Pengoptimuman berasaskan agent adalah satu bidang yang berkaitan dengan interaksi haiwan sosial, yang telah dibangunkan untuk meniru tingkah laku haiwan untuk bekerja bersama-sama untuk melaksanakan tugas. Meerkat adalah salah satu daripada haiwan berdasarkan ejen. Pergerakan meerkat dan panggilan suara yang dipraktikan untuk mencari makan oleh ajen meerkat semasa begerak di dalam kumpulan. Oleh itu, pembangunan algoritma untuk mencapai tingkah laku kumpulan yang dikehendaki berdasarkan kesan tingkah laku individu dalam prestasi kumpulan dijalankan. Objektif kertas kerja ini adalah untuk mengkaji prestasi meerkat dengan populisasi yang berbeza terhadap masa yang digunakan untuk mencari makan, masa yang digunakan dalam mencari makanan dengan tiga jenis gaya mencari makanan, dan juga prestasi meerkat dalam mencari makanan dengan pelbagai jarak penglihatan yang berbeza. Selepas itu, ejen-ejen akan mula begerak dalam kumpulan tersebut dari pusat sarang secara rawak sehingga semua makanan dihabiskan. Algoritma ini di aplikasikan di simulasi NetLogo dan mengukur prestasi algoritma daripada simulasi NetLogo tersebut. Analisis prestasi menunjukkan bahawa lebih besar penduduk, yang lebih luas pelbagai perspektif, lebih cepat ia mengambil masa untuk mengambil semua makanan. Prestasi dengan gaya mencari makanan yang berbeza yang dinyatakan masa yang semakin meningkat dibelanjakan untuk mengambil semua makanan seperti yang kita pergi dari berjalan kaki dan makan untuk berhenti dan makan dan untuk memeriksa dan makan. Oleh itu, adalah lebih baik meerkats, mencari makanan dengan saiz kumpulan yang lebih besar untuk mengoptimumkan mencari makan mereka sebagai wawasan mereka adalah lebih luas dengan kumpulan yang lebih besar.
_______________________________________________________________________________________________________
Agent-based optimization is a field related to social animal interaction, that has been developed to simulate the behavior of animal to work together to perform tasks. Meerkat is one of those agents-based animals, with a great research interest, that has been studied and sorted out, their foraging behavior in this paperwork. The movement of the meerkat and voice call to keep their foraging shape are being conducted while they foraged in a group of pack. Therefore, development of algorithms to achieve the desired grouping behavior based on the effect of individual behavior in group performance are conducted. The objective of this paperwork is to study the performance of the meerkat with different population against the time spent for foraging, the time spent in foraging with three different types of foraging styles, as well as performance of meerkat in foraging with different vision range. The algorithm consists of four small groups of agents centered at the center of the world. The nest and food position are fixed. The agents will start to forage within the group from the center of the nest randomly until all of the food consumed. The algorithm is modelled on NetLogo agent based modelling environment and measured the performance of the algorithm from there. Performance analysis shows that the bigger the populations, the wider the perspective range, the faster it takes to consume all of the food. The performance with different foraging style indicated an increasing time spent to consume all of the food as we go from walk and eat to stop and eat and to inspect and eat. Therefore, meerkats are better, foraging with bigger group size to optimize their foraging as their vision is wider with a bigger group.
Modeling meerkat foraging behaviour / Mohamad Nasrulhisyam Sobri