4. DUYARGA AĞLARINA GENEL BAKIŞ VE KARINCA ALGORİTMALARININ KULLANIMI
7.2 Test Sonuçları
7.2.1 Parametre Tahmini
ANCOR algoritmasının içerdiği parametrelerin optimum değerlerini kestirebilmek amacıyla, Şekil 7.2’de görülen kare ızgara yapılı bir ağ üzerinde çeşitli testler yapıldı. Şekil 7.2’de siyah renkli düğüm alıcı düğümü belirtirken, gri renkteki düğüm ise kaynak düğümü belirtmektedir. Yapılan testler sırasında aşağıdaki parametreler sabit alınmış ve karıncaların kaynak düğümü bulup geri gelme sürelerine (geçilen düğüm cinsinden) bakılmıştır;
• Düğümlerin radyo menzili = 1 • Buharlaşma katsayısı = 0
Bu testler sırasında buharlaşma mekanizmasının devre dışı bırakılmasının nedeni, düğümler üzerindeki feromon bilgisinin kaybolmamasını sağlamaktır. Radyo menzilinin 1’e eşit olması, Şekil 7.2’de gösterildiği gibi kare ızgara yapılı bir ağda, düğümlerin sadece sağ, sol, yukarı ve aşağılarındaki komşuları ile haberleşebilmelerini sağlamaktadır. Karıncaların ağdaki yaşam süreleri ( ) ise yeterli miktarda büyük tutularak karıncaların hedefi bulmaları garanti altına alınmıştır.
Sabit parametrelerin dışında değişken olarak alınan parametreler ise;
• Karıncanın gideceği bir sonraki düğümün seçilmesi sırasında en sık kullanılan yola gitme eğilimini ayarlayan
58 • Karınca sayısı 1, 5, 10 ve 15
Şekil 7.2: 5x5’lik kare ızgara ağ örneği (radyo menzili = 1)
Şekil 7.2’de gösterilen 5x5 boyutlarındaki kare ızgara ağ örneği 25 düğüm içermektedir. Radyo menzili 1 olan düğümlerden kurulmuş böyle bir ağ yapısı için, Şekil 7.2’de belirtildiği gibi yerleştirilen alıcı ve kaynak düğümler arasındaki optimal yolun uzunluğu, Formül 7.1’de verilmiştir. Ancak bu şekilde tasarlanmış bir ağda birden çok sayıda optimal yol mevcut olduğundan, hedefi bulma başarımına bakılacak ve parametreler üzerinde bu başarımı optimize etmeye yönelik ayarlamalar yapılacaktır.
(7.1)
Formül 7.1’de ile gösterilen, kare şeklindeki ızgara ağ yapısının bir kenarındaki düğüm sayısı, ile gösterilen ise alıcı ile kaynak düğümler arası optimal yol uzunluğudur. Tablo 7.1’de, testlerde kullanılan ağlardaki düğüm sayıları ve optimal yol uzunlukları verilmiştir.
59
Boyut Düğüm Sayısı İdeal Yol Uzunluğu
5x5 25 8
10x10 100 18
25x25 625 48
Tablo 7.1: Kare ızgara ağ örnekleri (radyo menzili = 1)
β ve ρ nun değişiminin çeşitli büyüklükteki ağlarda hedefi bulma süreleri üzerindeki etkisine bakılmıştır. Karıncaların bulundukları düğümden bir sonraki düğüme gitmeleri için gerekli olan süre, her karınca için eşit alınmıştır, buna göre program testi sırasında bahsedilen süre, karıncanın hedef düğüme kadar geçtiği düğümlerin sayısı ile doğru orantılıdır. Her testte β ve ρ değerleri 0, 0.25, 0.5, 0.75 ve 1.0 olarak alınmış, bu değerler için ANCORS programı 10 tur çalıştırılmış, bunun sonucunda elde edilen değerlerin ortalaması ve varyansı hesaplanmıştır. Hesaplanan ortalama ve varyans değerleri 3 boyutlu grafiklerle gösterilmiştir.
