Sie sind auf Seite 1von 9

Ameisenalgorithmus zur Lsung komplexer

Optimierungsprobleme
Paul Theodor Pyl
Konrad Ludwig Moritz Rudolph
Optimierungsprobleme
Optimierungsprobleme sind klassische Probleme in der Informatik, obwohl man jahrelang als
Programmierer arbeiten kann, ohne jemals von ihnen gehrt zu haben. Sobald man sie aber
einmal studiert hat, begegnen sie einem pltzlich berall. Hinter vielen Alltagsproblemen
verbirgt sich eine Optimierung. Tatschlich zhlt die Optimierung neben der Statistik zu den
praxisnchsten Problemen der theoretischen Mathematik. Das uert sich darin, dass man
als Mathematiker mit Optimierung eine eintrgliche Verdienstmglichkeit hat. Entsprechende
Projekte fhren gerade in letzter Zeit oft zu Firmengrndungen und groen staatlichen
Frderungen. Es gibt also Grund genug, um sich mit der Materie auseinanderzusetzen.
Ein Beispiel aus dem Alltag ist das ffentliche Verkehrsnetz. Niemand wartet beim Umsteigen
gerne auf die nchste Bahn oder den nchsten Bus. Es liegt also im Interesse der Unterneh-
men, die Umsteigezeiten ihrer Kunden so kurz wie mglich zu halten. Dieser Sachverhalt lsst
sich elegant als Optimierungsproblem ausdrcken und mit mathematischen Methoden lsen.
Ganz einfach ist das allerdings nicht. Die ffentlichen Verkehrsbetriebe haben vor kurzem
groe Summen investiert, um ihr Netz vom DFG-Forschungszentrum Matheon (auch bekannt
fr seinen mathematischen Adventskalender) optimieren zu lassen. Dabei mussten zigtau-
sende verschiedener Parameter unter einen Hut gebracht werden. Und genau das zeichnet
Optimierungsprobleme im Alltag aus: eine sehr groe Anzahl von Parametern und Beschrn-
kungen, die es einzuhalten gilt. Am Beispiel der Verkehrsbetriebe mssen fr jedes Verkehrs-
mittel und jede Umsteigemglichkeit Annahmen formuliert werden, und zwar mittels mathe-
matischer Formeln, denn der Optimierungsalgorithmus wei nicht, was eine U-Bahn ist, und
kennt keine Wartezeit. Was fr den Algorithmus bentigt wird, ist eine Aussage der Art
min

iV

j H
x
ij

kH
x
ik
wobei H z. B. fr die Haltestellen stehen knnte und V fr die mglichen Verkehrsmittel. In
Wahrheit sind die Formulierungen allerdings meist komplexer.
Wie dem auch sei: All dies ist nur eine Art, Probleme zu formulieren. Man minimiert oder
maximiert einen mathematischen Ausdruck unter Beachtung bestimmter Bedingungen. Zur
Lsung der Aufgabenstellung braucht man komplexe Verfahren. Das Problem mit diesen Ver-
fahren ist ihre exponentiell ansteigende Rechenzeit. Das heit, dass das Programm z. B. dop-
pelt solange braucht, sobald man auch nur eine einzige Variable hinzufgt. Wenn man also mit
50 Variablen arbeitet, dann bentigt das Programm 2
50
-mal solange wie es fr eine Variable
brauchen wrde. Bruchte man fr eine Variable eine Millisekunde, dann wren das fr 50
Variablen ber 36.600 Jahre!
Durch kluge Optimierungen lsst sich diese Rechnung beschleunigen, allerdings nur um
konstante Faktoren. Und selbst wenn man den benutzten Algorithmus um das Hundertfache
beschleunigte, rechnete man immer noch 360 Jahre an dem Problem. Ein ganz anderer Ansatz
zur Optimierung besteht darin, bei der Berechnung der Lsung einige der vorher formulierten
Beschrnkungen aufzuheben. Dadurch wird die Lsung des Problems sehr einfach mit einem
Nachteil: sie ist falsch, da sie nicht alle Einschrnkungen beachtet. Man kann diese Lsung
jedoch als Ansatz verwenden, um eine weitere Lsung zu errechnen, welche die eben noch
gelockerten Beschrnkungen einhlt. Dieser Ansatz nennt sich Schnittebenenverfahren und ist
fr einige Anwendungen sehr effizient.
