Metoda roje částic
Aktuální verze stránky ještě nebyla zkontrolována zkušenými přispěvateli a může se výrazně lišit od
verze recenzované 14. prosince 2015; kontroly vyžadují
13 úprav .
Metoda roje částic (PSM) je numerická optimalizační metoda , která nevyžaduje znát přesný gradient optimalizované funkce.
MFR byla prokázána Kennedym , Eberhartem a Sheou [1] [2] a původně měla napodobovat sociální chování . Algoritmus byl zjednodušen a bylo zjištěno, že je vhodný pro provádění optimalizací. Kniha Kennedyho a Eberharta [3] popisuje mnohé z filozofických aspektů MFR a tzv. swarm intelligence . Rozsáhlý výzkum aplikací MFR provádí Poly [4] [5]. MFR optimalizuje funkci udržováním populace možných řešení, nazývaných částice, a pohybem těchto částic v prostoru roztoku podle jednoduchého vzorce. Pohyby podléhají principu nejlepší polohy nalezené v tomto prostoru, která se neustále mění, když částice najdou výhodnější polohy.
Algoritmus
Nechť je cílová funkce minimalizována, tj. počet částic v roji, z nichž každá je spojena se souřadnicí v prostoru řešení a rychlostí . Nechť je také nejznámější poloha částice s indexem a je nejznámější stav roje jako celku. Pak je obecná forma metody roje částic následující.
- Pro každou částici udělejte:
- Vygenerujte počáteční polohu částice pomocí náhodného vektoru s vícerozměrným rovnoměrným rozdělením , kde a jsou dolní a horní hranice prostoru řešení.
- Přiřaďte nejznámější pozici částice její počáteční hodnotě: .
- Pokud , pak aktualizujte nejznámější stav roje: .
- Přiřaďte hodnotu rychlosti částice: .
- Dokud není splněno kritérium zastavení (například dosažení daného počtu iterací nebo požadované hodnoty cílové funkce), opakujte:
- Pro každou částici udělejte:
- Generujte náhodné vektory .
- Aktualizace rychlosti částic: , kde operace znamená násobení po komponentech .
- Aktualizujte polohu částice převodem na vektor rychlosti: . Tento krok se provádí bez ohledu na zlepšení hodnoty účelové funkce.
- Pokud , pak:
- Aktualizujte nejznámější polohu částice: .
- Pokud , pak aktualizujte nejznámější stav roje jako celku: .
- Nyní obsahuje nejlepší z nalezených řešení.
Parametry a jsou zvoleny kalkulátorem a určují chování a účinnost metody jako celku. Tyto parametry jsou předmětem mnoha studií .
Výběr parametrů
Volba optimálních parametrů pro metodu roje částic je předmětem značného množství výzkumných prací, viz např. Shi a Eberhart [6] [7] , Carlyle a Dozer [8] , van den Berg [9] , Clerk a Kennedy [10] , Trelea [11] , Bratton a Blackwell [12] a Evers [13] .
Jednoduchý a efektivní způsob výběru parametrů metody navrhl Pedersen a další autoři [14] [15] . Prováděli také numerické experimenty s různými optimalizačními problémy a parametry. Technika výběru těchto parametrů se nazývá meta-optimalizace , protože k „vyladění“ parametrů MFR se používá jiný optimalizační algoritmus. Ukázalo se, že vstupní parametry MFM s nejlepším výkonem jsou v rozporu s hlavními principy popsanými v literatuře a často poskytují uspokojivé výsledky optimalizace pro jednoduché případy MFM. Jejich implementaci lze nalézt v open source knihovně SwarmOps .
Varianty algoritmu
Neustále jsou navrhovány nové varianty algoritmu roje částic, aby se zlepšila výkonnost metody. V těchto studiích existuje několik trendů, z nichž jeden navrhuje vytvořit hybridní optimalizační metodu využívající MFR v kombinaci s dalšími algoritmy, viz např . [16] [17] . Dalším trendem je metodu nějakým způsobem urychlit, například ustoupit zpět nebo změnit pořadí pohybu částic (k tomu viz [13] [18] [19] ). Existují také pokusy přizpůsobit parametry chování MFR během procesu optimalizace [20] .
Viz také
Poznámky
- ↑ Kennedy, J.; Eberhart, R. (1995). "Optimalizace roje částic". Sborník z mezinárodní konference IEEE o neuronových sítích . IV . str. 1942-1948.