Şekil 7.3: 5x5’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 1) için hedefi bulma ortalaması
60
Şekil 7.4: 5x5’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 1) için hedefi bulma varyansı
Şekil 7.3’te, 25 düğüm içeren bir ağda, bir karınca ile yürütülen algoritmanın ortalama hedefi bulma süresi gösterilmiştir. Şekil 7.4’te ise, bu değerlere denk düşen varyanslar gösterilmiştir. ANCOR’un çok sayıda karınca içeren kolonileri temel alarak tasarlandığı göz önüne alındığında, sadece 1 karınca kullanılması zaten mantıklı değildir. Yapılan gözlemler sonucunda daha fazla karınca kullanımının hem performans artışı sağladığı hemde varyansın azalmasını sağladığı görülmüştür.
Şekil 7.5 incelendiğinde, 1 yerine 5 adet karınca kullanılmasının daha iyi performans gösterdiği görülmektedir. Ayrıca Şekil 7.6’da varyansın da düştüğü görülebilir. β parametresinin 0..0,5 arası değerleri için varyans yüksek çıkmaktadır. Bunun yanında ρ parametresinin 0,5’ten büyük değerleri için daha iyi performans elde edildiği gözlenebilir. Benzer şekilde 10 adet karınca kullanılması da genel performansda artış sağlamıştır.
61
Şekil 7.5: 5x5’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 5) için hedefi bulma ortalaması
Şekil 7.6: 5x5’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 5) için hedefi bulma varyansı
Şekil 7.7 ve Şekil 7.8 incelendiğinde hem ortalama değerlerin hem de varyans değerlerinin genelinde bir azalma gözlenebilir. β ve ρ parametrelerinin değer aralıklarının, 5 karıncalı senaryodakinden fazla farklı olmadığı görülebilir.
62
Şekil 7.7: 5x5’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 10) için hedefi bulma ortalaması
Şekil 7.8: 5x5’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 10) için hedefi bulma varyansı
Şekil 7.9 ve Şekil 7.10’da gösterilen veriler, 15 karıncanın kullanılmasının, hedefi bulma ortalamasını değiştirmese bile, varyansın azalmasını sağladığı görülmektedir. 0,5 ten büyük β değerleri için daha yüksek performans elde edildiği gözlemlenmiştir.
63
Şekil 7.9: 5x5’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 15) için hedefi bulma ortalaması
Şekil 7.10: 5x5’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 15) için hedefi bulma varyansı
Şekil 7.3’ten Şekil 7.10’a kadar olan verileri elde etmek için ANCORS programı, bilgisayar donanımlarından birincisinde koşturulmuş, ve her çalıştırmada ortalama 0,04 saniye zaman harcamıştır.
64
Şekil 7.11: 10x10’luk kare ızgara ağ (radyo menzili = 1 karınca sayısı = 1) için hedefi bulma ortalaması
Şekil 7.12: 10x10’luk kare ızgara ağ (radyo menzili = 1 karınca sayısı = 1) için hedefi bulma varyansı
100 düğüm içeren bir ağda, 1 karınca kullanılan senaryo sonucunda Şekil 7.11 ve Şekil 7.12’deki sonuçlar elde edilmiştir. Tıpkı 25 düğümlü ağda olduğu gibi, 1 karınca kullanılan senaryoda varyans çok büyük çıkmıştır. Şekil 7.13 ve Şekil 7.14’de görüldüğü üzere, 5 karınca kullanılması da ortalama ve varyans değerini, 25 düğümlük ağlarda olduğu gibi makul sayılabilecek ölçülere indirememiştir.
65
Deneyde kullanılan ağların boyutları büyüdükçe daha fazla karınca kullanılması ihtiyacı doğmaktadır.
Şekil 7.13: 10x10’luk kare ızgara ağ (radyo menzili = 1 karınca sayısı = 5) için hedefi bulma ortalaması
Şekil 7.14: 10x10’luk kare ızgara ağ (radyo menzili = 1 karınca sayısı = 5) için hedefi bulma varyansı
66
Şekil 7.15: 10x10’luk kare ızgara ağ (radyo menzili = 1 karınca sayısı = 10) için hedefi bulma ortalaması
Şekil 7.16: 10x10’luk kare ızgara ağ (radyo menzili = 1 karınca sayısı = 10) için hedefi bulma varyansı
Ağ boyutunun büyümesi ile birlikte genel performansın artışında en önemli etken karınca sayısı olmaktadır. Şekil 7.15 ve Şekil 7.17’ye bakıldığında, hedefe varış ortalama değerlerinin, 10 ve 15 karınca kullanıldığında sırasıyla azalmaya devam ettiği görülmektedir. Benzer şekilde Şekil 7.16 ve Şekil 7.18’de gösterilen varyans değerlerinin de, Şekil 7.12 ve Şekil 7.14’e göre belirgin şekilde azaldığı görülebilir.
