Download presentation
Presentation is loading. Please wait.
1
آموزش شبکه عصبی با استفاده از روش بهینه سازی PSO
به نام خدا آموزش شبکه عصبی با استفاده از روش بهینه سازی PSO ارائه دهنده: امیر محمدی استاد مربوطه: آقای دکتر پویان
2
روشهای مختلف برای آموزش شبکه های عصبی پیشخور FNN
الگوریتم پس انتشار خطا الگوریتم ژنتیک الگوریتم Stimulated Annealing الگوریتم PSO یا Particle Swarm Optimization و ...
3
Particle Swarm Optimization
یک تکنیک تکاملی (Evolutionary) برای انجام محاسبات است. توسط Kennedy و Eberhart در سال 1995 ایجاد شده است. از رفتار اجتماعی دسته پرندگان الهام گرفته است. همانند الگوریتم ژنتیک ، PSO یک ابزار بهینه سازی است که با مجموعه ای از پاسخهای بالقوه (Population) کارش را آغاز می کند و با بروز کردن نسلها به دنبال پیدا کردن نقطه بهینه می باشد. بر خلاف الگوریتم ژنتیک، الگوریتم PSO هیچگونه عملگر تکاملی پیچیده مثل ترکیب و جهش را ندارد. در الگوریتم PSO ، پاسخهای بالقوه را ذره می نامند و این ذرات با حرکت کردن در فضای مسئله و با تمایل پیدا کردن به سمت بهترین پاسخی که تا کنون بدست آمده، بروز می شوند.
4
Particle Swarm Optimization – Concept
x1 x2 fitness min max search space
5
Particle Swarm Optimization
هر ذره دارای حافظه است و بهترین موقعیت خودش که تا کنون بدست آورده (Pb) و بهترین موقعیت همسایگانش (Pg) را در هر تکرار در حافظه اش نگه می دارد. در هر تکرار، هر ذره بر اساس بهترین موقعیتش (Pb) و بهترین موقعیت همسایگانش (Pg) ، بردار سرعتش را تنظیم می کند.
6
Particle Swarm Optimization – The Basic Model
Rules of movement Vid(t+1)= Vid(t)+c1* rand()*[Pid(t)-xid(t)]+c2*rand()*[Pgd(t)-xid(t)] Xid(t+1)=xid(t)+vid(t+1) ≤i ≤n 1 ≤d ≤ D که c1 و c2 ثابتهای شتاب دهنده با مقادیر مثبت و rand() عددی تصادفی بین 0 و 1 می باشد.
7
Particle Swarm Optimization – The Basic Model
8
Particle Swarm Optimization – The Basic Model
9
Particle Swarm Optimization – Animation
x1 x2 fitness min max search space
10
Particle Swarm Optimization – Animation
x1 x2 fitness min max search space
11
Particle Swarm Optimization – Animation
x1 x2 fitness min max search space
12
Particle Swarm Optimization – Animation
x1 x2 fitness min max search space
13
Particle Swarm Optimization – Animation
x1 x2 fitness min max search space
14
Particle Swarm Optimization – Animation
x1 x2 fitness min max search space
15
Particle Swarm Optimization – Animation
x1 x2 fitness min max search space
16
Particle Swarm Optimization – Animation
x1 x2 fitness min max search space
17
Particle Swarm Optimization Flow Chart
Flow chart depicting the General PSO Algorithm: Start Initialize particles with random position and velocity vectors. For each particle’s position (p) evaluate fitness Loop until all particles exhaust If fitness(p) better than fitness(pbest) then pbest= p Loop until max iter Set best of pBests as gBest Update particles velocity (eq. 1) and position (eq. 3) Stop: giving gBest, optimal solution.
18
Thank You
Similar presentations
