optimización de enjambre de partículas ( PSO ) en 1995 por el Dr. Eberhart y el Dr. Kennedy criados juntos, se trata del estudio de las aves de presa comportamiento. El núcleo básico es el uso de una población de individuos que comparten información de manera que el movimiento de toda la población a la evolución de productos del desorden al orden en el espacio resolución de problemas para obtener la solución óptima. En PSO en todas las partículas que tienen un vector de posición (una posición en el espacio de la solución de la partícula) y el vector de velocidad (la dirección y velocidad determina el siguiente vuelo), y el valor de aptitud se puede calcular la ubicación actual donde la función objetivo. En cada iteración, la población de partículas de acuerdo con su experiencia de vuelo cada partícula y otras partículas experiencia volando en el espacio de búsqueda, dinámicamente cambiar la velocidad de cada partícula, para ajustar la trayectoria de cada individuo en el espacio de búsqueda , con lo cual cómo ajustar y cambiar la dirección y velocidad de vuelo para determinar cuándo la próxima iteración. Así que poco a poco iteración, la totalidad de la población partícula final se convertirá gradualmente la solución óptima.
Para PSO algoritmo, factores dos constantes de peso inercia y aceleración afectan directamente el valor de la superioridad del algoritmo. Asanga Ratnaweera et al proyecto de extensión del algoritmo PSO, por experimentos con método de inercia variable cuando factor de ponderación ( PSO TVIW- método aleatorio factor de peso inercia () PSO-RANDIW) Las ventajas y desventajas de los diferentes métodos.
El primero es la introducción de coeficiente de aceleración variable en el tiempo ( TVAC) , cambiando el factor de aceleración y con el tiempo se reduce el componente cognitivo, aumentando componente social : al principio, el componente cognitivo de la composición social más grande y más pequeño, permitiendo así que las partículas se mueven en el espacio de búsqueda, pero no el mejor movimiento hacia la población , mientras que la composición de componentes cognitiva social más pequeño y más grande permite la optimización de la partícula a finales del convergen al óptimo global. Este método se denomina método PSO-TVAC , puede ser optimizado para mejorar las primeras etapas de una búsqueda global, y para fomentar la convergencia a la partícula óptimo global al final de la búsqueda.
La segunda es tener una "mutación" y los coeficientes de aceleración variables en el tiempo enjambre de partículas de optimización dispositivo ( MPSO-TVAC) , la "mutación" en PSO 's estrategia ( MPSO), proporcionando adicionales poblaciones para mejorar la capacidad de búsqueda global de la diversidad de partículas . Bajo esta nueva estrategia, cuando la solución global óptima no se mejora con el aumento de generación, seleccionará al azar una partícula, entonces una perturbación aleatoria (paso variación) se añadió a una selección aleatoria de velocidad modo vectorial de las partículas de probabilidad predefinida (probabilidad de mutación) por.
El tercero está teniendo un PSO en capas aceleración auto-organizado variable en el tiempo coeficiente de filtro ( HPSO-TVAC) , que introduce un nuevo concepto de "partícula laminar dispositivo de optimización enjambre autoorganizado (HPSO)", para proporcionar partículas el impulso necesario para encontrar la solución global óptima, pero no hay ningún algoritmo PSO previamente la entrada de velocidad . En este método, la velocidad del elemento anterior sigue siendo cero, y la velocidad aleatorio (reinicialización velocidad) reinicializa partículas de vector de velocidad estancamiento durante el moldeo en un espacio de búsqueda , en cuyo método, de acuerdo con el comportamiento de las partículas en el espacio de búsqueda generar automáticamente una serie de PSO en la optimización enjambre de partículas principal interna, hasta un criterio de convergencia es satisfecho hasta ahora.
Por experimento, cinco de referencia para evaluar el rendimiento resultados muestran que la tasa de comparación PSO-TVIW, PSO-TVAC mejoró significativamente la convergencia y el valor óptimo, especialmente para la función unimodal , sin embargo, el rendimiento del método de PSO-TVAC en mala función multimodal ; la TVAC MPSO en la mayoría-seleccionado de referencia se observó una mejora significativa en el rendimiento ; con el método PSO-RANDIW comparación, la funcionalidad multi-modo de rendimiento PSO-TVAC ha sido mejorada , sin embargo, para función unimodal, que converge lentamente; usando función de política MPSO-TVAC Rastrigrin es débil, otras funciones similares, pero la convergencia lenta para la mayoría de referencia, tiene una fija factor de aceleración (MPSO-FAC) 2 el método de MPSO el rendimiento es muy pobre . Y para la mayoría de la referencia, HPSO-TVAC compara con PSO-TVIW y método PSO-RANDIW , el rendimiento ha mejorado significativamente , sin embargo, método HPSO Schaffer-TVAC en el rendimiento y la función f6 función Rosenbrock en pequeñas dimensionesEl rendimiento relativamente bajo. Un coeficiente fijo de aceleración ( en c1 = c2 = 2) caso, el rendimiento de la HPSO método muy pobre. Además, todos los métodos de , método PSO-RANDIW muestra una tasa significativamente más rápida convergencia en la etapa temprana del proceso de optimización.