Aplikace ACO algoritmu na TSPTW

Abstract

Tato práce se zabývá řešením problému obchodního cestujícího s časovými okny (TSPTW) za pomocí optimalizace mravenčí kolonií (ACO). Cílem práce je vyzkoušet a zhodnotit vlastnosti nástroje využívajícího více modifikací algoritmu pro ACO ve více generacích, přičemž výsledné feromonové mapy v jednotlivých generacích jsou sloučeny a použity v další generaci. Výsledky ukazují, že při použití algoritmu Ant Colony System (ACS) lze použitím kombinace feromonových map dosáhnout až o 30 % lepšího výsledku na některých datových sadách. Experimenty s využitím kombinace feromonových map prokázaly, že kombinace více modifikací ACO má podobné výsledky jako samostatné použití jedné modifikace ACO, která si na dané datové sadě vedla nejlépe. Hlavním zjištěním je, že kombinace feromonových map v některých případech může zlepšovat kvalitu nalezené trasy a rychlost jejího hledání.

This bachelor's thesis focuses on solving the Traveling Salesman Problem with Time Windows (TSPTW) using Ant Colony Optimization (ACO). The goal was to try and evaluate the behavior of a tool that applies multiple modifications of the ACO algorithm across several generations. In this approach, pheromone maps generated in one generation are merged and used by next generation. Results show that using the Ant Colony System (ACS) with combination of pheromone maps can lead to solutions that are up to 30% better on some datasets. Experiments show that combination of ACO algorithms and combination of pheromone maps have almost same results as the best standalone ACO algorithm on a given dataset. The conclusion is that in some cases a combination of pheromone maps leads to finding better solutions faster.