МЕТОД РОЯ ЧАСТИЦ С АДАПТИВНЫМИ СОЦИАЛЬНОЙ И КОГНИТИВНОЙ КОМПОНЕНТАМИ

Эффективность решения оптимизационных задач с помощью метода роя частиц в значительной степени зависит от выбранных исследователем значений социальной и когнитивной компонент. На данный момент нет возможности однозначно определять такие значения этих параметров, которые бы обеспечивали максимальную эффективность поиска решения для конкретной задачи. В целях устранения этого недостатка, в данной статье предлагается модификация метода роя частиц, в которой социальная и когнитивная компоненты алгоритма адаптируются в процессе оптимизации к исследуемой задаче, избавляя таким образом исследователя от необходимости подбирать значения этих компонент вручную. В основе адаптации лежат принципы, сходные с генетическими алгоритмами: осуществляются отбор наиболее эффективных частиц, скрещивание – передача их значений социальной и когитивной компонент другим частицам, и мутация – случайные модификации значений компонент. Для оценки эффективности полученного алгоритма была проведена серия экспериментов по нахождению минимумов нескольких тестовых функций. Найденные минимумы, усредненные по каждой группе тестов, сравнивались с минимумами, найденными каноническим методом роя частиц. На основе полученных результатов, была выдвинута и подтверждена статистическая гипотеза о превосходстве адаптивного методя роя частиц над каноническим. Проведенное исследование свидетельствует об эффективности применения представленного адаптивного метода для решения практических задач.

1. А.П. Карпенко. Обзор методов роя частиц для задачи глобальной оптимизации / А.П. Карпенко, Е.Ю. Селиверстов // Машиностроение и компьютерные технологии. – 2009 – №3 – 26 с.

2. Jing-Ru Zhang. Hybrid particle swarm optimization–back-propagation algorithm for feedforward neural network training / Jing-Ru Zhang, Jun Zhang, Tat-Ming Lok, Michael R. Lyu // Applied Mathematics and Computation. – 2007 – №2 – pp. 1026-1037.

3. V. Miranda. EPSO-evolutionary particle swarm optimization, a new algorithm with applications in power systems / V. Miranda, N. Fonseca // Transmission and Distribution Conference and Exhibition. – 2002 – №2 – pp. 740-750.

4. Chia-Feng Juang. A hybrid of genetic algorithm and particle swarm optimization for recurrent network design / Chia-Feng Juang // Transactions on systems, man, and cybernetics – Part B: Cybernetics. – 2004 – №2 – pp. 997 – 1006.

5. T. Krink. The LifeCycle model: Combining Particle Swarm Optimisation, Genetic Algorithms and HillClimbers» / T. Krink, M. Lovbjerg // Parallel Problem Solving from Nature — PPSN VII. – 2002 – pp. 621-630.

6. J. Kennedy. Particle swarm optimization / J. Kennedy, R. C. Eberhart // Proceedings of the 1995 IEEE International Conference on Neural Networks. – 1995 – pp. 1942-1948.

7. Shi Y. A modified particle swarm optimizer / Shi Y., Eberhart R. // Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence. – 1998 – pp. 69-73.

8. Ratnaweera, A. «Self-organizing Hierarchical Particle Swarm Optimizer with Time-varying Acceleration Coefficients» / Ratnaweera, A., Halgamuge, S., Watson, H. //IEEE Transactions on Evolutionary Computation. – 2004 – pp. 240-255.

9. J.H. Holland. Adaptation in natural and artificial systems / J.H. Holland. – Cambridge: MIT Press, 1992. – 225 pp.

10. М.В. Бураков. Генетический алгоритм: теория и практика: учеб. пособие / М. В. Бураков. – СПб.: ГУАП, 2008. – 164 с

11. Z. Michalewicz. A Note on Usefulness of Geometrical Crossover for Numerical Optimization Problems» / Z. Michalewicz, G. Nazhiyath, M. Michalewicz // Proceedings of the 5th Annual Conference on Evolutionary Programming. – 1996 – pp. 305-312.