Problem strojenia algorytmu optymalizacji rojem cząstek w optymalizacji ciągłej

• Autorzy: Adam Mrozek , Dariusz Badura

Warianty tytułu

The Problem of Tuning the Particle Swarm Optimization Algorithm in Continuous Optimization

• Języki publikacji: PL

Abstrakty

Optymalizacja wybranego zagadnienia, polegająca na znalezieniu analitycznego rozwiązania wyznaczającego ekstremum opisującego to zagadnienie funkcji, jest bardzo często złożona. Analityczne rozwiązanie staje się czasem niemożliwe, szczególnie w przypadku, gdy funkcja jest sformułowana w sposób uwikłany. W wielu przypadkach nie istnieją też metody automatycznego rozwiązywania takich formuł. Do rozwiązywania wielu problemów optymalizacyjnych skutecznym narzędziem okazała się optymalizacja rojem cząstek (ang. Particle Swarm Optimization, PSO). Sam algorytm bywa także stosowany jako część innych niedeterministycznych algorytmów, tworząc konstrukcje hybrydowe. Biorąc pod uwagę skuteczność znajdowania rozwiązania, wśród innych podobnych metod optymalizacji algorytm PSO nie plasuje się na czołowym miejscu. Stąd liczne próby modyfikacji oraz ustalenia najbardziej optymalnych i uniwersalnych parametrów algorytmu PSO. W artykule przedstawiono wyniki badań efektywności podstawowej wersji algorytmu optymalizacji rojem cząstek (PSO) dla problemów ciągłych o różnej skali złożoności. Autorzy podjęli także próbę oceny kosztu strojenia tego algorytmu dla małych problemów.(abstrakt oryginalny)

EN

The optimization of the chosen issue of finding an analytical solution to determine the extreme describing this function is very often complex. An analytical solution is sometimes impossible, especially when the function is formulated in an entangled way. In many cases, there are no methods for automatically solving such formulas. Optimization of the particle swarm (Particle Swarm Optimization, PSO) has proved to be an effective tool for solving many optimization problems. Hence numerous attempts to modify and determine the most optimal and universal parameters of the PSO algorithm. The algorithm itself is also used as a part of other non-deterministic algorithms to create hybrid constructions. The article presents the results of research on the effectiveness of the basic version of the particle swarm optimization algorithm (PSO) for continuous problems of varying complexity scale. The authors also attempted to evaluate the cost of tuning this algorithm for small problems. The carried out computational experiments confirm the hypotheses advanced.(original abstract)

Słowa kluczowe

PL

Optymalizacja; Algorytmy; Algorytmy numeryczne

EN

Optimalization; Algorithms; Numeric algorithms

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach. Informatyka i Ekonometria
• Rocznik: 2018
• Tom: 13
• Numer: nr 355
• Strony: 61--80

Twórcy

autor

Adam Mrozek

• Uniwersytet Ekonomiczny w Katowicach

autor

Dariusz Badura

• Wyższa Szkoła Biznesu w Dąbrowie Górniczej

Bibliografia

• Adriansyah A., Amin S.H.M. (2006), Analytical and Empirical Study of Particle Swarm Optimization with a Sigmoid Decreasing Inertia Weight [w:] Regional Postgraduate Conference on Engineering and Scienc, 2006, Johore.
• Bansal J.C., Singh P.K., Saraswat M., A. Verma, S.S. Jadon, A. Abraham (2011), Inertia Weight Strategies in Particle Swarm, http://www.softcomputing.net/nabic11_7.pdf (dostęp: 15.05.2016).
• Bergh van den F., Engelbrecht A.P. (2006), A Study of Particle Swarm Optimization Particle Trajectories, www.elsevier.com/locate/ins (dostęp: 28.05.2016).
• Bonyadi M.R., Michalewicz Z. (2017), Particle Swarm Optimization for Single Objective Continuous Space Problems: A Review, "Evolutionary Computation", Vol. 25(1), s. 1-54.
• Carlisle A.J. (2002), Applying the Particle Swarm Optimizer to Non-stationary Environments, 16.12.2002, https://static.aminer.org/pdf/PDF/000/261/986/particle_ swarm_optimization_in_non_stationary_environments.pdf (dostęp: 28.05.2016).
• Clerc M. (2012), Standard Particle Swarm Optimisation, https://hal.archives-ouvertes. fr/hal-00764996/document, (dostęp: 28.05.2016).
• Kennedy J., Eberhart R. (1995), Particle Swarm Optimization, Proceedings of IEEE International Conference on Neural Networks, Vol. IV, s. 1942-1948.
• Li-ping Z., Huan-jun Y., Shang-xu H. (2005), Optimal Choice of Parameters for Particle Swarm Optimization, 24.10.2005, http://www.zju.edu.cn/jzus (dostęp: 28.05.2016).
• Opara K., Arabas J. (2012), Procedury oceny algorytmów optymalizacji ciągłej, 03.10.2012, https://www.researchgate.net/publication/272506132_Procedury_oceny_ algorytmow_optymalizacji_ciaglej (dostęp: 28.05.2016).
• Ozcan E., Mohan C.K. (2010), Analysis of a Simple Particle Swarm Optimization System, Syracuse, New York.
• Shi Y., Eberhart R.C. (2012), Empirical Study of Particle Swarm Optimization [w:] Proceedings of the IEEE Congress on Evolutionary Computation, IEEE Press, s. 1945-1950.
• Ströÿner C. (2014), Particle Swarm Optimization & Parameter Selection, 17.10.2014, http://wwwmayr.informatik.tu-muenchen.de/konferenzen/Ferienakademie14/slides_ papers/paper_Christoph_Stroessner.pdf (dostęp: 28.05.2016).
• Yuan Z., Montes de Oca A., Birattari M., Stützle T. (2010), Modern Continuous Optimization Algorithms for Tuning Real and Integer Algorithm Parameters, 02.10.2010, http://iridia.ulb.ac.be/~mbiro/paperi/YuaMonBirStu2010ants.pdf (dostęp: 28.05.2016).