67
Şekil 7.17: 10x10’luk kare ızgara ağ (radyo menzili = 1 karınca sayısı = 15) için hedefi bulma ortalaması
Şekil 7.18: 10x10’luk kare ızgara ağ (radyo menzili = 1 karınca sayısı = 15) için hedefi bulma varyansı
100 düğüm içeren senaryolar ANCORS programı ile, bilgisayar donanımlarından birincisinde koşturulmuş, ve her çalıştırmada ortalama 0,06 saniye zaman harcamıştır. Şimdiye kadar incelenen örnekler sonucunda, ANCOR algoritmasında az sayıda karınca kullanmanın performansı olumsuz yönde etkilediği görülmüştür. 100 düğüm içeren ağlarda β ve ρ parametreleri incelendiğinde, ANCOR’un β’nın 0,5ten büyük değerleri için hem ortalama değerlerde hemde varyanslarda daha iyi
68
sonuçlar alındığı, benzer şekilde ρ parametresinin 0,5 ten büyük değerleri için de daha iyi sonuçlar alındığı gözlenmiştir.
Şekil 7.19: 25x25’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 10) için hedefi bulma ortalaması
Şekil 7.20: 25x25’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 10) için hedefi bulma varyansı
625 düğüm içeren ağlar için, 1 ve 5 karınca ile yapılmış testlerin sonuçları, daha önceki testlerde bu miktarda karınca kullanımının ortalama ve varyans değerlerini çok yüksek kıldığından dolayı çalışma dışında bırakılmıştır. 25x25 boyutlu bir ağ için, 10 karıncanın da yeterli olmadığı Şekil 7.19 ve Şekil 7.20’deki değerler
69
incelendiğinde görülebilir. Şekil 7.21’e bakıldığında, 15 karınca kullanımının 10 karınca kullanımına nazaran ortalama süreler üzerinde büyük bir faydası olmadığı görülse bile, Şekil 7.20 ile Şekil 7.22 karşılaştırıldığında, 10 yerine 15 karınca kullanımının, varyans değerlerini ortalama yarı yarıya azalttığı görülebilir.
Şekil 7.21: 25x25’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 15) için hedefi bulma ortalaması
Şekil 7.22: 25x25’lik kare ızgara ağ (radyo menzili = 1 karınca sayısı = 15) için hedefi bulma varyansı
β parametresi açısından yapılan gözlemler, önceki gözlemlerle benzerlik göstermektedir, 0,5’ten büyük değerler kullanıldığında, algoritmada performans
70
artışı gözlenmektedir. ρ parametresinin 0,75 değeri hem ortalama süre, hemde sürenin varyansının optimizasyonunda uygun olduğu gözlenmiştir.
625 düğüm içeren ağlarda yapılan denemelerde, 1 numaralı donanım kullanılmıştır ve ANCORS programı çalışmak için ortalama 0,5 saniyeye ihtiyaç duymuştur.
Buraya kadar Şekil 7.2’de örneği verilmiş, 25, 100 ve 625 düğüm içeren ağlar için β, ρ ve karınca sayılarına bakılmıştır. Karınca sayılarındaki artışın ANCOR algoritmasının başarımı üzerinde etkili olduğu gözlemlenmiştir. Ayrıca β > 0,5 ve ρ parametresinin 0,75 ve 1 arasındaki değerlerinin yüksek başarım gösterdiği saptanmıştır.
Tablo 7.2: Kare ızgara ağ örneği (radyo menzili = 1,8)
Boyut Düğüm Sayısı İdeal Yol Uzunluğu
50x50 2500 49
Şekil 7.23’te gösterilen ağ örneğinde, düğümler sağ, sol, yukarı ve aşağılarındaki komşularının yanı sıra çaprazlarındaki komşuları ile de haberleşebilmektedirler. Şekil 7.2’de gösterilen ağ örneğinde, kaynak düğüm ile hedef düğüm arasında çok sayıda optimal yol olmasına karşın, Şekil 7.23’te gösterilen ağ örneğinde sadece bir adet optimal yol bulunmaktadır. Bu yol ağı diagonal olarak geçer. Kare şeklindeki
ve bir kenarının uzunluğu A birim olan bir yapının diagonalinin uzunluğu olmasına karşın, düğümler arası mesafe ne olursa olsun iletim süresinin eşit olduğu varsayılmış ve hedefe varana dek geçilen düğüm sayısının mesafe olarak alınmasına karar verilmiştir. Bu varsayımlar ve böyle bir ağ yapısı için optimal yol uzunluğu Formül 7.2’de verilmiştir. Buna göre kullanılacak örnek ağ yapısı ve optimal yol uzunluğu Tablo 7.2’de gösterilmiştir.