Ein weiterer Ansatz namens Lagrange-Multiplikatorenregel (Englisch: Lagrangian relaxa-
tion) arbeitet ebenfalls damit, schwere Beschrnkungen zu lockern. In diesem Fall fhrt
man weitere Faktoren in seine Optimierung ein, welche dazu dienen, eine Verletzung der
gelockerten Beschrnkungen zu bestrafen: Eine Lsung, die diese Beschrnkungen verletzt,
wird zwar akzeptiert, jedoch heruntergestuft. Auf diese Weise erhlt man zwar keine gltige
Lsung aber eine untere Schranke fr sein Minimierungsproblem (d. h. man wei, wie
schlecht die Lsung im ungnstigsten Fall aussieht, und geht davon aus, dass dieser Wert
bereits nahe bei der echten Lsung liegt).
Heuristiken und Metaheuristiken
Zurck zu den Optimierungsproblemen. Statt eine exakte Lsung zu suchen, verwendet man
wegen der schlechten Laufzeit hufig Heuristiken. Heuristiken finden keine optimalen Lsun-
gen, aber man hofft, in vertretbarer Zeit eine Lsung zu finden, die gut genug ist (d. h. mg-
lichst nahe an die optimale Lsung herankommt). Leider wei man bei der Verwendung von
Heuristiken im allgemeinen nicht, wie gut die Lsung denn nun ist und wieviel besser es
theoretisch ginge. Doch immerhin haben sie einen Vorteil: Sie sind viel, viel schneller als ein
exaktes Verfahren.
Heuristiken verfolgen dabei sehr verschiedene Anstze. Aber letztendlich luft es immer auf
dasselbe heraus: Wir fangen mit einer mehr oder weniger erratenen Lsung an und versu-
chen, diese zu verbessern. Die anfngliche Lsung ist meistens miserabel (oft bietet es sich an,
mit der schlechtesten mglichen Lsung anzufangen, weil diese einfach zu finden ist). Dann
versucht man, diese Lsung mit intelligentem Raten zu verbessern das heit, man benutzt
Informationen, die man bisher gesammelt hat, geht dabei allerdings nicht deterministisch vor
sondern zufllig. Auf diese Weise hofft man, sich der Lsung anzunhern. Das ganze ist
durchaus vergleichbar mit der menschlichen Entscheidungsfindung: auch wir rechnen
schlielich nicht alle mglichen Wege durch, wenn wir die krzeste Strecke von Kiel nach
Mnchen suchen, sondern wir fahren mit dem Finger ber die Landkarte und denken uns
wird schon passen.
Heuristiken haben allerdings eine sehr groe Schwche: Da sie, wie bereits erwhnt, nicht
beurteilen knnen, wie gut die optimale Lsung ist, haben sie auch keine Ahnung, wie gut ihr
momentaner Rateversuch ist. Es knnte sein, dass der aktuelle Rateversuch bereits sehr nahe
an der optimalen Lsung dran ist (oder sogar bereits optimal ist). Es knnte aber auch sein,
dass die aktuelle Lsung inakzeptabel schlecht ist. Die Beurteilung der Gte einer Lsung ist
allerdings wichtig, denn sonst wei der Algorithmus nicht, wann er anhalten soll.
Um dieses Problem zu umgehen, besitzen alle Heuristiken einen Mechanismus, der sich die
nahe Umgebung der aktuellen Lsung anschaut. Die Umgebung einer Lsung ist eine Menge
von hnlichen Lsungen. Was hnlich in diesem Fall bedeutet, ist von Aufgabe zu Aufgabe
verschieden. Wenn man eine krzeste Autostrecke sucht, knnte hnlichkeit z. B. bedeuten,
dass man eine einzige Autobahn auf dem Weg durch eine andere austauscht. Doch auch dieses
Verfahren hat eine offensichtliche Beschrnkung: Nur, weil es in der aktuellen Umgebung kei-
ne bessere Lsung gibt, heit dies ja nicht, dass es anderswo nicht bessere gibt: Vielleicht ist
die aktuelle Route zwar besser als alle hnlichen Routen, aber man htte vielleicht nicht gleich
zu Beginn ber Riga fahren sollen sondern doch lieber in Richtung Hamburg.
