الگوریتم بهینه سازی توده ذرات Particle Swarm Optimization

Slides:



Advertisements
Similar presentations
Particle Swarm Optimization (PSO)
Advertisements

The Particle Swarm Optimization Algorithm
Particle Swarm optimisation. These slides adapted from a presentation by - one of main researchers.
Particle Swarm Optimization
Ayon Chakraborty1, Kaushik Chakraborty1, Swarup Kumar Mitra2,M. K. Naskar3 2 Department of ECE, MCKV Institute of Engineering 1 Department of Computer.
Swarm Intelligence From Natural to Artificial Systems Ukradnuté kde sa dalo, a adaptované.
Particle Swarm Optimization (PSO)  Kennedy, J., Eberhart, R. C. (1995). Particle swarm optimization. Proc. IEEE International Conference.
PARTICLE SWARM OPTIMISATION (PSO) Perry Brown Alexander Mathews Image:
Firefly Algorithm By Rasool Tavakoli.
Particle Swarm Optimization (PSO)
Particle Swarm Optimization Particle Swarm Optimization (PSO) applies to concept of social interaction to problem solving. It was developed in 1995 by.
Modified Particle Swarm Algorithm for Decentralized Swarm Agent 2004 IEEE International Conference on Robotic and Biomimetics Dong H. Kim Seiichi Shin.
1 A hybrid particle swarm optimization algorithm for optimal task assignment in distributed system Peng-Yeng Yin and Pei-Pei Wang Department of Information.
1 PSO-based Motion Fuzzy Controller Design for Mobile Robots Master : Juing-Shian Chiou Student : Yu-Chia Hu( 胡育嘉 ) PPT : 100% 製作 International Journal.
Particle Swarm Optimization Algorithms
Ants in the Pants! An Overview Real world insect examples Theory of Swarm Intelligence From Insects to Realistic A.I. Algorithms Examples of AI applications.
From Natural to Artificial Systems mohitz, bhavish, amitb, madhusudhan
Particle Swarm optimisation e.com Particle Swarm optimisation: A mini tutorial.
The Future Lies Ahead: “Soft Computing” Copyright © 2003 Patrick McDermott UC Berkeley Extension
Swarm Intelligence 虞台文.
Algorithms and their Applications CS2004 ( )
Particle Swarm Optimization (PSO) Algorithm and Its Application in Engineering Design Optimization School of Information Technology Indian Institute of.
PSO and its variants Swarm Intelligence Group Peking University.
(Particle Swarm Optimisation)
The Particle Swarm Optimization Algorithm Nebojša Trpković 10 th Dec 2010.
4 Fundamentals of Particle Swarm Optimization Techniques Yoshikazu Fukuyama.
1 IE 607 Heuristic Optimization Particle Swarm Optimization.
2010 IEEE International Conference on Systems, Man, and Cybernetics (SMC2010) A Hybrid Particle Swarm Optimization Considering Accuracy and Diversity.
Particle Swarm optimisation. These slides adapted from a presentation by - one of main researchers.
Metaheuristic Methods and Their Applications Lin-Yu Tseng ( 曾怜玉 ) Institute of Networking and Multimedia Department of Computer Science and Engineering.
Particle Swarm Optimization Speaker: Lin, Wei-Kai
Particle Swarm Optimization James Kennedy & Russel C. Eberhart.
Biologically inspired algorithms BY: Andy Garrett YE Ziyu.
SwinTop: Optimizing Memory Efficiency of Packet Classification in Network Author: Chen, Chang; Cai, Liangwei; Xiang, Yang; Li, Jun Conference: Communication.
1 A Comparison of Neighbourhood Topologies for Staff Scheduling With Particle Swarm Optimisation TU Ilmenau Department of Commercial Information Technology.
Faculty of Information Engineering, Shenzhen University Liao Huilian SZU TI-DSPs LAB Aug 27, 2007 Optimizer based on particle swarm optimization and LBG.
Particle Swarm Optimization (PSO)
An Improved Quantum-behaved Particle Swarm Optimization Algorithm Based on Culture V i   v i 1, v i 2,.. v iD  Gao X. Z 2, Wu Ying 1, Huang Xianlin.
PSO implementation on Hadoop and standalone. Flowchart1 Inner loop outer loop Output Total gbest … … Initial particles (random) Split1 of particles SplitN.
Evolutionary Design of the Closed Loop Control on the Basis of NN-ANARX Model Using Genetic Algoritm.
Particle Swarm Optimization (PSO) Algorithm. Swarming – The Definition aggregation of similar animals, generally cruising in the same directionaggregation.
 Introduction  Particle swarm optimization  PSO algorithm  PSO solution update in 2-D  Example.
Swarm Intelligence. Content Overview Swarm Particle Optimization (PSO) – Example Ant Colony Optimization (ACO)
Stut 11 Robot Path Planning in Unknown Environments Using Particle Swarm Optimization Leandro dos Santos Coelho and Viviana Cocco Mariani.
Swarm Intelligence By Nasser M..
Advanced Computing and Networking Laboratory
metaheuristic methods and their applications
Differential Evolution (DE) and its Variant Enhanced DE (EDE)
Particle Swarm Optimization (2)
The 2st Chinese Workshop on Evolutionary Computation and Learning
Scientific Research Group in Egypt (SRGE)
Energy Quest – 8 September
Particle Swarm Optimization
PSO -Introduction Proposed by James Kennedy & Russell Eberhart in 1995
CS Multimedia Software Engineering
Meta-heuristics Introduction - Fabien Tricoire
آموزش شبکه عصبی با استفاده از روش بهینه سازی PSO
Date of download: 12/22/2017 Copyright © ASME. All rights reserved.
Multi-objective Optimization Using Particle Swarm Optimization
Multi-band impedance matching using an evolutionary algorithm
Training Neural networks to play checkers
metaheuristic methods and their applications
A thesis Presented by: Firasath Riyaz. Mentor: Dr. Peter M. Maurer.
بهينه‌سازي گروه ذرات (PSO)
Metaheuristic methods and their applications. Optimization Problems Strategies for Solving NP-hard Optimization Problems What is a Metaheuristic Method?
现代智能优化算法-粒子群算法 华北电力大学输配电系统研究所 刘自发 2008年3月 1/18/2019
Particle Swarm Optimization
Multi-objective Optimization Using Particle Swarm Optimization
SWARM INTELLIGENCE Swarms
Particle Swarm Optimization and Social Interaction Between Agents
Presentation transcript:

