Многороевая оптимизация
Многороевая оптимизация — это вариант оптимизации роя частиц (PSO), основанный на использовании нескольких под-роев вместо одного (стандартного) роя. Общий подход к оптимизации нескольких роев заключается в том, что каждый под-рой фокусируется на определенном регионе, в то время как конкретный метод диверсификации решает, где и когда запускать под-рои. Структура мульти-роя особенно подходит для оптимизации мультимодальных задач, где существует несколько (локальных) оптимумов.
Описание
[ редактировать ]В мультимодальных задачах важно достичь эффективного баланса между разведкой и эксплуатацией. Многороевые системы предоставляют новый подход к улучшению этого баланса. Вместо того, чтобы пытаться достичь компромисса между разведкой и эксплуатацией, который мог бы ослабить оба механизма процесса поиска, системы с несколькими роями разделяют их на отдельные фазы. Каждая фаза больше ориентирована либо на эксплуатацию (отдельные подстаи), либо на разведку (метод диверсификации).
Координация под-роев зависит от конкретного метода(-ов) диверсификации, реализуемого системой с несколькими роями. Волна роя частиц (WOSP), [1] например, основывает свой механизм диверсификации на «столкновении» частиц. Когда частицы подходят слишком близко, они выбрасываются силой ближнего действия в новые волны/под-рои, избегая, таким образом, полной конвергенции. Динамический оптимизатор роя нескольких частиц (DMS-PSO) [2] периодически перегруппирует частицы подроев (после их сближения) в новые подрои, новые рои запускаются частицами из предыдущих роев. Стаи саранчи [3] основаны на стратегии «поглотить и двигаться дальше» - после того, как подрой «пожирает» относительно небольшую область пространства поиска (чтобы найти локальный оптимум), разведчики развертываются для поиска новых многообещающих регионов, чтобы «двигаться дальше».
Отличительной особенностью суб-роев является то, что их начальные положения и начальные скорости выбираются не случайно, как в обычных стаях. Вместо этого они сохраняют некоторую информацию о предыдущих траекториях частиц. В общем, разработка систем с несколькими роями приводит к проектным решениям, которых не существовало во время первоначальной разработки оптимизации роя частиц, например, количество частиц, которые будут использоваться в каждом подрое, оптимальное значение коэффициента сужения и эффекты неслучайных начальных положений и начальных скоростей. Эти проектные решения были тщательно изучены и имеют четко установленные рекомендации – например, использование неслучайных начальных положений и начальных скоростей приводит к улучшению результатов в системах с несколькими роями, чего нельзя сказать о одиночных стаях. [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 устоявшиеся рекомендации 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 использовать различные методы оптимизации. Таким образом, многороевые системы обеспечивают полезную основу для разработки гибридных алгоритмов . Например, UMDA-PSO [5] Система с несколькими роями эффективно объединяет компоненты оптимизации роя частиц , оценки алгоритма распределения и дифференциальной эволюции в гибрид с несколькими роями.
Текущая работа
[ редактировать ]Группа чтения Менделея . доступна всем заинтересованным исследователям
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ Т. Хендтласс, « WoSP: мультиоптимальный алгоритм роя частиц », в материалах Конгресса IEEE по эволюционным вычислениям, 2005, стр. 727–734.
- ^ С. З. Чжао, Дж. Дж. Лян, П. Н. Сугантан и М. Ф. Тасгетирен, « Динамический оптимизатор роя частиц с несколькими роями и локальным поиском для крупномасштабной глобальной оптимизации », в материалах Конгресса IEEE по эволюционным вычислениям, 2008, стр. 3845–3852.
- ^ С. Чен, «Рой саранчи - новый метод мультиоптимального поиска», в материалах Конгресса IEEE по эволюционным вычислениям, 2009, стр. 1745–1752. [1]
- ^ С.Чен и Дж. Монтгомери «Стратегии выбора начальных положений и начальных скоростей в роях мультиоптимальных частиц», в материалах конференции по генетическим и эволюционным вычислениям, 2011, стр. 53–60. [2]
- ^ Антонио Болуфе Рёлер и С. Чен, «Многороевой гибрид для мультимодальной оптимизации», в материалах Конгресса IEEE по эволюционным вычислениям, 2012, стр. 1759-1766. [3]