Zuerst die schlechte Nachricht: Es gibt keine sichere Mglichkeit, solche Fehler zu verhindern.
Vielleicht ist das auch der Grund dafr, dass Microsofts Routenplaner uns so viele Lacher
beschert hat. Zwar ist fr den menschlichen Betrachter offensichtlich, dass der Umweg ber
Riga eine schlechte Idee war. Doch andere Fehler lassen sich nicht so leicht finden, auch nicht
fr einen Menschen.
Aus diesem Grund geht man noch einen Schritt weiter und erweitert die verwendete Heuristik
um eine Metaheuristik. Metaheuristiken enthalten Strategien, die verhindern sollen, dass sich
der Algorithmus verfrht mit einer schlechten Lsung zufriedengibt. An diesem Punkt bedarf
es einiger mathematischer Grundlagen.
Wie bereits oben gesehen, optimieren wir stets eine mathematische Funktion. Leider hat diese
Funktion extrem viele Parameter und befindet sich dementsprechend in einem hochdimensio-
nalen Raum. Fr die Veranschaulichung reicht allerdings eine zweidimensionale Funktion. Die
Menge der mglichen Lsungen (durch die Funktionsgerade dargestellt) wird hierbei als
Lsungsraum bezeichnet und als Kurve mit Tlern und Hgeln dargestellt. Die Lsung zu
finden, bedeutet ein globales Minimum (bzw. Maximum, wenn wir maximieren) der Funktion
zu finden.
Wenn die Funktion an allen Punkten differenzierbar wre (d. h. man die Ableitung bilden
kann), dann wre das auch oft trivial. Wir knnten die Ableitung bilden und mit null gleich-
setzen. Dann bekmen wir als Lsung direkt die Menge der Minima und Maxima und mssten
nur noch diese (hoffentlich recht kleine) Menge durchsuchen. Leider ist es aber nicht so
einfach, denn in der Regel ist die Optimierungsfunktion nicht differenzierbar, und zudem kann
die Menge der lokalen Minima und Maxima unendlich gro sein. Im obigen Beispiel startet der
Algorithmus oben rechts und arbeitet sich nach unten vor. Sobald er hingegen das lokale
Minimum erreicht hat, findet er keine Lsung in der Umgebung, die besser als die aktuelle ist.
Fr den menschlichen Betrachter (der von der Seite schaut) ist offensichtlich, dass der
Algorithmus nur ber den nchsten Hgel gehen msste, um eine bessere Lsung zu finden.
Aber der Algorithmus wei nichts davon und selbst wenn, es knnte ja noch ganz woanders
(50.000 Einheiten nach rechts zum Beispiel) eine andere Lsung geben. Nur: wie weit sucht
man? Wann hrt man auf? Immerhin geht die Funktion unendlich lang in alle Richtungen
weiter.
Metaheuristiken knnen dieses Problem auch nicht lsen. Aber Metaheuristiken verhindern
recht effektiv, dass man zu frh aufhrt zu suchen. Wie sie dies tun, ist je nach Art der
Metaheuristik sehr unterschiedlich. Gemeinsam haben sie nur, dass es sich stets um eine sehr
abstrakte algorithmische Beschreibung handelt, die auf beliebige Probleme angewendet
werden kann. In dieser Hinsicht hneln sie den Entwurfsmustern aus der Objektorientierung:
Auch hier hat man lediglich einen Bauplan vorliegen, den man jedes Mal in die Tat umsetzen
muss.
Abbildung 1: Optimierungsgradient in einem eindimensionalen Lsungsraum
Ameisenalgorithmus
Metaheuristiken lassen sich in verschiedene Klassen unterteilen. Beispielsweise gibt es die
Klasse der Algorithmen, die mit Populationen arbeiten. Auf die obige Grafik bezogen heit das,
dass man nicht nur an einem Ort anfngt, und dann auf einem Pfad das Gelnde erkundet,
sondern man sendet verschiedene Akteure aus, die dann grtenteils unabhngig voneinan-
der nach Lsungen suchen. Untereinander kommunizieren diese Akteure nur minimal, um
sich gegenseitig ber Fortschritte zu informieren. Im Fall des Ameisenalgorithmus (auf
Englisch ant colony optimization, kurz ACO) sind diese Akteure Ameisen. Der Algorithmus
ist bewusst der Natur nachempfunden, da man hier eine interessante Entdeckung gemacht
hat.