الگوریتم بهینه سازی توده ذرات Particle Swarm Optimization

درس: پردازش تکاملی دانشجویان: 1- مراد درخشان 2- هادی محمدی استاد راهنما: دکتر وفا میهمی نیمسال اول سالتحصیلی 95-94 دوره کارشناسی ارشد

فهرست هوش جمعی تاریخچه مقدمه الگوریتم PSO پارامترها مثال منابع Pseudo code مثال منابع پیاده سازی

هوش جمعی Swarm Intelligence هوش جمعی خاصیتی است سیستماتیک که در این سیستم، عامل ها به طور محلی با هم همکاري می نمایند و رفتار جمعی تمام عامل ها، باعث یک همگرایی در نقطه اي نزدیک به جواب بهینه سراسري می شود. نقطه قوت این الگوریتم عدم نیاز به یک کنترل سراسري می باشد. هر ذره(عامل) خود مختاري نسبی داردکه می تواند در سراسر فضاي جواب ها حرکت کند و می بایست با سایرذرات(عامل ها) همکاري داشته باشد. یکی از الگوریتم های مشهور هوش جمعی، بهینه سازي توده ذرات می باشند

هوش جمعی Swarm Intelligence در كاربردهاي محاسباتي، از موجوداتي مانند مورچه ها، زنبورها، موريانه ها، دسته هاي ماهيان و دسته ي پرندگان، الگو برداري مي شود. در اين نوع اجتماعات، هر يك از موجودات ساختار نستباً ساده اي دارند ولي رفتار جمعي آنها بي نهايت پيچيده است. براي مثال در كولوني مورچه ها، هر يك از مورچه ها يك كار ساده ي مخصوص را انجام مي دهد ولي به طور جمعي عمل و رفتار مورچه ها، ساختن بهينه ي لايه محافظت از ملكه و نوزادان، تميزكردن لانه، يافتن بهترين منابع غذايي و بهينه سازي استراتژي حمله را تضمين مي كند.

