بهينه‌سازي گروه ذرات (PSO)

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
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:
Particle Swarm Optimization PSO was first introduced by Jammes Kennedy and Russell C. Eberhart in Fundamental hypothesis: social sharing of information.
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.
Bart van Greevenbroek.  Authors  The Paper  Particle Swarm Optimization  Algorithm used with PSO  Experiment  Assessment  conclusion.
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.
Particle Swarm optimisation e.com Particle Swarm optimisation: A mini tutorial.
Swarm Intelligence 虞台文.
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.
Topics in Artificial Intelligence By Danny Kovach.
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
Solving of Graph Coloring Problem with Particle Swarm Optimization Amin Fazel Sharif University of Technology Caro Lucas February 2005 Computer Engineering.
Particle Swarm Optimization James Kennedy & Russel C. Eberhart.
Emergency Material Dispatching Model Based on Particle Swarm Optimization 赵伟川
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.
TEMPLATE DESIGN © > >. > Abstract Home energy management system is a challenging and stochastic problem, refers to balancing.
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..
Supervised by: Dr. Nadeem Javaid
Advanced Computing and Networking Laboratory
metaheuristic methods and their applications
Particle Swarm Optimization (2)
The 2st Chinese Workshop on Evolutionary Computation and Learning
Particle Swarm Optimization with Partial Search To Solve TSP
Particle Swarm optimisation
Particle Swarm optimisation
Scientific Research Group in Egypt (SRGE)
Helmholtz Zentrum Berlin, Germany
Particle Swarm Optimization
PSO -Introduction Proposed by James Kennedy & Russell Eberhart in 1995
Dr. Ashraf Abdelbar American University in Cairo
Ana Wu Daniel A. Sabol A Novel Approach for Library Materials Acquisition using Discrete Particle Swarm Optimization.
Meta-heuristics Introduction - Fabien Tricoire
آموزش شبکه عصبی با استفاده از روش بهینه سازی PSO
Traffic Simulator Calibration
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
الگوریتم بهینه سازی توده ذرات Particle Swarm Optimization
A thesis Presented by: Firasath Riyaz. Mentor: Dr. Peter M. Maurer.
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:

بهينه‌سازي گروه ذرات (PSO)

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

ابداع‌كنندة 2: James Kennedy Kennedy_Jim@bls.gov

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.

مثال همياري:

ايدة پايه: هر ذره در حال جستجو براي نقطة بهينه است. هر ذره در حال جابجايي است (در غير اينصورت نمي‌تواند جستجو كند!) به دليل اين جابجايي، داراي سرعت است. هر ذره در هر مرحله، موقعيتي را كه بهترين نتيجه را در آن داشته به خاطر مي‌سپارد. (بهترين موقعيت فردي هر ذره) دلايل فوق بتنهايي خيلي خوب نيستند. ذرات به اين كمك احتياج دارند كه بدانند در كجا به جستجو بپردازند.

ايدة پايه 2: ذرات در گروه ذرات با هم همياري مي‌كنند. ذرات اطلاعاتي كه دربارة موقعيتي كه در آن هستند را با هم تبادل مي‌كنند. اين همياري بايد خيلي ساده باشد. همياري در PSO پايه بشكل زير مي‌باشد: - يك ذره داراي همسايگيهاي منتسب به خودش است. - يك ذره تطابق ذراتي را كه در همسايگيش هستند، مي‌داند و از موقعيت ذره‌اي كه بهترين تطابق را دارد استفاده مي‌كند (بهترين موقعيت سراسري). - از اين موقعيت بسادگي براي تنظيم سرعت ذره استفاده مي‌شود.

ويژگيها و كاربردها: مزايا: يك روش مرتبة صفر است و نيازي به عمليات سنگين رياضي مثل گراديان‌گيري احتياج ندارد. يك روش مبتني بر جمعيت است. از مشاركت ذرات استفاده مي‌كند. كاربردها: آموزش شبكه عصبي بهينه‌سازي تابع بازشناسي الگو

مقداردهي اولية موقعيتها و سرعتها:

يك ذره چه كارهايي را انجام مي‌دهد؟ يك ذره در هر مرحلة زماني (Timestep) بايد به يك موقعيت جديد جابجا شود. اين جابجايي با تنظيم سرعت ذره انجام مي‌شود. تنظيم سرعت بقرار زير است: - سرعت فعلي بعلاوة - سهم وزن‌يافتة تصادفي در جهت بهترين موقعيت منفرد هر ذره - سهم وزن‌يافتة تصادفي در جهت بهترين موقعيت موجود در همسايگي ذره تنظيم موقعيت بشكل زير است: مقدار قديمي موقعيت - سرعت جديد