Ameisen schaffen es, ein ihnen unbekanntes Territorium sehr effizient fr die Futtersuche zu
erkunden, und das, obwohl Ameisen so gut wie blind sind und scheinbar ziellos durch die
Gegend irren. Der Schlssel zum Erfolg liegt in der Kommunikation mittels hormoneller Lock-
stoffe, Pheromone, die jede Ameise kon-
tinuierlich aussendet. Eine Ameise, die
auf ihrer Suche zufllig auf eine Futter-
quelle stt, wird den gekommenen Weg
zum Bau zurckgehen, um Nahrung zu-
rckzubringen. Dabei orientiert sie sich
an ihrer eigenen auf dem Hinweg geleg-
ten Pheromonspur. Je nher die Ameise
dem Bau kommt, desto strker wird die
Ansammlung von Pheromon, die Ameise
findet also leicht zurck. Besser noch:
Andere Ameisen, die das Gelnde eben-
falls zufllig abgrasen, werden mit eini-
ger Wahrscheinlichkeit auf die frisch ge-
legte Pheromonspur der Ameise eins sto-
en und ihr folgen (nicht umsonst
spricht man von Lockstoff). Dadurch
finden auch andere Ameisen die Futter-
quelle und tragen ihren Teil der Beute
zum Ameisenhgel zurck. Je mehr
Ameisen dies tun, desto strker werden
die Routen zur Nahrung ausgeprgt, bis
schlielich immer mehr Ameisen der Route folgen und zwar nicht irgendeiner Route, son-
dern der krzesten, weil der hinterlassene Lockstoff nmlich nach einiger Zeit verfliegt und
daher nur auf den vielbenutzten Strecken zurckbleibt.
Das Ganze lsst sich mathematisch modellieren, indem man mehrere Akteure (Ameisen)
instanziert und sie das Problem lsen lsst. Dabei lsen sie Teilprobleme und bauen daraus
eine komplette Lsung zusammen. Die jeweiligen Teillsungen werden aus einer Menge
mglicher Teillsungen gezogen. Dabei wird zufllig vorgegangen, allerdings ist jede Teil-
lsung mit einem Pheromonniveau markiert. Je hher das jeweilige Niveau, desto hher die
Wahrscheinlichkeit, dass sich eine Ameise fr eine bestimmte Teillsung entscheidet:
Pc
r
| s
a
| c
l
)=

n
r
o
t
r

c
u
J s
a
| c
l
)
n
u
o
t
u

wenn c
r
J s
a
| c
l
),
0 sonst.
Abbildung 2: Wegsuche der Ameisen. 1: Die erste Ameise findet einen
Weg vom Nest (N) zum Futter (F) und hinterlsst eine Pheromonspur.
2: Andere Ameisen folgen der Spur und prgen mehrere Wege aus. 3:
Durch Verblassen ungnstiger Pheromonspuren nehmen nahezu alle
Ameisen den krzesten Weg.
Die Formel sieht auf den ersten Blick sehr kompliziert aus, das ist sie aber eigentlich gar nicht.
P bezeichnet eine Wahrscheinlichkeit. Der Term in Klammern dahinter bedeutet lediglich die
Wahrscheinlichkeit, dass sich eine Ameise (s
a
), die im Moment die Teillsung c
l
hat, sich im
nchsten Schritt fr die Teillsung c
r
entscheidet. Mit anderen Worten, wir berechnen die
(bedingte) Wahrscheinlichkeit dafr, dass sich die Ameise fr eine gewisse Teillsung
entscheidet, ausgehend von der aktuellen Teillsung. Am Beispiel der Futtersuche knnte eine
Teillsung einen Pfad-Abschnitt darstellen. J ist dabei die Menge der whlbaren Teillsungen.
Wenn sich eine Ameise also an einer Kreuzungsstelle befnde, dann enthielte diese Menge den
Weg nach vorne, nach links und nach rechts, nicht aber nach hinten, denn da kommt sie ja
gerade her. Wir berechnen jetzt fr jeden der mglichen Wege die Wahrscheinlichkeit, als
nchstes gewhlt zu werden.
