?이 시리즈 기사는 주로 입자 군집 알고리즘을 소개하고 사용하며, 입자 군집 알고리즘의 고전적인 사례를 제시함으로써 입자 군집 알고리즘에 대한 이해와 적용을 더욱 심화시킵니다(이번 글은 완료될 것으로 예상됩니다). 일주일 내 시리즈 기사). 주로 네 부분으로 구성됩니다:
?입자 떼 최적화 알고리즘(Particle Swarm Optimization, PSO)이라고도 알려진 입자 떼 알고리즘은 떼 지능 최적화 알고리즘이며 최근 몇 년 동안 개발된 새로운 진화 알고리즘입니다. ( 진화 알고리즘, EA). 군집 지능 최적화 알고리즘은 주로 곤충, 무리, 새 및 물고기의 군집 행동을 시뮬레이션합니다. 이러한 그룹은 협동적인 방식으로 먹이를 찾습니다. 그룹의 각 구성원은 자신의 경험과 다른 구성원의 경험을 통해 지속적으로 방향을 바꿉니다. 당신의 검색. 군집 지능 최적화 알고리즘의 뛰어난 특징은 모집단의 군집 지능을 사용하여 공동 검색을 수행하여 솔루션 공간에서 최적의 솔루션을 찾는다는 것입니다.
시뮬레이션 어닐링 알고리즘과 비교하여 PSO 알고리즘 역시 무작위 솔루션에서 시작하여 반복을 통해 최적의 솔루션을 찾습니다. 적합성을 통해 솔루션의 품질을 평가하지만 유전 알고리즘 규칙보다 간단합니다. 유전 알고리즘의 "교차" 및 "돌연변이"는 현재 검색된 최대 적합도를 따라 전역 최적을 찾습니다. 이 알고리즘은 구현의 용이성, 높은 정확성, 빠른 수렴성으로 인해 학계의 주목을 받았으며, 실무 문제 해결에 있어서 그 우수성을 입증해 왔습니다.
?입자 떼 알고리즘에서는 각 최적화 문제에 대한 해결책을 검색 공간의 새, 즉 "입자"로 간주합니다. 알고리즘이 시작될 때 초기 솔루션이 먼저 생성됩니다. 즉, 각 입자의 위치가 문제에 대한 솔루션을 나타내는 실행 가능한 솔루션 공간에서 입자 집단이 무작위로 초기화되고 새로운 솔루션이 검색됩니다. 목적함수 계산에 대해 각 반복에서 입자는 두 개의 "극값"을 추적하여 자체를 업데이트합니다. 하나는 입자 자체에서 검색한 최상의 솔루션이고, 다른 하나는 현재 전체 모집단에서 검색한 최적의 솔루션입니다. 또한, 각 입자에는 속도가 있습니다. 두 가지 최적의 솔루션을 찾으면 각 입자는 다음과 같은 반복 공식에 따라 업데이트됩니다.
? 매개변수는 PSO의 관성 가중치라고 하며 그 값은 다음과 같습니다. 간격 사이의 매개변수 합계를 학습 요인(학습 요인)이라고 하며 합계는 사이의 무작위 확률 값입니다.
?완전히 최적의 매개변수는 없다는 것이 실습을 통해 입증되었습니다. 다양한 문제에 대해 적절한 매개변수를 선택해야만 더 나은 수렴 속도와 견고성을 얻을 수 있으며 일반적으로 적응형 선택이 사용됩니다. 즉, 처음에는 PSO가 강력한 전역 최적화 능력을 갖게 되며, 반복이 깊어짐에 따라 로 감소하여 PSO가 강력한 로컬 최적화 능력을 갖게 됩니다.
? 매개변수를 관성 가중치라고 부르는 이유는 물리학에서 언급된 관성과 마찬가지로 입자의 과거 모션 상태가 현재 동작에 미치는 영향을 실제로 반영하기 때문입니다. 이전 동작 상태가 현재 동작에 거의 영향을 미치지 않으면 입자의 속도가 빠르게 변합니다. 반대로 크기가 크면 검색 공간이 크더라도 입자가 이동 방향을 변경하기가 어렵습니다. 더 큰 방향으로 이동하기는 어렵습니다. 알고리즘의 속도 때문에 최적의 위치 수렴은 실제 응용에서 이와 같이 설정되는 경우가 거의 없습니다. 즉, 설정이 높을수록 전역 검색이 촉진되고, 설정이 낮을수록 지역 검색이 빨라집니다.