Das Ziel der folgenden Arbeit ist es, eine Konzeption und die dazugehörige Umsetzung eines didaktischen Beispiels für den Einsatz eines schwarmbasierten Algorithmus in der Tourenplanung zu erstellen. Um dieses Ziel zu erreichen, wird der Ameisenalgorithmus untersucht und in einem Beispiel mit selbst definierten Parameterwerten modelliert. Anschließend wird der Algorithmus mittels einer geeigneten Software implementiert; dabei bilden die Parameterwerte aus dem erstellten Modell die Inputdaten.
Die grundlegende Fragestellung dieser Arbeit ist die Möglichkeit, Optimierungsmethoden durch das Verfahren aus der Natur analog auf das Travelling Salesman Problem anzuwenden. Das Verhalten der Ameisen bei der Futtersuche ist hierbei Gegenstand der Untersuchung. Eine wichtige Frage ist dabei ist zum einen die Umsetzung der natürlichen Begebenheiten in einen Algorithmus, die es zu erörtern gilt. Zum anderen soll eruiert werden, warum sich das Travelling Salesman Problem als gutes Anwendungsbeispiel für den Einsatz des Ameisenalgorithmus herausstellt. In einem didaktischen Beispiel wird die Performance des Algorithmus bewertet, sodass als Ergebnis dieser Arbeit die Vorstellung, Konzeption, Umsetzung und Evaluation des Ameisenalgorithmus herauskommt.
Inhaltsverzeichnis
- Einleitung
- Problemstellung
- Zielsetzung dieser Arbeit
- Futtersuche bei natürlichen Ameisen
- Travelling Salesman Problem
- Ameisenalgorithmen
- Ant System (AS)
- Ant Colony System (ACS)
- Konzeption und Umsetzung eines didaktischen Beispiels
- Modellierung
- Umsetzung des Beispiels in einen Algorithmus
- Implementierung eines weiteren TSP
- Evaluation des ACO-Algorithmus
- Resümee
Zielsetzung und Themenschwerpunkte
Die Projektarbeit befasst sich mit der Anwendung von Schwarmintelligenz in der Tourenplanung. Das Ziel ist die Konzeption und Umsetzung eines didaktischen Beispiels, welches das Prinzip des Ant Colony Optimization (ACO) veranschaulicht.
- Futtersuche bei Ameisen als Inspiration für ACO-Algorithmen
- Das Travelling Salesman Problem (TSP) als Anwendungsbeispiel für ACO
- Die Funktionsweise von Ant System (AS) und Ant Colony System (ACS) Algorithmen
- Implementierung und Evaluation eines ACO-Algorithmus zur Lösung eines TSP
- Didaktische Bedeutung und Einsatzmöglichkeiten des Beispiels in der Lehre
Zusammenfassung der Kapitel
- Einleitung: Die Einleitung stellt die Problemstellung dar, die sich mit der Anwendung von Schwarmintelligenz in der Tourenplanung befasst. Die Zielsetzung der Arbeit ist die Konzeption und Umsetzung eines didaktischen Beispiels, welches das Prinzip des Ant Colony Optimization (ACO) veranschaulicht.
- Futtersuche bei natürlichen Ameisen: Dieses Kapitel befasst sich mit dem Verhalten von Ameisen bei der Futtersuche und zeigt auf, wie sie durch die Ablage von Pheromonen eine effiziente Route finden.
- Travelling Salesman Problem: Dieses Kapitel stellt das Travelling Salesman Problem (TSP) vor, ein klassisches Problem der Optimierung, das die Suche nach der kürzesten Route durch eine Menge von Städten beinhaltet.
- Ameisenalgorithmen: Dieses Kapitel beschreibt die Funktionsweise von Ant System (AS) und Ant Colony System (ACS) Algorithmen. Diese Algorithmen nutzen die Prinzipien der Ameisenkolonie, um optimale Lösungen für komplexe Probleme zu finden.
- Konzeption und Umsetzung eines didaktischen Beispiels: Dieses Kapitel erläutert die Modellierung und Umsetzung eines didaktischen Beispiels, das den Einsatz von ACO zur Lösung des TSP demonstriert. Es beinhaltet die Implementierung des Algorithmus und die Evaluation seiner Leistung.
Schlüsselwörter
Schwarmintelligenz, Tourenplanung, Ant Colony Optimization (ACO), Ant System (AS), Ant Colony System (ACS), Travelling Salesman Problem (TSP), Pheromone, didaktisches Beispiel, Algorithmen, Implementierung, Evaluation.
- Citar trabajo
- Nathalie Serban (Autor), 2017, Schwarmintelligenz in der Tourenplanung, Múnich, GRIN Verlag, https://www.grin.com/document/384873