Der Term dahinter besagt: fr jede Teillsung auerhalb der Menge der mglichen
Teillsungen ist die Wahrscheinlichkeit, ausgewhlt zu werden, gleich 0. Dadurch sind
unmgliche Lsungen nicht whlbar. Ansonsten entspricht die Wahrscheinlichkeit dem Bruch.
ber dem Bruchstrich werden zwei Faktoren miteinander multipliziert: Eta () und Tau ().
Der Index r deutet an, dass sich die beiden Werte auf die potentielle Teillsung beziehen. Bei
handelt es sich um den Pheromonwert der jeweiligen Teillsung. ist ein Parameter, der je
nach Problemstellung variiert, denn Metaheuristiken beschreiben, wie erwhnt, ein allgemei-
nes Verfahren, welches problemspezifisch implementiert werden muss, und das wird unter
anderem durch diesen Parameter erreicht. hnliches gilt fr die Parameter und , mit denen
und potenziert werden. Im Nahrungssuche-Beispiel knnte beispielsweise fr die Lnge
eines Teilpfads stehen. Da wir lange Pfade natrlich vermeiden wollen, msste in diesem
Fall negativ sein; dadurch wrde die Wahrscheinlichkeit fr einen Teilpfad kleiner werden, je
lnger dieser Teilpfad ist.
Kommen wir nun zum Teil unter dem Bruchstrich. Hier steht fast dasselbe wie oben, nur dass
wir diesmal nicht eine einzige Teillsung herausgreifen sondern die Summe ber alle Teil-
lsungs-Faktoren errechnen. Dadurch erhalten wir mit dem Bruch fr jede Teillsung die
relative Wahrscheinlichkeit, als nchstes gewhlt zu werden.
Damit hngt die Wahrscheinlichkeit, dass eine Teillsung ausgewhlt wird, also von einem
speziellen Gtekriterium und ihrem Pheromonniveau ab. Am Ende eines Durchgangs des
Algorithmus werden diese Niveaus nun aktualisiert: Zuerst einmal findet die Verdunstung
statt: jedes Pheromonniveau verringert sich um einen festen prozentualen Anteil. Dann
bekommen alle Ameisen, die eine gltige Lsung des Problems gefunden haben, die Mglich-
keit, Pheromon auf ihren Teillsungen zu hinterlassen. Der neue Pheromonwert fr jede
Komponente j berechnet sich also wie folgt:
t
j
=1)t
j
+

aA
At
j
s
a
Hierbei ist der konstante Verdunstungsfaktor zwischen 0 und 1. A ist die Menge aller
Ameisen, die erfolgreich eine Lsung erarbeitet haben, und das Delta-Tau (= die Pheromon-
Belohnung) berechnet sich wie folgt:
At
j
s
a
=

F s
a
) wenn c
j
eine Komponente von s
a
ist,
0 sonst.
Mit anderen Worten: jede Teillsung wird genau dann mit einem Pheromonanstieg honoriert,
wenn sie Teil der Lsung fr die aktuelle Ameise ist. Oder anders gesagt: nur die von der
Ameise besuchten Teillsungen bekommen Pheromon ab. Wieviel das ist, berechnet die
Funktion F, die wieder abhngig von der Problemstellung ist. In unserem Beispiel wre es
sinnvoll, kurze Strecken zu honorieren, d. h. fr Ameisen, die eine kurze Strecke genommen
haben, wre der Wert gro, fr andere wre er klein.
Nun knnen wir einen Pseudocode fr den Ameisenalgorithmus aufschreiben, und er ist
denkbar einfach:
1. Versuche, das Problem durch n Ameisen lsen zu lassen
2. Fhre die Pheromon-Aktualisierung durch
3. Wenn die Terminationsbedingungen noch nicht erfllt sind, gehe zu Schritt 1
Nur: Was sind die Terminationsbedingungen? Leider erben Metaheuristiken dieses Problem
von den Heuristiken: Es gibt keine in Stein gemeielte Methode, um festzustellen, wie gut
unsere Lsung ist. Welchen Vorteil haben Metaheuristiken dann? Nur diesen einen: Heuristi-
ken geben sich mit der ersten besten Lsung zufrieden (lokales Minumum). Metaheuristiken
hingegen bewegen sich sehr viel dynamischer durch den Lsungsraum und knnen dadurch
lokale Minima berwinden.