هوش جمعی Swarm Intelligence مثال همياري:

تاریخچه ابداع‌كنندة 1: Russell Eberhart eberhart@engr.iupui.edu

تاریخچه ابداع‌كنندة 2: James Kennedy Kennedy_Jim@bls.gov 9

اولين مقاله در زمينة PSO: تاریخچه اولين مقاله در زمينة PSO: در سال 1995 براي اولين بار ارائه شد. Kennedy, J. and Eberhart, R., “Particle Swarm Optimization,” Proceedings of the IEEE International Conference on Neural Networks, Perth, Australia 1995, pp. 1942-1945.

تاریخچه این الگوریتم اولین بار توسط Kennedy و Eberhart مطرح شد. آنها نام این الگوریتم را PSO نهادند. يك الگوريتم جستجوي اجتماعي است كه از روي رفتار اجتماعي دسته هاي پرندگان مدل شده است. در ابتدا اين الگوريتم به منظور كشف الگوهاي حاكم بر پرواز همزمان پرندگان و تغيير ناگهاني مسيرها در فضاي جستجو بود.

مقدمه در دسته پرندگان همیشه حرکت هر پرنده متمایل به سمت سردسته پرندگان است. اگر سردسته، انحرافی داشته باشد، بقیه هم همان انحراف را دارند. سردسته بهترین موقعیت را دارد.

مقدمه هر ذره در حال جستجو براي نقطة بهينه است. به همین دلیل در حال جابجایی است به دليل اين جابجايي، داراي سرعت است. مانند سایر الگوریتم های جمعیتی، الگوریتم PSO از مجموعه ای از پاسخهای ممکن استفاده می کند که این پاسخها تا زمانیکه یک پاسخ بهینه یافت شود و یا شرایط پایان الگوریتم محقق شود به حرکت خود ادامه می دهد. در این روش هر پاسخ x به صورت یک ذره نمایش داده می شود. (همچنانکه در الگوریتم ژنتیک به هر پاسخ، کروموزم گفته می شود)

مقدمه مانند بقیه الگوریتم ها باید یک جمعیت اولیه تشکیل گردد. در این روش معادله سرعت، ضامن حرکت ذرات به سمت ناحیه بهینه است. این معادله معمولا براساس سه عنصر اصلی ارائه می شود که عبارتند از: مولفه شناختی pbest: بهترین وضعیت ذره مولفه جمعی gbest: بهترین ذره ای که تابحال داشتیم سرعت

مقدمه در شبیه سازی این الگوریتم، رفتار هر ذره می تواند تحت تاثیر بهترین ذره محلی(Peronal Best)(در داخل یک همسایگی مشخص یا همان بهترین وضعیتی که آن ذره تابحال داشته است) و یا بهترین ذره عمومی(Global Best)(بهترین ذره در میان ذرات) باشد.

الگوریتم X𝒕 وضعیت قدیم(فعلی) است Xt+1 وضعیت جدید(آینده) ذره است اگر ما به وضعیت فعلی مقدار سرعت آینده را اضافه کنیم به وضعیت جدید(آینده) می رسیم Vt+1 سرعت آینده از میزان تصادفی سه مولفه (سرعت قدیم(فعلی) و gbest و pbest) بدست می آید.

الگوریتم Pnew = Pold + Vnew Vnew=Vold+C1*R1*(Plocal best -Pold)+C2*R2*(Pglobal best -Pold) C1 و C2 مقادیر ثابت و مثبت و R1 و R2 اعداد تصادفی هستند که به صورت نرمال در بازه [0,1] تولید می شوند. برای قابلیت بهتر جستجو، پارامتری به نام وزن اینرسی به شکل زیر و به صورت ضریبی در پارامتر سرعت الگوریتم اضافه می گردد: Vnew=W*Vold+C1*R1*(Plocal best-Pold)+C2*R2*(Pglobal best-Pold)

الگوریتم وزن اینرسی تاثیر سرعت ذرات در گام قبل را بر سرعت فعلی تعیین می نماید. به این ترتیب که با مقادیر بزرگی از وزن اینرسی، قابلیت جستجوی عمومی الگوریتم بهبود یافته و فضای بیشتری مورد بررسی قرار می گیرد. حال آنکه با مقادیر کوچک وزن اینرسی فضای مورد بررسی محدود شده و جستجو در این فضای محدود شده صورت می گیرد.