71
Şekil 7.23: 5x5’lik kare ızgara ağ örneği (radyo menzili = 1,8)
Şekil 7.24: δ = 0.01 ve 2500 düğümlü ağ için kaynak düğümü bulma ve hedef düğüme dönme ortalamaları
72
2500 düğümlü ağda koşturulan senaryoda buharlaşma mekanizması da işletilmiştir ve buharlaşma katsayısı δ = 0.01 ve δ = 0.001 olarak alınmıştır. Buharlaşma mekanizması zamanla feromonun miktarını azaltır. Miktarı azalan feromonun etkinliği de azalır. Bu nedenle, testlerde buharlaşma kullanıldığı durumlarda ρ = 1 alınmasının daha iyi sonuç verdiği görülmüştür. Bunun nedeni ρ < 1 değerlerinin feromon üzerinde, feromon bırakıldığı anda belli bir süre buharlaşma işletilmiş etkisini yapmasındandır.
Şekil 7.25: δ = 0.001 ve 2500 düğümlü ağ için kaynak düğümü bulma ve hedef düğüme dönme ortalamaları
Hem Şekil 7.24’te, hem de Şekil 7.25’te görüldüğü gibi, ANCOR algoritmasının başlangıç safhasında kaynak düğümü arama işlemi, kaynak bulunduğunda alıcı düğüme dönülmesi işleminden daha maliyetlidir. Bunun nedeni, başlangıç safhasında, ağ üzerinde karıncaların yönünü tayin edecek feromon bilgilerinin olmamasındandır. Ağ üzerindeki tüm düğümlerin nötr feromona sahip olması, karıncaların ağ üzerinde rastgele arama yapmalarına neden olmaktadır. Kaynak düğüm bulunduğunda ise, kaynak düğüme gelene kadar karıncaların bıraktıkları feromonlar Çinli Şapkası modelini oluşturur. Pekiştirme safhasında, kaynak düğümden alıcı düğüme dönen karınca, Çinli Şapkası modelini kullanarak alıcı düğüme doğru yönelir.
73
Şekil 7.26: δ = 0.01 ve 2500 düğümlü ağ için kaynak düğümü bulma ve hedef düğüme dönme varyansları
Şekil 7.27: δ = 0.001 ve 2500 düğümlü ağ için kaynak düğümü bulma ve hedef düğüme dönme varyansları
Şekil 7.26 ve Şekil 7.27’de, karıncaların hedef düğümü bulmaları ve alıcı düğüme dönmelerinin varyansları gösterilmektedir. Çinli Şapkası modelinin başarımı, varyans değerleri üzerinde de etkilidir. Karıncaların kaynak düğüme ulaşma varyansları, alıcı düğüme dönme varyanslarından çok daha yüksektir. Alıcı düğüme dönme varyansları Şekil 7.28 ve Şekil 7.29’da detaylı olarak verilmektedir.
74
Şekil 7.28: δ = 0.01 ve 2500 düğümlü ağ için hedef düğüme dönme varyansı
Şekil 7.29: δ = 0.001 ve 2500 düğümlü ağ için hedef düğüme dönme varyansı Ağda daha fazla karınca kullanımı, alıcı düğüme geri dönme başarımını belli bir yere kadar arttırmaktadır. Aşırı karınca kullanımı, fazla miktarda karıncanın ağda feromon bırakmasına yol açtığı için Çinli Şapkası modelinin başarımını olumsuz etkilemektedir (Şekil 7.28 ve Şekil 7.29).
75 8. TARTIŞMA VE GELECEK ÇALIŞMALAR
ANCOR’da kullanılan paketlerin küçük boyutlu olması, iletişim sırasında bantgenişliğinin daha etkin kullanımını sağlamaktadır. ANCOR algoritmasının karmaşıklığı incelendiğinde, ağ üzerindeki her bir düğümün komşu düğümlerinin sayısına bağlı olarak O(n) işlem yaptığı bulunmuştur. Buna göre ANCOR algoritması ölçeklenebilir bir algoritmadır ve koşturulduğu ağ ne kadar büyük olursa olsun, düğümlerdeki işlem sayısı komşu düğümlerin sayısı ile orantılıdır.