- ↑ Shi, Y.; Eberhart, R. C. (1998). „Upravený optimalizátor roje částic“. Sborník IEEE International Conference on Evolutionary Computation . str. 69-73.
- ↑ Kennedy, J.; Eberhart, R. C. Swarm Intelligence (neurčité) . - Morgan Kaufmann , 2001. - ISBN 1-55860-595-9 .
- ↑ Poli, R. Analýza publikací o aplikacích optimalizace roje částic // Technical Report CSM-469 : journal. — Katedra informatiky, University of Essex, UK, 2007. Archivováno z originálu 16. července 2011.
- ↑ Poli, R. Analýza publikací o aplikacích optimalizace roje částic // Journal of Artificial Evolution and Applications : journal. - 2008. - S. 1-10 . - doi : 10.1155/2008/685175 .
- ↑ Shi, Y.; Eberhart, R. C. (1998). „Výběr parametrů v optimalizaci roje částic“. Proceedings of Evolutionary Programming VII (EP98) . str. 591-600.
- ↑ Eberhart, RC; Shi, Y. (2000). „Porovnání setrvačných hmotností a konstrikčních faktorů při optimalizaci roje částic“. Proceedings of Congress on Evolutionary Computation . 1 . str. 84-88.
- ↑ Carlisle, A.; Dozier, G. (2001). „Off-The-Shelf PSO“ . Sborník z workshopu k optimalizaci roje částic . str. 1-6.
- ↑ van den Bergh, F. An Analysis of Particle Swarm Optimizers . — Univerzita v Pretorii, Fakulta přírodních a zemědělských věd, 2001.
- ↑ Clerc, M.; Kennedy, J. Swarm částic - exploze, stabilita a konvergence v multidimenzionálním komplexním prostoru // IEEE Transactions on Evolutionary Computation
: deník. - 2002. - Sv. 6 , č. 1 . - str. 58-73 .
- ↑ Trelea, IC The Particle Swarm Optimization Algorithm: analýza konvergence a výběr parametrů // Information Processing Letters
: deník. - 2003. - Sv. 85 . - str. 317-325 .
- ↑ Bratton, D.; Blackwell, T. A Simplified Recombinant PSO (nespecifikováno) // Journal of Artificial Evolution and Applications. — 2008.
- ↑ 1 2 Evers, G. Mechanismus automatického přeskupování pro řešení stagnace při optimalizaci roje částic . — The University of Texas – Pan American, Department of Electrical Engineering, 2009.
- ↑ Pedersen , ladění MEH a zjednodušení heuristické optimalizace . - University of Southampton, School of Engineering Sciences, Computational Engineering and Design Group, 2010. Archivovaná kopie (odkaz není k dispozici) . Získáno 3. června 2010. Archivováno z originálu dne 26. července 2011. (neurčitý)
- ↑ Pedersen, MEH; Chipperfield, AJ Zjednodušení optimalizace roje částic (neopr.) // Applied Soft Computing. - 2010. - T. 10 . - S. 618-628 . Archivováno z originálu 24. ledna 2014.
- ↑ Lovbjerg, M.; Krink, T. (2002). "Model životního cyklu: kombinace optimalizace roje částic, genetických algoritmů a horolezců." Proceedings of Parallel Problem Solving from Nature VII (PPSN) . str. 621-630.
- ↑ Niknam, T.; Amiri, B. Efektivní hybridní přístup založený na PSO, ACO a k-means pro shlukovou analýzu (anglicky) // Applied Soft Computing: journal. - 2010. - Sv. 10 , č. 1 . - str. 183-197 .
- ↑ Lovbjerg, M.; Krink, T. (2002). „Rozšiřování optimalizátorů roje částic se samoorganizovanou kritickostí“. Proceedings of the Fourth Congress on Evolutionary Computation (CEC) . 2 . str. 1588-1593.
- ↑ Xinchao, Z. Algoritmus rojení perturbed částic pro numerickou optimalizaci (neopr.) // Applied Soft Computing. - 2010. - T. 10 , č. 1 . - S. 119-124 .
- ↑ Zhan, Zh.; Zhang, J.; Li, Y; Chung, HS-H. Adaptive Particle Swarm Optimization (neopr.) // Transakce IEEE v systémech, člověku a kybernetice. - 2009. - T. 39 , č. 6 . - S. 1362-1381 .
Odkazy