AntTrust: An Ant-Inspired Trust Management System for Peer-to-Peer Networks

In P2P networks, self-organizing anonymous peers share different resources without a central entity controlling their interactions. Peers can join and leave the network at any time, which opens the door to malicious attacks that can damage the network. Therefore, trust management systems that can ensure trustworthy interactions between peers are gaining prominence. This paper proposes AntTrust, a trust management system inspired by the ant colony. Unlike other ant-inspired algorithms, which usually adopt a problem-independent approach, AntTrust follows a problem-dependent (problem-specific) heuristic to find a trustworthy peer in a reasonable time. It locates a trustworthy file provider based on four consecutive trust factors: current trust, recommendation, feedback, and collective trust. Three rival trust management paradigms, namely, EigenTrust, Trust Network Analysis with Subjective Logic (TNA-SL), and Trust Ant Colony System (TACS), were tested to benchmark the performance of AntTrust. The experimental results demonstrate that AntTrust is capable of providing a higher and more stable success rate at a low running time regardless of the percentage of malicious peers in the network.

Determination of the Shortest Route on the Distribution System using Ant Colony Optimization (ACO) Algorithm (Case Study: Alfamidi Palu Branch – PT. Midi Utama Indonesia)

The distribution system of goods is one of the most important parts for every company. The company certainly has many route options to visit, and this is expected to be conducted efficiently in terms of time. In the distribution of goods by Alfamidi company in Palu City which has 51 outlets include into the category of Traveling Salesman Problem (TSP) because of many route options that can be visited. The problem can be solved by employing the Ant Colony Optimization (ACO) method which is one of the algorithms Ant Colony System (ACS). The ACS acquires principles based on the behavior of ant colonies and applies three characteristics to determine the shortest route namely status transition rules, local pheromone renewal and global pheromones. The result showed that the shortest route of the distribution of goods based on the calculation of selected iterations was ant 1 with the shortest total distance obtained 86.98 km.

Implementation of the Ant Colony System Algorithm in the Lecture Scheduling Process

Scheduling lectures using the ant algorithm is able to provide alternative solutions for scheduling lectures that want a certain time optimally. In this research, the method used is literature study. This literature study was carried out by reading books and literature related to scheduling and ant algorithms. In addition to using literature studies, researchers also use field studies. This is intended to get a true picture of the state of the institution by observing directly at the institution, by means of observation or data collection methods by conducting interviews on the parts involved in the process of preparing the class schedule. From the results of the analysis obtained: scheduling lectures using the ant algorithm is able to provide solutions in scheduling. The ant algorithm can be applied to create a class schedule with optimal results, the ant algorithm is able to provide solutions in the preparation of a lecture schedule that requires a certain time.

Gender Classification Using Proposed CNN-Based Model and Ant Colony Optimization

Pedestrian gender classification is one of the key assignments of pedestrian study, and it finds practical applications in content-based image retrieval, population statistics, human–computer interaction, health care, multimedia retrieval systems, demographic collection, and visual surveillance. In this research work, gender classification was carried out using a deep learning approach. A new 64-layer architecture named 4-BSMAB derived from deep AlexNet is proposed. The proposed model was trained on CIFAR-100 dataset utilizing SoftMax classifier. Then, features were obtained from applied datasets with this pre-trained model. The obtained feature set was optimized with ant colony system (ACS) optimization technique. Various classifiers of SVM and KNN were used to perform gender classification utilizing the optimized feature set. Comprehensive experimentation was performed on gender classification datasets, and proposed model produced better results than the existing methods. The suggested model attained highest accuracy, i.e., 85.4%, and 92% AUC on MIT dataset, and best classification results, i.e., 93% accuracy and 96% AUC, on PKU-Reid dataset. The outcomes of extensive experiments carried out on existing standard pedestrian datasets demonstrate that the proposed framework outperformed existing pedestrian gender classification methods, and acceptable results prove the proposed model as a robust model.