همسايگيها: geographical social

همسايگيها: Global

همسايگيهاي دايره‌اي: 1 5 7 6 4 3 8 2 همسايگيهاي ذرة 1 دايرة مجازي

بهترين موقعيت همساية من Particles Adjust their positions according to a ``Psychosocial compromise’’ between what an individual is comfortable with, and what society reckons بهترين موقعيت منفرد i-proximity pi بهترين موقعيت همساية من x من در اينجا هستم! pg g-proximity v

شبه-كد كامپيوتري: Equation (a) v[] = c0 *v[] http://www.swarmintelligence.org/tutorials.php Equation (a) v[] = c0 *v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) در روش اصلي c1=1 است ولي در بسياري از الگوريتمهاي مطرح شده اين مقدار را ثابت نمي‌گيرند و آنرا تغيير مي‌دهند. Equation (b) present[] = present[] + v[] جابجايي فعلي اثر حافظة ذره اثر گروه ذرات

شبه‌-كد كامپيوتري: http://www.swarmintelligence.org/tutorials.php For each particle     Initialize particle END Do     For each particle         Calculate fitness value         If the fitness value is better than its peronal best             set current value as the new pBest     End     Choose the particle with the best fitness value of all as gBest     For each particle         Calculate particle velocity according equation (a)         Update particle position according equation (b)     End While maximum iterations or minimum error criteria is not attained

شبه-كد كامپيوتري: http://www.swarmintelligence.org/tutorials.php سرعت ذرات در هر بعد را به Vmax محدود مي‌كنيم. بدين معني كه اگر سرعت در يك جهت بخواهد از اين مقدار بيشتر شود، آنگاه سرعت در آن بعد به Vmax محدود مي‌شود. دليل: از جابجايي سريع ذرات در فضاي جستجو مي‌توانيم جلوگيري كنيم.

نحوة پايان الگوريتم: 1- اجراي تعداد ماكزيمم دفعاتي كه براي اجراي الگوريتم در نظر گرفته شده است. 2- عدم تغيير مقدار تابع تطابق در تعداد معيني تكرار پشت سر هم. 3- كاهش ميزان خطا از يك حد معين.

الگوريتم پايه: مقادير تصادفي در داخل حلقه At each time step t for each particle بروزرساني سرعت بروزرساني موقعيت then move

پارامترها: تعداد ذرات C1 (اهميت مربوط به بهترين هر ذره) C1 (importance of personal best) C2 (اهميت مربوط به بهترين همسايگيها) C2 (importance of neighbourhood best) Vmax

پارامترها را چگونه انتخاب بكنيم؟ The right way اين راه ... Or this way

پارامترها: تعداد ذرات نشان داده شده است كه 10-50 معمولاً كافي مي‌باشد. نشان داده شده است كه 10-50 معمولاً كافي مي‌باشد. C1 (اهميت مربوط به بهترين هر ذره) C2 (اهميت مربوط به بهترين همسايگيها) معمولاً C1+C2 = 4. فقط بدلايل تجربي انتخاب شده است. Vmax: خيلي كم- سرعت پايين خيلي زياد- ناپايدار

مثال:

مثال:

تعيين تطبيقي تعداد ذرات: I try to kill myself There has been enough improvement although I'm the worst I try to generate a new particle I'm the best but there has been not enough improvement

ضرايب تطبيقي: av rand(0…b)(p-x) هر چقدر من بهتر باشم، بيشتر مسير خودم را دنبال مي‌كنم. اگر همساية من بهتر باشد، بسمت همساية خودم تمايل پيدا مي‌كنم.

مراجع: Kennedy, J. and Eberhart, R., “Particle Swarm Optimization,” Proceedings of the IEEE International Conference on Neural Networks, Perth, Australia 1995, pp. 1942-1945. Venter, G. and Sobieski, J., “Particle Swarm Optimization,” Structural Dynamics, and Materials Conference, Denver, CO., April 2002. Kennedy, J. and Eberhart, R., Swarm Intelligence, Academic Press, 1st ed., San Diego, CA, 2001.