الگوریتم به همین دلیل، معمولا الگوریتم با مقدار بزرگی از وزن اینرسی شروع به حرکت می کند که سبب جستجوی گسترده فضا در ابتدای اجرای الگوریتم شده و این وزن به مرور در طول زمان کاهش می یابد که سبب تمرکز جستجو در فضای کوچک در گام های پایانی می شود.

الگوریتم همه الگوریتم ها از دو مکانیسم تنوع و تمرکز استفاده می کنند تنوع یعنی ما دوست داریم در ابتدای الگوریتم فضای بیشتری از فضای جستجو، موردجستجو قراردهیم و هرچه به پایان الگوریتم نزدیکتر می شویم این تنوع را کم کنیم و به سمت ناحیه بهینه تمرکز پیدا کنیم. w(وزن اینرسی) همان میزان تنوع است که در ابتدا زیاد و در مراحل پایانی میزان آن کم و کمتر می شود.

الگوریتم در ابتدا ذرات به صورت تصادفی در سرتاسر فضای جستجو مقداردهی می شوند که این موقعیت های اولیه به عنوان بهترین تجربه شخصی ذرات نیز شناخته می شوند (pbest) در گام بعد بهترین ذره از میان ذرات موجود انتخاب و به عنوان بهترین پاسخ شناخته می شود.(gbest) سپس گروه ذرات در فضای جستجو حرکت می نمایند، تا زمانیکه شرایط پایان محقق شود. این حرکت شامل اعمال معادله سرعت به گروه ذرات می باشد که موقعیت هر ذره براساس آن تغییر می کند.

الگوریتم مقدار برازش جدید حاصل از ذره، با مقدار pbest ذره مقایسه می گردد. اگر موقعیت جدید ذره دارای برازش بهتری باشد، این موقعیت جدید جایگزین موقعیت pbest می شود. روالی مشابه نیز برای gbest انجام می گیرد.

پارامترها C1 (اهميت مربوط به بهترين هر ذره) تعداد ذرات (تعداد کل ذراتی که در فضای جستجو ) نشان داده شده است كه 10-50 كافي مي‌باشد. C1 (اهميت مربوط به بهترين هر ذره) C2 (اهميت مربوط به بهترين همسايگي ها) به دلایل تجربی معمولاً C1+C2 = 4 درنظر گرفته شود. V معیار خاتمه

Pseudo code Algorithm gbest PSO (Initialize) gbest=X0 for i=0 to Nparticles do pbesti=Xi (initialize randomly) fitnessi=f(Xi) if fitnessi < f(gbest) then gbest=Xi end if end for

Pseudo code Algorithm gbest PSO (Main loop) repeat for i=0 to Nparticles do Vi=W*Vi+c1*r1*(pbesti-Xi)+c2*r2*(gbest-xi) if Vi ∉ Vacceptable then correct Vi end if Xi=Xi+Vi fitnessi = f(Xi) if fitnessi < f(pbesti) then pbesti=Xi if fitnessi < f(gbest) then gbest=Xi end for untill terminate criteria

مثال

منابع 1. فیلم و اسلاید آموزشی 1. فیلم و اسلاید آموزشی 2. http://en.wikipedia.org/wiki/Swarm_intelligence 3. http://en.wikipedia.org/wiki/Particle_swarm_optimization 4. http://www.swarmintelligence.org. 5. Venter, G. and Sobieski, J., “Particle Swarm Optimization,” Structural Dynamics, and Materials Conference, Denver, CO., April 2002. 6. Kennedy, J. and Eberhart, R., Swarm Intelligence, Academic Press, 1st ed., San Diego, CA, 2001.