An Optimized Scalable Multi-ant Colony System for Multi-depot Vehicle Routing Problems Using a Reactive Multi-agent System

The multi-depot vehicle routing problem is a variant of the vehicle routing problem that tries to minimize the total cost of providing the service from several depots to satisfy several client demands. This paper presents a multi-ant colony system to solve the multi-depot vehicle routing problem using a reactive agent-based approach. This approach is designed to effectively solve the problem, in which each reactive agent is inspired by modeling the behavior of the ant. We define two types of reactive agents whose behavior differs in the use of two kinds of pheromone trail. In order to refer to the two phases of the execution process, i.e., the assignment phase and the routing phase, every reactive agent cooperates with others to provide a scalable solution for the overall problem. The solution of the multi-depot vehicle routing problem is beneficial and helpful for many real applications. The performance evaluation of the proposed approach is done using instances from the literature, and the results obtained demonstrate good performance when compared with other approaches

Μοντελοποίηση και υλοποίηση αλγορίθμων επίλυσης προβλημάτων δρομολόγησης οχημάτων με επιλεκτική εξυπηρέτηση πελατών

Η παρούσα διδακτορική διατριβή αφορά αφενός στη διερεύνηση προβλημάτων δρομολόγησης οχημάτων με επιλεκτική εξυπηρέτηση πελατών και αφετέρου, στη δημιουργία κατάλληλων αλγοριθμικών μεθόδων για την επίλυσή τους. Συγκεκριμένα, θεωρήθηκε η εφαρμογή των επιλεκτικών προβλημάτων δρομολόγησης σε καταστάσεις έκτακτης ανάγκης, όπως μία πυρκαγιά ή μία πλημμύρα. Για την προσομοίωση της δρομολόγησης ενός ομογενούς στόλου πυροσβεστικών οχημάτων, επιλέχθηκε το πρόβλημα δρομολόγησης οχημάτων συλλογής βραβείου (Prize-Collecting Vehicle Routing Problem (PCVRP)). Το επιλεγμένο πρόβλημα καλύπτει τις ανάγκες της δρομολόγησης των πυροσβεστικών οχημάτων, αποσκοπώντας στη γρήγορη πρόσβαση στα σημεία που χρειάζονται προστασία και στο μεγαλύτερο όφελος από τις αντίστοιχες ενέργειες. Πάραυτα, η δρομολόγηση οχημάτων σε έκτακτες καταστάσεις οφείλει να λαμβάνει υπόψιν και τον περιβαλλοντολογικό αντίκτυπο που έχει. Για αυτό το λόγο, στη παρούσα διατριβή προτείνονται δύο νέα μαθηματικά μοντέλα, ως παραλλαγές του PCVRP, το περιβαλλοντικό πρόβλημα δρομολόγησης οχημάτων με συλλογή βραβείου (E-PCVRP) και το πράσινο πρόβλημα δρομολόγησης οχημάτων με συλλογή βραβείου (Green-PCVRP). Για την προσομοίωση της δρομολόγησης ενός ετερογενούς στόλου πυροσβεστικών οχημάτων, επιλέχθηκε το πρόβλημα προστασίας καίριων σημείων (Asset Protection Problem (APP)). Το πρόβλημα αυτό έχει προταθεί για τη συντονισμένη και συγχρονισμένη δρομολόγηση πυροσβεστικών οχημάτων στη προστασία καίριων σημείων. Το APP θεωρείται ιδιαίτερα απαιτητικό πρόβλημα