Метод роя частиц
Метод роя частиц (МРЧ) — метод численной оптимизации, для использования которого не требуется знать точного градиента оптимизируемой функции.
МРЧ был доказан Кеннеди, Эберхартом и Ши[1][2] и изначально предназначался для имитации социального поведения. Алгоритм был упрощён, и было замечено, что он пригоден для выполнения оптимизации. Книга Кеннеди и Эберхарта[3] описывает многие философские аспекты МРЧ и так называемого роевого интеллекта. Обширное исследование приложений МРЧ сделано Поли[4][5].МРЧ оптимизирует функцию, поддерживая популяцию возможных решений, называемых частицами, и перемещая эти частицы в пространстве решений согласно простой формуле. Перемещения подчиняются принципу наилучшего найденного в этом пространстве положения, которое постоянно изменяется при нахождении частицами более выгодных положений.
Алгоритм
Пусть — целевая функция, которую требуется минимизировать, — количество частиц в рое, каждой из которых сопоставлена координата в пространстве решений и скорость . Пусть также — лучшее из известных положений частицы с индексом , а — наилучшее известное состояние роя в целом. Тогда общий вид метода роя частиц таков.
- Для каждой частицы сделать:
- Сгенерировать начальное положение частицы с помощью случайного вектора , имеющего многомерное равномерное распределение, где и — нижняя и верхняя границы пространства решений соответственно.
- Присвоить лучшему известному положению частицы его начальное значение: .
- Если , то обновить наилучшее известное состояние роя: .
- Присвоить значение скорости частицы: .
- Пока не выполнен критерий остановки (например, достижение заданного числа итераций или необходимого значения целевой функции), повторять:
- Для каждой частицы сделать:
- Сгенерировать случайные векторы .
- Обновить скорость частицы: , где операция означает покомпонентное умножение.
- Обновить положение частицы переносом на вектор скорости: . Этот шаг выполняется вне зависимости от улучшения значения целевой функции.
- Если , то:
- Обновить лучшее известное положение частицы: .
- Если , то обновить лучшее известное состояние роя в целом: .
- Для каждой частицы сделать:
- Теперь содержит лучшее из найденных решений.
Параметры , и выбираются вычислителем и определяют поведение и эффективность метода в целом. Эти параметры составляют предмет многих исследований .
Подбор параметров
Выбор оптимальных параметров метода роя частиц — тема значительного количества исследовательских работ, см., например, работы Ши и Эберхарта[6][7], Карлайла и Дозера[8], ван ден Берга[9], Клерка и Кеннеди[10], Трелеа[11], Браттона и Блеквэлла[12], а также Эверса[13].
Простой и эффективный путь подбора параметров метода предложен Педерсеном и другими авторами[14][15]. Они же провели численные эксперименты с различными оптимизациоными проблемами и параметрами. Техника выбора этих параметров называется мета-оптимизацией, так как другой оптимизационный алгоритм используется для «настройки» параметров МРЧ. Входные параметры МРЧ с наилучшей производительностью оказались противоречащими основным принципам, описанным в литературе, и часто дают удовлетворительные результаты оптимизации для простых случаев МРЧ. Реализацию их можно найти в открытой библиотеке SwarmOps.
Варианты алгоритма
Постоянно предлагаются новые варианты алгоритма роя частиц для улучшения производительности метода. Существует несколько тенденций в этих исследованиях, одна из которых предлагает создать гибридный оптимизационный метод, использующий МРЧ в комбинации с иными алгоритмами, см. например[16][17]. Другая тенденция предлагает каким-либо образом ускорить работу метода, например, отходом назад или переменой порядка движения частиц (об этом см.[13][18][19]). Также есть попытки адаптировать поведенческие параметры МРЧ в процессе оптимизации[20].
См. также
Примечания
Ссылки
- Particle Swarm Central. Новости, люди, места, программы, статьи и др. В частности, см. текущий стандарт МРЧ. (англ.)
- Ссылки на исходные коды реализаций алгоритмов МРЧ Архивная копия от 15 апреля 2021 на Wayback Machine