Bu yüksek lisans çalışmasında ANCOR algoritması, tek alıcı düğüm ve tek kaynak düğüm senaryosuna göre koşturuldu. Test aşamasında çeşitli parametrelerin kaynak düğümü bulma ve alıcı düğüme dönme başarımı üzerindeki etkilerine bakıldı. Testler sırasında doğrusal koku dağılım modeli kullanıldı.
Gelecek çalışmalarda, üstel koku dağılım modeli kullanılarak bu modelin ANCOR üzerindeki başarımı test edilecektir. Bunun için yer bilgisinin sağlandığı bir GPS cihazının kullanıldığı varsayılacak ya da yön bilgisi algoritmada kullanılan paketler ile sağlanacaktır.
Yönlendirme safhasında, pekiştirme safhasında kurulan yoldan daha optimal bir yolun kurulması başarımı araştırılacaktır. Bu başarımın artmasında, özellikle üstel koku dağılım modelinin kullanılmasının etkin olacağı öngörülmektedir.
Çok alıcı düğümün ve çok kaynak düğümün bulunduğu senaryolar için ANCOR algoritması geliştirilecek ve koşturulacaktır. Bunun yanında olay güdümlü senaryolarda da ANCOR algoritması koşturulup test edilecektir.
Bant genişliğini daha etkin kullanmak adına, düğümlerin güncellenen feromon miktarlarını yayınlamak için feromon paketleri yerine, güncellenmiş feromon bilgisinin gömüldüğü karınca paketleri kullanılacaktır.
PANCORS yazılımı halen geliştirilme aşamasındadır. Paralelleştirilmiş bir gerçek zaman benzetim programı olan PANCORS’un, tek işlemli halefi ANCORS’a göre başarımı araştırılacaktır.
76 KAYNAKLAR
[1] Demiray, D. and Altılar, D.T., 2007. ANCOR: A Novel Ant Colony Routing Approach for Sensor Networks, IT&IC, Vol.1, No.4.
[2] Bonabeau, E., 1999. A Brief History of Stigmergy, Artificial Life, Vol. 5, No. 2, 97-116.
[3] Theraulaz, G., Bonabeau, E., Dorigo, M. and Theraulaz, G., 1999. Swarm Intelligence From Natural to Artificial Systems, Oxford University Press, London.
[4] Dorigo, M., Bonabeau, E. and Theraulaz, G., 2000. Ant algorithms and stigmergy, Future Generation Computer Systems, 16, 851-871.
[5] Tarasewich, P. and Mcmullen, P.R., 2002. Swarm Intelligence: Power In Numbers, Communications of The Acm, Vol. 45, No. 8
[6] Bonabeau, E. and Meyer, C., 2001. Swarm Intelligence: A Whole New Way To Think About Business, Harvard Business Review, May 2001
[7] Dorigo, M., Di Caro, G. and Gambardella, L.M., 1999. Ant Algorithms for Discrete Optimization, Artificial Life, Vol. 5, No.3, 137-172
[8] Dorigo, M., Maniezzo, V. and Colorni A., 1991. Positive Feedback as a Search Strategy, Politecnico di Milano Department of Electronics Technical Report, Milano, Italy.
[9] Hart, A.G. and Ratnieks, F.L.W., 2000. Leaf Caching in Atta Leafcutting Ants: Discrete Cache Formation Through Positive Feedback, Animal Behaviour, 59, 587-591
[10] Sendova-Franks, A.B. and Franks, N.R., 1999. Self-assembly, self organization and division of labour, Phil. Trans., 354, 1395-1405. [11] Bonabeau, E., Theraulaz, G., Deneubourg, J.L., Franks, N.R., Rafelsberger,
O., Joly, J.L. and Blanco, S., 1998. A model for the emergence of pillars, walls and royal chambers in termite nests, Royal Society, 353. [12] Mallon, E.B., Pratt, S.C. and Franks, N.R., 2001. Individual and collective
decision-making during nest site selection by the ant leptothorax albipennis, Behav. Ecol. Sociobiol., 50, 352-359.
[13] Franks, N.R., and Richardson, T., 2006. Teaching in tandem-running ants, Nature, 439.