λόγω του ετερογενούς στόλου οχημάτων, των διαφοροποιημένων αναγκών (σε είδος και αριθμό οχημάτων) κάθε σημείου, των χρονικών περιορισμών για την προστασία κάθε σημείου και την ανάγκη συγχρονισμού των οχημάτων (χωρικά και χρονικά). Τα εξεταζόμενα προβλήματα αποτελούν παραλλαγές του κλασσικού προβλήματος δρομολόγησης, και για τη βελτιστοποίηση τους γίνεται χρήση αλγορίθμων εμπνευσμένων από τη φύση. Συγκεκριμένα, για την αλγοριθμική βελτιστοποίηση του προτεινόμενου προβλήματος Green-PCVRP, επιλέχθηκε ο Αλγόριθμος της Νυχτερίδας ο οποίος όμως έχει σχεδιαστεί για την επίλυση προβλημάτων συνεχών μεταβλητών, ενώ το εξεταζόμενο πρόβλημα απαιτεί διακριτή κωδικοποίηση των λύσεων. Για αυτό το λόγο, στη παρούσα διατριβή προτείνονται δύο νέα αλγοριθμικά πλαίσια. Το πρώτο αφορά σε διακριτοποιημένη εκδοχή του αλγορίθμου, η οποία δηλώνεται ως Discrete Inspired Bat Algorithm (DIBA) και βασίζεται στην αντικατάσταση των εξισώσεων κίνησης του αλγορίθμου από ευρετικές τεχνικές. Το δεύτερο αλγοριθμικό πλαίσιο που προτείνεται αφορά στην εφαρμογή της κλασσικής μεθόδου κάνοντας χρήση της προτεινόμενης μεθόδου κωδικοποίησης/αποκωδικοποίησης των λύσεων, Coordinates Related (CR), που αποτελεί πρωτοτυπία της παρούσας διδακτορικής διατριβής. Έτσι, η προτεινομένη αλγοριθμική προσέγγιση για την επίλυση του Green-PCVRP ονομάζεται Bat Algorithm based on Coordinates (BAC). Οι δύο προτεινόμενες αλγοριθμικές μέθοδοι συγκρίνονται βάση της αποτελεσματικότητάς τους στην επίλυση του προβλήματος Green-PCVRP, σε παραδείγματα αναφοράς της βιβλιογραφίας. Μάλιστα, εξάγεται το συμπέρασμα ότι η εμπλουτισμένη εκδοχή του κλασσικού αλγοριθμικού πλαισίου με την μέθοδο CR είναι αποτελεσματικότερη σε σύγκριση με την διακριτή εκδοχή του ίδιου αλγορίθμου. Συνεπώς, για την επίλυση του δεύτερου προτεινόμενου προβλήματος, του E-PCVRP μελετήθηκε η εφαρμογή της καινοτόμου μεθόδου CR και σε άλλους μεθευρετικούς αλγορίθμους. Συγκεκριμένα, χρησιμοποιήθηκαν ο Αλγόριθμος της Πυγολαμπίδας, ο Αλγόριθμος της Διαφορικής Εξέλιξης με διωνυμική και εκθετική διασταύρωση, ο Αλγόριθμος Βελτιστοποίησης Σμήνους Σωματιδίων και ο Αλγόριθμος Βελτιστοποίησης Διδασκαλίας-Μάθησης. Σε ότι αφορά την αλγοριθμική επίλυση του APP, οι παραπάνω αλγόριθμοι δεν μπορούν να χρησιμοποιηθούν, γιατί για το συγκεκριμένο πρόβλημα απαιτείται η χρήση ενός κατασκευαστικού αλγορίθμου. Έτσι, επιλέχθηκε ο αλγόριθμος «Σύστημα Αποικίας Μυρμηγκιών» (ACS και προτείνεται η παραλλαγή του ως το Προσαρμοσμένο Σύστημα Αποικίας Μυρμηγκιών (Modified Ant Colony System (MACS)). Η αποτελεσματικότητα του προτεινόμενου αλγορίθμου αποδεικνύεται μέσα από υπολογιστικά πειράματα, χρησιμοποιώντας παραδείγματα αναφοράς της βιβλιογραφίας, σε σύγκριση με τις ήδη δημοσιευμένες μεθόδους επίλυσης του APP. Συγκεκριμένα, αποδεικνύεται ότι ο MACS υπερισχύει των προηγούμενα δημοσιευμένων μεθόδων, αποδίδοντάς νέες βέλτιστες λύσεις.