Оптимизация нескольких роев - Википедия - Multi-swarm optimization

Оптимизация нескольких роев это вариант оптимизация роя частиц (PSO) основан на использовании нескольких под-роев вместо одного (стандартного) роя. Общий подход к оптимизации нескольких роев заключается в том, что каждый суб-рой фокусируется на определенном регионе, в то время как конкретный метод диверсификации решает, где и когда запускать суб-рой. Фреймворк с несколькими роями особенно подходит для оптимизации многомодальных задач, в которых существует несколько (локальных) оптимумов.

Описание

В мультимодальных задачах важно достичь эффективного баланса между разведкой и эксплуатацией. Системы с несколькими роями обеспечивают новый подход к улучшению этого баланса. Вместо того, чтобы пытаться достичь компромисса между исследованием и эксплуатацией, который может ослабить оба механизма процесса поиска, системы с множеством роев разделяют их на отдельные фазы. Каждая фаза больше ориентирована либо на эксплуатацию (отдельные подгруппы), либо на разведку (метод диверсификации).

Координация под-роя зависит от конкретного метода (-ов) диверсификации, реализуемого системой с множеством роев. Волна роя частиц (WOSP),[1] например, основывает свой механизм диверсификации на «столкновении» частиц. Когда частицы приближаются слишком близко, они выталкиваются силой ближнего действия в новые волны / суб-рои, избегая, таким образом, полного сближения. Оптимизатор роя динамических множественных частиц (DMS-PSO)[2] периодически перегруппировывает частицы суб-роя (после того, как они сойдутся) в новые суб-рои, новые рои запускаются с частицами из предыдущих роев. Стаи саранчи[3] основаны на стратегии «пожрать и двинуться дальше» - после того, как суб-рой «пожирает» относительно небольшую область пространства поиска (чтобы найти локальный оптимум), разведчики отправляются на поиски новых многообещающих регионов, чтобы «двигаться дальше».

Отличительной особенностью суб-роя является то, что их начальные положения и начальные скорости не выбираются случайным образом, как в обычных роях. Вместо этого они сохраняют некоторую информацию из предыдущих траекторий частиц. В общем, разработка систем с несколькими роями приводит к конструктивным решениям, которых не было во время первоначальной разработки оптимизации роя частиц, таким как количество частиц для использования в каждом суб-рое, оптимальное значение для коэффициента сужения и эффекты неслучайных начальных положений и начальных скоростей. Эти проектные решения были тщательно изучены и имеют четко установленные руководящие принципы - например, использование неслучайных начальных положений и начальных скоростей приводит к улучшенным результатам в системах с несколькими роями, что не относится к одиночным роям.[4] Другие проектные решения, например, какой метод диверсификации использовать или какая конкретная стратегия поиска будет выбирать начальные положения и начальные скорости суб-роя, имеют менее установленные руководящие принципы и представляют собой открытые вопросы в области систем с несколькими роями.

Некоторые из этих проектных решений могут быть реализованы с помощью относительно независимых подкомпонентов, которые позволяют вставлять различные методы оптимизации. Таким образом, системы с несколькими роями обеспечивают полезную основу для развития гибридные алгоритмы. Например, УМДА-ПСО[5] система multi-swarm эффективно объединяет компоненты из оптимизация роя частиц, оценка алгоритма распределения, и дифференциальная эволюция в многороевой гибрид.

Текущая работа

А группа чтения на Mendeley доступен всем заинтересованным исследователям.

Смотрите также

Рекомендации

  1. ^ Т. Хендтласс "WoSP: алгоритм мультиоптимального роя частиц, "in Proceedings IEEE Congress on Evolutionary Computing, 2005, pp. 727–734.
  2. ^ С. З. Чжао, Дж. Дж. Лян, П. Н. Сугантан и М. Ф. Тасгетирен "Динамический оптимизатор роя частиц с несколькими роями с локальным поиском для крупномасштабной глобальной оптимизации, "in Proceedings IEEE Congress on Evolutionary Computing, 2008, pp. 3845–3852.
  3. ^ С. Чен, «Стаи саранчи - новый метод мультиоптимального поиска», в материалах Конгресса IEEE по эволюционным вычислениям, 2009 г., стр. 1745–1752.[1]
  4. ^ С.Чен и Дж. Монтгомери «Стратегии выбора исходных положений и начальных скоростей в многооптимальных роях частиц», в Proceedings of the Genetic and Evolutionary Computing Conference, 2011 pp. 53–60.[2]
  5. ^ Антонио Болуфе Рёлер и С. Чен, «Многороевой гибрид для мультимодальной оптимизации», в Proceedings of the IEEE Congress on Evolutionary Computing, 2012, pp. 1759-1766.[3]