачи целерапределения. Эта задача имеет большое значение в области маршрутизации и оптимального распределения задач. Её решение включает две тесно связанные подзадачи: определение набора точек, закрепляемых за каждым агентом, и построение оптимального маршрута их посещения. В научной литературе представлены три основных подхода к решению этой задачи: подход одновременной оптимизации, при котором обе подзадачи решаются совместно; подход Cluster-First, Route-Second, где сначала распределяются города между агентами, а затем определяется порядок посещения городов каждого агента; подход Route-First, Cluster-Second, предполагающий изначальную оптимизацию порядка посещения всех городов с последующим его делением между агентами без изменения порядка посещения. В данной работе предлагается гибридный метод, сочетающий элементы подходов Cluster-First, Route-Second и Route-First, Cluster-Second. Цель – объединить сильные стороны обеих подходов и избавится от их недостатков. Для проверки эффективности разработанного метода проведено сравнительное исследование с методами, реализующие подходов Cluster-First, Route-Second и Route-First, Cluster-Second. Оценка проводилась по трём основным метрикам: время, затраченное на построение решения, суммарная длина всех маршрутов, а также максимальная длина маршрута среди всех агентов. Результаты экспериментов показали, что применение предложенного метода позволяет сократить максимальную длину маршрута (тем самым снизив дисбаланс нагрузки между агентами) в среднем на 26%.