Particle swarm optimization (PSO) is an algorithm modelled on swarm intelligence that finds a solution to an optimization problem in a search space, or model and predict social behavior in the presence of objectives.
| Property | Value |
|---|
| dbpprop:abstract
|
- Particle swarm optimization (PSO) is an algorithm modelled on swarm intelligence that finds a solution to an optimization problem in a search space, or model and predict social behavior in the presence of objectives.
- L'optimisation par essaims particulaires (OEP ou PSO en anglais) est une métaheuristique d'optimisation, inventée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-psychologue) en 1995. Cet algorithme s'inspire à l'origine du monde du vivant. Il s'appuie notamment sur un modèle développé par le biologiste Craig Reynolds à la fin des années 1980, permettant de simuler le déplacement d'un groupe d'oiseaux. Une autre source d'inspiration, revendiquée par les auteurs, est la socio-psychologie. Cette méthode d'optimisation se base sur la collaboration des individus entre eux. Elle a d'ailleurs des similarités avec les algorithmes de colonies de fourmis, qui s'appuient eux aussi sur le concept d'auto-organisation. Cette idée veut qu'un groupe d'individus peu intelligents peut posséder une organisation globale complexe. Ainsi, grâce à des règles de déplacement très simples (dans l'espace des solutions), les particules peuvent converger progressivement vers un minimum local. Cette métaheuristique semble cependant mieux fonctionner pour des espaces en variables continues. Au départ de l'algorithme chaque particule est donc positionnée (aléatoirement ou non) dans l'espace de recherche du problème. Chaque itération fait bouger les particules en fonction de 3 composantes : Sa vitesse actuelle, Sa meilleure solution <math>P_i</math>, La meilleure solution obtenue dans son voisinage <math>P_g</math>. Cela donne l'équation de mouvement suivante : <math>V_{k+1} = {\omega}V_k+b_1(P_i-X_k)+b_2(P_g-X_k)</math>. <math>X_{k+1} = X_k + V_{k+1}</math>. Avec : <math>{\omega}</math> inertie <math>b_1</math> tiré aléatoirement dans [0,φ1] <math>b_2</math> tiré aléatoirement dans [0,φ2]
- 粒子群最適化（Particle Swarm Optimization、PSOと略記）とは、群知能の一種。 昆虫の大群や魚群において、一匹がよさそうな経路を発見すると（すなわち、食料を発見したとか安全であるという場合）、群れの残りはどこにいても素早くそれに倣うことができる。 これは多次元空間において位置と速度を持つ粒子群でモデル化される。これらの粒子はハイパー空間を飛びまわり、最善な位置を探す。位置の評価は適応度関数で行う。群れのメンバーは良い位置について情報交換し、それに基づいて自身の位置と速度を調整する。このコミュニケーションは主に次の二種類の方法でなされる。 最も良い位置にいる粒子が全体に通知される。 ローカルなベストの位置にいる粒子が近傍の粒子群に通知される。 位置と速度の更新は以下の式で行われ、これが繰り返される。 <math> x \leftarrow x + v </math> <math> v \leftarrow wv + c_1 r_1 (\hat{x}-x) + c_2 r_2 (\hat{x}_g-x) </math> <math>w</math> は、慣性定数。多くの場合 1 より若干小さい値が最適である。 <math>c_1</math> と <math>c_2</math> は群のうちで良い位置に向かう粒子の割合。1 に近い値が多くの場合最適である。 <math>r_1</math> と <math>r_2</math> は <math>[0, 1]</math> の範囲の値をとる乱数。 <math>\hat{x}</math> は、その粒子がこれまでに発見したベストな位置 <math>\hat{x}_g</math> は群全体としてこれまでに発見したベストな位置。これをローカルなベスト <math>\hat{x}_l</math> にすれば、上記の後者の方法（近傍への通知）になる。
- 粒子群优化(Particle Swarm Optimization, PSO)，又称微粒群算法，是由J. Kennedy和R. C. Eberhart等于1995年开发的一种演化计算技术，来源于对一个简化社会模型的模拟。其中“群(swarm)”来源于微粒群符合M. M. Millonas在开发应用于人工生命(artificial life)的模型时所提出的群体智能的5个基本原则。“粒子(particle)”是一个折衷的选择，因为既需要将群体中的成员描述为没有质量、没有体积的，同时也需要描述它的速度和加速状态。 PSO算法最初是为了图形化的模拟鸟群优美而不可预测的运动。而通过对动物社会行为的观察，发现在群体中对信息的社会共享提供一个演化的优势，并以此作为开发算法的基础。通过加入近邻的速度匹配、并考虑了多维搜索和根据距离的加速，形成了PSO的最初版本。之后引入了惯性权重w来更好的控制开发(exploitation)和探索(exploration)，形成了标准版本。
|
| dbpprop:hasPhotoCollection
| |
| dbpprop:reference
| |
| rdf:type
| |
| rdfs:comment
|
- Particle swarm optimization (PSO) is an algorithm modelled on swarm intelligence that finds a solution to an optimization problem in a search space, or model and predict social behavior in the presence of objectives.
- L'optimisation par essaims particulaires (OEP ou PSO en anglais) est une métaheuristique d'optimisation, inventée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-psychologue) en 1995. Cet algorithme s'inspire à l'origine du monde du vivant. Il s'appuie notamment sur un modèle développé par le biologiste Craig Reynolds à la fin des années 1980, permettant de simuler le déplacement d'un groupe d'oiseaux.
- 粒子群优化(Particle Swarm Optimization, PSO)，又称微粒群算法，是由J. Kennedy和R. C. Eberhart等于1995年开发的一种演化计算技术，来源于对一个简化社会模型的模拟。其中“群(swarm)”来源于微粒群符合M. M.
|
| rdfs:label
|
- Particle swarm optimization
- Optimisation par essaims particulaires
- 粒子群最適化
- 粒子群优化
|
| owl:sameAs
| |
| skos:subject
| |
| foaf:page
| |
| is dbpprop:redirect
of | |
| is owl:sameAs
of | |
![[RDF Data]](/statics/sw-cube.png)