Letztendlich sind Metaheuristiken eine sehr fragile Angelegenheit, und ihre Ntzlichkeit hngt
stark von den gewhlten Parametern und Terminationsbedingungen ab. Zu allem berfluss
scheint es nicht einmal gute Methoden zu geben, um all diese Parameter allgemeingltig fest-
zulegen. Eine oft verwendete Abbruchbedingung ist, zu prfen, ob und wie sehr sich die beste
bisher gefundene Lsung verndert: Wenn z. B. in den letzten 20 Iterationen keine Verbesse-
rung erzielt worden ist, wird abgebrochen. Doch allgemein hilft hier nur viel Herumprobieren,
bis ein gut funktionierender Parametersatz gefunden wurde. Dies ist auch der Grund, aus dem
viele theoretische Informatiker eine gewisse Abneigung gegen Metaheuristiken hegen: die
theoretische Basis ist recht dnn und vieles ist der Willkr berlassen.
Doch in der Praxis funktionieren diese Methoden oft sehr gut und finden auch dort Lsungen,
wo der klassische Ansatz versagt.
Problem des Handlungsreisenden
Ein Paradebeispiel dafr ist das Problem des Handlungsreisenden (auf Englisch Travelling
Salesperson Problem, kurz TSP). Das Problem fasziniert die Mathematiker seit langem, da
es eine sehr einfache Beschreibung besitzt und sich trotzdem hartnckig allen Lsungsver-
suchen widersetzt. Das Problem gehrt zu den klassischen NP-vollstndigen Problemen, seine
Laufzeit ist exponentiell.
TSP beschreibt das Problem, eine krzeste
Tour durch verschiedene Stdte zu finden:
Ein Handlungsreisender mchte sein Pro-
dukt in jeder greren Stadt in Deutschland
vorstellen. Dafr mchte er jede Stadt
allerdings nur ein einziges Mal besuchen,
und am Ende mchte er wieder am Anfang
ankommen. Auerdem sucht er natrlich
den krzesten Weg. Das Problem hrt sich
erst einmal sehr vertraut an: Auch die
Ameisen auf der Futterjagd suchen einen
krzesten Weg, und dieses Problem ist
(auch mit klassischen Algorithmen) sehr
effizient und elegant lsbar, beispielsweise
mit dem Algorithmus von Dijkstra. Es wre
daher naheliegend, dass TSP sich genauso
einfach lsen lsst, aber berraschender-
weise ist dies nicht der Fall. Fr kleine Pro-
bleminstanzen (5 Stdte, oder hnliches) ist es noch einfach, eine Lsung zu finden. Doch mit
jeder weiteren Stadt, die hinzukommt, verdoppelt sich die Laufzeit des Algorithmus. Bereits
ab 20 Stdten ist das Problem auch auf modernen Computern unlsbar, da der PC jahrelang
rechnen msste.
Inzwischen hat man es zwar geschafft, mit geballter Rechenpower und ausgeklgelten
Verfahren (lineare Programmierung mit Branch-and-Cut, eine Abwandlung des kurz erwhn-
ten Schnittebenenverfahrens) auch groe Probleminstanzen (im Moment in den 30.000ern)
zu lsen. Doch fr den Alltag sind diese Anstze nur bedingt praktikabel, und man darf nicht
vergessen, dass es sich um individuelle Lsungen handelt: Nur, weil ein spezieller TSP mit
33.810 Knoten gelst wurde, heit das nicht, dass die Lsung fr ein hnliches Problem mit
genauso vielen oder weniger Knoten bekannt ist.
Warum steckt man solch einen enormen Aufwand in ein solches Problem? Nun, die Lsungen
sind sehr ntzlich. Beispielsweise haben Luftfahrtgesellschaften damit zu kmpfen, die Touren
fr ihre Flugzeuge zu optimieren, und ein vielleicht noch nherliegendes Beispiel sind Kurier-
dienste. Die Kosten fr groe Touren sind hier enorm und Kostenersparnisse durch optimale
Touren liegen in astronomischen Hhen. Aber es gibt auch eine ganze Reihe indirekter Nut-
zungen, die teilweise durch geringe nderungen der Problembeschreibung (oder einfach nur
durch kluges Um-die-Ecke-Denken) resultieren. So hing beispielsweise das humane Genom-
projekt (welches im Jahr 2000 die Sequenzierung der menschlichen DNS vollbrachte) stark
davon ab, dass man TSP einigermaen effizient lsen konnte. Fr Informatiker wohl noch
relevanter ist der Nutzen beim Design integrierter Schaltkreise.