77
[14] Pratt, S.C., Mallon, E.B., Sumpter, D.J.T. and Franks, N.R., 2003. Collective Decision making in a small society: how the ant leptothorax albipennis chooses a nest site, www.cs.ualberta.ca/~parker/papers/
[15] Britton, N.F., Franks, N.R., Pratt, S.C. and Seeley, T.D., 2002. Deciding on a new home: how do honeybees agree?, Proc. Royal Society, 269, 1383-1388.
[16] Hart, A.G and Ratnieks, F.L.W, 2002. Task-partitioned nectar transfer in stingless bees: work organization in a phylogenetic context, Ecological Entomology, 27.
[17] Robinson, G.E., 1999. Integrative animal behaviour and sociogenomics, Elsevier Science TREE, Vol., 14, No. 5.
[18] Robinson, G.E, 2002. Sociogenomics takes flight, SCIENCE, 297.
[19] Hart, A.G. and Ratnieks F.L.W., 2001. Leaf caching in the leafcutting ant Atta colombic an organizational shift, task partitioning and making the best of a bad job, ANIMAL BEHAVIOUR, 62.
[20] Anderson, C. and Franks, N.R., 2001. Teams in animal societies, International society for behavioral ecology, Vol.12, No.5.
[21] Nedjah, N., and Mourelle, L.M., 2006. Swarm Intelligent Systems, Studies in Computational Intelligence, 26.
[22] Dorigo, M., Maniezzo, V. and Colorni, A., 1991. Ant System: An Autocatalytic Optimizing Process, 1991. Politecnico di Milano Department of Electronics Technical Report, Milano, Italy.
[23] Dorigo, M., Maniezzo, V. and Colorni, A., 1996. Ant System: Optimization by a Colony of Cooperating Agents, IEEE Transactions on Systems, Man and Cybernetics, Vol. 26, No. 1.
[24] Dorigo, M. and Socha, K., 2006. An Introduction to Ant Colony Optimization, IRIDIA Technical Report No. TR/IRIDIA/2006-010, Brussels, Belgium.
[25] Dorigo M., 1992. Optimization, Learning and Natural Algorithms, PhD thesis, Politecnico di Milano, Milano, Italy.
[26] Dorigo, M. and Gambardella, L.M., 1997. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem, IEEE Transactions on Evolutionary Computation, Vol.1 No.1.
78
[27] Stützle, T., and Dorigo, M., 1999. ACO Algorithms for the Quadratic Assignment Problem, New Ideas In Optimization, McGraw-Hill, New York.
[28] Colorni, A., Dorigo, M., Maniezzo, V. and Trubian, M., 1994. Ant System for job-shop scheduling, Belgian J. Oper. Res. Statist. Comput. Sci., 34, 39-53.
[29] Bullnheimer, B., Hartl, R.F. and Strauss, C., 1999. An improved Ant System algorithm for the vehicle routing problem, University of Vienna Institute of Management Science Technical Report Ann. Oper. Res. 89, Vienna Austria.
[30] Schoonderwoerd, R., Holland, O., Bruten, J. and Rothkrantz, L., 1996. Ant-based load balancing in telecommunications networks, Adaptive Behav., 5, 169–207.
[31] Costa, D. and Hertz, A., 1997. Ants can colour graphs, J. Oper. Res. Soc., 48, 295–305
[32] Maniezzo, V. and Carbonaro, A., 2000. An ANTS heuristic for the frequency assignment problem, Future Generation Comput. Systems, 16.
[33] Ramalhinho, L.H. and Serra, D., 1998. Adaptive approach heuristics for the generalized assignment problem, Universitat Pompeu Fabra Department of Economics and Management Technical Report EWP Series No.304, Barcelona, Spain.
[34] Leguizamón, G. and Michalewicz, Z., 1999. A new version of Ant System for subset problems, Proceedings of the 1999 Congress on Evolutionary Computation, IEEE Press, Piscataway, NJ, 1999, pp. 1459–1464 [35] Navarro, V.G. and Sinclair, M.C., 1999. Ant colony optimization for
virtual-wavelength-path routing and wavelength allocation, Proceedings of the 1999 Congress on Evolutionary Computation, IEEE Press, Piscataway, NJ, 1999, pp. 1809–1816
[36] Culler, D., Estrin, D. and Srivastava, M., 2004. Overview of sensor networks, IEEE Computer Magazine, Vol. 37, No.8, 41-49.
