Bài giảng Tính toán tiến hóa - Bài 8: Particle swarm optimization (PSO)

Bài giảng Tính toán tiến hóa - Bài 8: Particle swarm optimization (PSO). Bài này cung cấp cho học viên những nội dung về: particle swarm optimization; các thành phần của thuật toán PSO; biểu thức cập nhật vận tốc; thuật toán PSO rời rạc;... Mời các bạn cùng tham khảo chi tiết nội dung bài giảng!

Particle Swarm Optimization (PSO) PGS.TS Huỳnh Thị Thanh Bình Email: binhht@soict.hust.edu.vn Tổng quan Particle Swarm Optimization:  Được giới thiệu Kennedy & Eberhart 1995  Lấy cảm hứng từ hành vi xã hội bầy chim đàn cá  Thuộc lớp thuật toán tối ưu sử dụng Trí thơng minh bầy đàn  Thuật tốn tối ưu dựa quần thể Các thành phần thuật toán PSO Swarm (bầy) : Tập cá thể (S)  Particle (cá thể): ứng cử viên lời giải tốn   Vị trí,  Vận tốc ,  Vị trí tốt đạt cá thể khứ :  Cá thể tốt bầy đàn: PSO Algorithm Các bước thuật toán PSO: Khởi tạo bầy gồm N cá thể Đánh giá độ thích nghi cá thể bầy Cập nhật vị trí tốt (kinh nghiệm) 𝑃𝑖 cá thể Cập nhật vị trí cá thể tốt 𝑃𝑔 bầy đàn Cập nhật vận tốc vị trí cá thể theo 𝑃𝑖 𝑃𝑔 Quay lại bước 2, lặp thỏa mãn điều kiện dừng PSO Algorithm (cont.)  Biểu thức cập nhật vận tốc : Quán tính Thành phần nhận thức Thành phần xã hội  Hệ  số ngẫu nhiên : hệ số gia tốc PSO Algorithm (cont.)  Biểu thức cập nhật vận tốc : Quán tính Thành phận nhận thức Thành phần xã hội  Hệ   số ngẫu nhiên : hệ số gia tốc Cập nhật vị trí: PSO Algorithm – Tham số  Hệ số gia tốc     Giá trị nhỏ làm hạn chế bước nhảy cá thể bầy đàn=> hội tụ chậm Giá trị lớn : không hội tụ Thông thường Giá trị vận tốc tối đa  Giá trị vận tốc tối đa cá thể chiều thứ d khơng gian: 𝑣𝑚𝑎𝑥 = 𝑈𝐵𝑑 − 𝐿𝐵𝑑 Ví dụ thuật toán PSO (Bước + +3) • Khởi tạo bầy đàn với cá thể (t=0) • Đánh giá độ thích nghi, • Đánh dấu gbest 2.5 gbest 1.5 0.5 0 Ví dụ thuật tốn PSO (Bước 4) Cập nhât vận tốc cá thể (t=1) 2.5 gbest 1.5 0.5 0 Ví dụ thuật tốn PSO (Bước tiếp) 10 Cập nhật vị trí cá thể sau di chuyển (t=2) 2.5 gbest 1.5 0.5 0 Ví dụ thuật tốn PSO (Bước 2+3) 11 Đánh giá độ thích nghi Cập nhật vị trí tốt cá thể vị trí tốt toàn cục (t=2) 2.5 gbest 1.5 0.5 0 Ví dụ thuật toán PSO (Bước 4) 12 Cập nhật vận tốc cho cá thể (t=2) Quán tínhThành phần nhận thứcThành phần xã hội gbest 2.5 Quán tính Nhận thức Xã hội Tổng hợp 1.5 0.5 0 Thuật toán PSO rời rạc 13  Binary PSO: Được giới thiệu kennedy and Eberhart  Mỗi cá thể (particle) biểu diễn nhị phân 0-1  Trạng thái trước  Vận tốc Biểu thức cập nhật vận tốc: Vị trí tốt trước cá thể đạt Vị trí tốt cá thể tốt bầy đàn Binary PSO (cont.) 14  xác định ngưỡng hàm xác xuất nằm đoạn [0.0, 1.0]  Trạng thái chiều thứ d biểu diễn cá thể id hệ thứ t xác định sau: Với số ngẫu nhiên với phân phối Vid Các biến thể PSO 15  Hybrid PSO   Adaptive PSO   Adaptation of PSO parameters for a better performance PSO in complex environments   Incorporate the capabilities of other evolutionary computation techniques Multiobjective or constrained optimization problems or tracking dynamic systems Other variants  variations to the original formulation to improve its performance Hybrid PSO 16  GA-PSO:  combines the advantages of swarm intelligence and a natural selection mechanism  jump from one area to another by the selection mechanism  accelerating the convergence speed  capability of “breeding”  replacing agent positions with low fitness values, with those with high fitness, according to a selection rate Hybrid PSO 17  EPSO:  Evolutionary PSO  Incorporates a selection procedure  Self-adapting of parameters  The particle movement is defined as: Hybrid PSO : EPSO 18  Mutation of weights and global best:  Learning parameters can be either fixed or dynamically changing as strategic parameters  Survival Selection:  Stochastic tournament Hybrid PSO : EPSO 19 Hybrid PSO : DEPSO 20    Hybrid of Differential Evolution and PSO A DE operator applied to the particle’s best position to eliminate the particles falling into local minima Alternation: Original PSO algorithm at the odd iterations  DE operator at the even iterations  Hybrid PSO : DEPSO 21  DE mutation on particle’s best positions: Trial point: For each dth dimention:  where k is a random integer value within [1,n] which ensures the mutation in at least one dimension Hybrid PSO : DEPSO 22 Applications 23  Convenience of realization, properties of low constraint on the continuity of objective function and joint of search space, and ability of adapting to dynamic environment, make PSO be applied in more and more fields  Some PSO applications:      Electronics and electromagnetic Signal, Image and video processing Neural networks Communication networks … 24 Thanks for your attention ...Tổng quan Particle Swarm Optimization:  Được giới thiệu Kennedy & Eberhart 1995  Lấy cảm hứng từ hành vi xã hội bầy chim đàn cá  Thuộc lớp thuật toán tối ưu sử dụng Trí thơng... thuật toán PSO Swarm (bầy) : Tập cá thể (S)  Particle (cá thể): ứng cử viên lời giải tốn   Vị trí,  Vận tốc ,  Vị trí tốt đạt cá thể khứ :  Cá thể tốt bầy đàn: PSO Algorithm Các bước thuật toán. .. Quán tínhThành phần nhận thứcThành phần xã hội gbest 2.5 Quán tính Nhận thức Xã hội Tổng hợp 1.5 0.5 0 Thuật toán PSO rời rạc 13  Binary PSO: Được giới thiệu kennedy and Eberhart  Mỗi cá thể (particle)