Interessanterweise ist es relativ einfach, fast-ideale Lsungen fr TSP zu finden. So gibt es
zum Beispiel ein effizientes Verfahren, welches eine Lsung findet, die garantiert schlimm-
stenfalls doppelt so lang wie die optimale Tour ist (mittels eines minimal aufspannenden
Baumes). Eine solche Lsung nennt sich 2-Approximierung. Leider ist eine solche Lsung in
der Praxis meist viel zu schlecht.
Um den Kreis jetzt zu schlieen
Die obige Problembeschreibung von den Ameisen, die Futter suchen, lsst sich fast 1:1 auf TSP
bertragen und recht gut effizient lsen, obwohl dieses Problem doch eigentlich einige
relevante Unterschiede aufweist. Es muss lediglich getestet werden, ob die Ameise auch
tatschlich eine Tour ausgefhrt hat (d. h. jede Station wurde genau einmal besucht). Wir
drfen in der Euphorie jedoch eine Sache nicht vergessen: Der Ameisenalgorithmus gibt uns
zwar oft sehr gute Lsungen, allerdings sind diese fr schwere Probleminstanzen selten
optimal, und was noch schwerer wiegt: Wir haben keinen Hinweis darauf, wie gut die Tour ist.
Daher hinkt diese Methode in gewisser Hinsicht sogar der 2-Approximierung hinterher,
obwohl die Ergebnisse oft wesentlich besser sind und sich nur minimal von der optimalen
Lsung unterscheiden. Aber wir haben keinerlei Garantie, und dies ist in der Praxis oft
vollkommen inakzeptabel.
Zur Implementierung
blicherweise wrde man den Ameisenalgorithmus so implementieren, dass die Pheromon-
werte der Teillsungen und die Ameisen in einer Matrix gespeichert werden. Dadurch kann
man die Berechnungen sehr effizient implementieren. In unserer Implementierung haben wir
uns entschieden, das ganze dadurch anschaulicher zu machen, dass die einzelnen Kompo-
nenten durch Objekte reprsentiert werden, auch wenn dadurch Effizienz verschenkt wird.
Die Oberflche ist recht simpel: Ein Linksklick fgt eine Stadt hinzu, ein Rechtsklick entfernt
sie. Hinzugefgte Stdte werden automatisch durch alle mglichen Kanten miteinander
verbunden. Wenn man die Optimierung startet, dann werden diese Kanten proportional zu
ihrem Pheromonwert gefrbt: dunklere Kanten bedeuten hhere Pheromonwerte. Die grne
Tour stellt die derzeit krzeste Tour dar. Sobald der Algorithmus terminiert hat, wird diese
Tour rot dargestellt.
Im Debugfenster werden aktuelle Werte der Berechnung eingeblendet, deren Bedeutung sich
dem Quelltext entnehmen lsst. Wenn man an der rohen Geschwindigkeit des Algorithmus
interessiert ist, dann kann man die AddHandler-Anweisung in der MainForm auskommen-
tieren. Die daraus resultierende Beschleunigung ist nicht zu vernachlssigen.
Quellen
DFG-Forschungszentrum Matheon: http://www.matheon.de/
Adventskalender der Matheon: http://www.mathekalender.de/
Matheon-Projekt Service Design in Public Transport:
http://www.zib.de/Optimization/Projects/Traffic/Matheon-B15/Matheon-
B15long2.en.html
Marco Dorigo (2007) Ant Colony Optimization, Scolarpedia, 2(3):1461:
http://www.scholarpedia.org/article/Ant_colony_optimization
Homepage des TSP: http://www.tsp.gatech.edu/
Lineare Programmierung: V. Chvtal, Linear Programming, Freeman 1983
Algorithmen: T. H. Cormen et al., Introduction To Algorithms, 2
nd
ed., MIT Press 2001
Abbildungsverzeichnis
Abbildung 2: http://fr.wikipedia.org/wiki/Image:Aco_branches.svg
Abbildung 3: http://de.wikipedia.org/w/index.php?
title=Bild:TSP_Deutschland_3.PNG&oldid=30740640