[37] Akyildiz, I.F., Su, W., Sankarasubramaniam, Y. and Cayirci, E., 2001. Wireless sensor networks, Broadband and Wireless Networking Laboratory, School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA 30332, USA
79
[38] Stojmenovic, I., 2005. Handbook of Sensor Networks Algorithms and Architectures, Wiley Series on Parallel and Distributed Computing, Wiley,West Sussex, UK.
[39] Santini, P., 2005. Topology Control in Wireless Ad Hoc and Sensor Networks, Wiley,West Sussex, UK.
[40] Shorey, R., Ananda, A., Chan, M.C. and Ooi W.T., 2006. Mobile, Wireless and Sensor Networks, Wiley,West Sussex, UK.
[41] Karl, H. and Willig, A., 2005. Protocols and Architectures for Wireless Sensor Networks, Wiley,West Sussex, UK.
[42] Intanagonwiwat, C., Govidan, R., Estrin, D., Heidemann, J. and Silva, F., 2003. Directed Diffusion for Wireless Sensor Networking, IEEE/ACM Transactions On Networking, Vol.11, No.1.
[43] Di Caro, G. and Dorigo, M., 1997. AntNet: A Mobile Agents Approach to Adaptive Routing, IRIDIA Technical Report No.97-12, Brussels, Belgium.
[44] Schoonderwoerd, R., Holland, O.E., Bruten, J.L. and Rothkrantz, L.J.M, 1997. Ant-Based Load Balancing in Telecommunications Networks, Adaptive Behavior, Vol. 5, No. 2, 169-207.
[45] Leith, C. and Takahara, G., 2003. A Control Framework for Ant-Based Routing Algorithms, Proceedings of the IEEE Congress on Evolutionary Computation, Vol. 3, pp.1788-1795.
[46] Zhang, Y., Kuhn, L.D. and Fromherz, M.P.J., 2004. Improvements on Ant Routing for Sensor Networks, ANTS 2004, pp. 154-165, Springer-Verlag, Heidelberg.
[47] Montgomery, J. and Randall, M., 2002. Anti-pheromone as a Tool for Better Exploration of Search Space, ANTS 2002, pp. 100-110, Springer-Verlag, Heidelberg.
80 SÖZLÜK
Açgözlü : Greedy.
Ağ geçidi : Gateway.
Alıcı düğüm : Sink node.
Benzetimli tavlama : Simulated annealing. Bilgi için müzakereli duyarga
protokolleri
: Sensor protocols for information via negotation.
Çatı : Framework.
Çoğa gönderim : Multicast.
Çok atlamalı : Multihop.
Çoklu etkileşim : Multiple interaction.
Çoklu transfer : Multiple transfer.
Dedikodu : Gossiping.
Dolaylı toplumsal iletişim yöntemleri : Stigmergy.
Duyarga ağları : Sensor networks.
Düğüm : Node.
Eş güdüm : Coordination.
Evrimsel algoritmalar : Evolutionary algorithms. Gezgin satıcı problemi : Traveling salesman problem.
Göçme : Implosion.
Hücresel robotik sistemler : Cellular robotic systems.
Izgara : Grid.
İleri sezgisel : Metaheuristic.
İlgi mesajı : Interest message.
İş bölümleme : Task partitioning.
Karesel atama : Quadratic assignment.
Karınca kolonisi optimizasyonu : Ant colony optimization. Karınca kolonisi yönlendirmesi : Ant colony routing.
Karınca sistemi : Ant system.
Karınca tabanlı kontrol : Ant based control.
Kaynak düğüm : Source node.
Kendi kendine organize olma : Self organization. Kendi kendine toplanma : Self assembly.
Kolektik zeka :Swarm intelligence.
Olay güdümlü : Event driven.
Olay : Event.
Olumlu geri besleme : Positive feedback. Olumsuz geri besleme : Negative feedback.
Pekiştirme : Reinforcement.
Salınımların kuvvetlendirilmesi : Amplification of fluctuations.
Sel baskını : Flooding.
Sezgisel : Heuristic.
Sırtında taşıma : Piggybacking.
Tabu arama : Tabu search.
Tasarsız ağlar : Ad hoc networks.
81
Ters zincirleme koşu : Reverse tandem running.
Toplanma : Recruitment.
Toplu karar alma : Collective decision making.