Particle swarm optimization (PSO) i

Particle swarm optimization (PSO) is a population based stochastic optimization technique developed by Dr. Eberhart and Dr. Kennedy in 1995, inspired by social behavior of bird flocking or fish schooling.

PSO shares many similarities with evolutionary computation techniques such as Genetic Algorithms (GA). The system is initialized with a population of random solutions and searches for optima by updating generations. However, unlike GA, PSO has no evolution operators such as crossover and mutation. In PSO, the potential solutions, called particles, fly through the problem space by following the current optimum particles.

Each particle keeps track of its coordinates in the problem space which are associated with the best solution (fitness) it has achieved so far. (The fitness value is also stored.) This value is called pbest. Another "best" value that is tracked by the particle swarm optimizer is the best value, obtained so far by any particle in the neighbors of the particle. This location is called lbest. when a particle takes all the population as its topological neighbors, the best value is a global best and is called gbest.

The particle swarm optimization concept consists of, at each time step, changing the velocity of (accelerating) each particle toward its pbest and lbest locations (local version of PSO). Acceleration is weighted by a random term, with separate random numbers being generated for acceleration toward pbest and lbest locations.

In past several years, PSO has been successfully applied in many research and application areas. It is demonstrated that PSO gets better results in a faster, cheaper way compared with other methods.

Another reason that PSO is attractive is that there are few parameters to adjust. One version, with slight variations, works well in a wide variety of applications. Particle swarm optimization has been used for approaches that can be used across a wide range of applications, as well as for specific applications focused on a specific requirement.

ผลลัพธ์ (ไทย) 1:

เพิ่มประสิทธิภาพในการบินว่อนอนุภาค (PSO) เป็นประชากรพัฒนาเทคนิคเพิ่มประสิทธิภาพแบบเฟ้นสุ่มตาม โดยดร. Eberhart และดร.เคนเนดี้ใน 1995 แรงบันดาลใจลักษณะทางสังคมของนก flocking หรือปลาอกPSO ร่วมความคล้ายคลึงมากกับเทคนิคการคำนวณเชิงวิวัฒนาการเช่นพันธุอัลกอริทึม (GA) ระบบจะเริ่มต้น ด้วยประชากรสุ่มโซลูชั่นและค้นหาพติ โดยการปรับปรุงรุ่น อย่างไรก็ตาม ซึ่งแตกต่างจาก GA, PSO มีตัวดำเนินการวิวัฒนาการไม่ไขว้และการกลายพันธุ์ ใน PSO แก้ไขปัญหาอาจเกิดขึ้น เรียกว่าอนุภาค บินผ่านช่องว่างของปัญหาด้วยอนุภาคสูงสุดปัจจุบัน แต่ละอนุภาคเก็บของพิกัดในพื้นที่ปัญหาที่เกี่ยวข้องกับโซลูชันสุด (ฟิตเนส) ได้สำเร็จจน (ค่าฟิตเนสยังอยู่) ค่านี้คือ pbest อีก "" ดีที่ติดตาม โดยเพิ่มประสิทธิภาพฝูงอนุภาคเป็นค่าดี ได้ไกล ด้วยอนุภาคใด ๆ ในบ้านของอนุภาค ตำแหน่งนี้เรียกว่า lbest เมื่ออนุภาคใช้ประชากรทั้งหมดเป็นของเพื่อนบ้าน topological ค่าที่ดีที่สุดคือ ส่วนกลาง และถูกเรียกว่า gbestประกอบของ อนุภาคฝูงปรับแนวคิดในแต่ละขั้นตอนเวลา การเปลี่ยนแปลงความเร็วของอนุภาค (เร่ง) แต่ละไปที่ตำแหน่งของ pbest และ lbest (เครื่องของ PSO) เร่งจะถ่วงน้ำหนัก โดยคำสุ่ม มีการแบ่งตัวเลขสุ่มสร้างขึ้นสำหรับเร่งความเร็วไปยังตำแหน่ง pbest และ lbestในอดีตหลายปี PSO ได้ถูกนำไปใช้ในพื้นที่วิจัยและโปรแกรมประยุกต์จำนวนมาก แต่จะแสดงว่า PSO ได้รับผลลัพธ์ที่ดีขึ้นในเร็วกว่า ราคาถูกกว่าเมื่อเทียบกับวิธีอื่น ๆ อีกเหตุผลที่ PSO น่าสนใจคือ ว่า มีพารามิเตอร์น้อยเพื่อปรับปรุง รุ่นหนึ่ง มีการเปลี่ยนแปลงเล็กน้อย ทำงานในโปรแกรมประยุกต์ที่หลากหลาย มีการใช้เพิ่มประสิทธิภาพฝูงอนุภาค สำหรับวิธีที่ใช้ได้ทั้งโปรแกรมประยุกต์ที่หลากหลาย รวม ถึงโปรแกรมประยุกต์เฉพาะที่มุ่งเน้นความต้องการเฉพาะ

ผลลัพธ์ (ไทย) 2:

การเพิ่มประสิทธิภาพของอนุภาคฝูง (PSO) เป็นประชากรที่ใช้เทคนิคการเพิ่มประสิทธิภาพสุ่มที่พัฒนาโดยดร. Eberhart ดร. เคนเนดีและในปี 1995 แรงบันดาลใจจากพฤติกรรมทางสังคมของท่านเตือนนกหรือการศึกษาปลา. หุ้น PSO ความคล้ายคลึงกันมากกับเทคนิคการคำนวณวิวัฒนาการทางพันธุกรรมเช่นอัลกอริทึม (GA ) ระบบจะเริ่มต้นที่มีประชากรของการแก้ปัญหาแบบสุ่มและค้นหาโดยการปรับปรุงที่ดีที่สุดของรุ่น แต่แตกต่างจาก GA, PSO ไม่มีผู้ประกอบการวิวัฒนาการเช่นครอสโอเวอร์และการกลายพันธุ์ PSO ในการแก้ปัญหาที่อาจเกิดขึ้นอนุภาคที่เรียกว่าบินผ่านพื้นที่ปัญหาโดยต่อไปนี้อนุภาคที่ดีที่สุดในปัจจุบัน. แต่ละอนุภาคติดตามพิกัดในพื้นที่ปัญหาที่เกี่ยวข้องกับการแก้ปัญหาที่ดีที่สุด (ออกกำลังกาย) ได้ประสบความสำเร็จเพื่อให้ห่างไกล (มูลค่าการออกกำลังกายยังถูกเก็บไว้.) ค่านี้จะถูกเรียกว่า pbest อีก "ดีที่สุด" ค่าที่ถูกติดตามโดยการเพิ่มประสิทธิภาพจับกลุ่มอนุภาคเป็นค่าที่ดีที่สุดที่ได้รับเพื่อให้ห่างไกลจากอนุภาคใด ๆ ในประเทศเพื่อนบ้านของอนุภาค สถานที่นี้จะเรียกว่า lbest เมื่ออนุภาคจะใช้เวลาทั้งหมดมีประชากรที่เป็นเพื่อนบ้านทอพอโลยีของค่าที่ดีที่สุดคือระดับโลกที่ดีที่สุดและถูกเรียกว่า gbest. จับกลุ่มอนุภาคแนวคิดการเพิ่มประสิทธิภาพประกอบด้วยที่แต่ละขั้นตอนเวลาเปลี่ยนความเร็วของ (เร่ง) แต่ละอนุภาคต่อ pbest และ สถาน lbest (เวอร์ชันภายในประเทศของ PSO) การเร่งความเร็วจะมีน้ำหนักโดยระยะสุ่มกับตัวเลขสุ่มแยกต่างหากถูกสร้างขึ้นสำหรับการเร่งความเร็วต่อ pbest และสถานที่ lbest. ในช่วงหลายปีที่ผ่านมา PSO ได้รับการใช้ประสบความสำเร็จในการวิจัยจำนวนมากและการใช้งาน มันเป็นเรื่องที่แสดงให้เห็นว่า PSO ได้รับผลที่ดีขึ้นในเร็ววิธีที่ถูกกว่าเมื่อเทียบกับวิธีการอื่น ๆ . ด้วยเหตุผลที่ว่า PSO เป็นที่น่าสนใจอีกประการหนึ่งก็คือว่ามีไม่กี่พารามิเตอร์ในการปรับ รุ่นหนึ่งที่มีการเปลี่ยนแปลงเล็กน้อยทำงานได้ดีในหลากหลายของการใช้งาน การเพิ่มประสิทธิภาพของอนุภาคฝูงมีการใช้วิธีการที่สามารถนำมาใช้ในหลากหลายของการใช้งานเช่นเดียวกับการใช้งานเฉพาะมุ่งเน้นไปที่ความต้องการเฉพาะ

ผลลัพธ์ (ไทย) 3:

เพิ่มประสิทธิภาพของฝูงอนุภาค ( PSO ) เป็นประชากรที่ใช้ Stochastic Optimization เทคนิคที่พัฒนาโดย ดร. เอเบอร์ฮาร์ท และ ดร. เคนเนดีในปี 1995 โดยได้แรงบันดาลใจจากพฤติกรรมทางสังคมของฝูงปลาหรือนกเรียน

PSO หุ้นความคล้ายคลึงกันมากกับเทคนิคการคำนวณเชิงวิวัฒนาการ เช่น ขั้นตอนวิธีเชิงพันธุกรรม ( GA )ระบบจะเริ่มต้น กับประชากรของโซลูชั่นการค้นหา Optima โดยการปรับปรุงรุ่น แต่แตกต่างจาก GA , PSO ไม่มีวิวัฒนาการของผู้ประกอบการเช่นครอสโอเวอร์และการกลายพันธุ์ ในระบบ มีศักยภาพ โซลูชั่น เรียกว่า อนุภาค บินผ่านปัญหาพื้นที่ตามปัจจุบันที่อนุภาค

แต่ละอนุภาคติดตามพิกัดของพื้นที่ในปัญหาที่เกี่ยวข้องกับโซลูชั่นที่ดีที่สุด ( ฟิตเนส ) จะได้รับเพื่อให้ห่างไกล ( ค่าฟิตเนสยังเก็บไว้ ) มูลค่านี้เรียกว่า pbest . " ดีที่สุด " มูลค่าที่ติดตามโดยฝูงอนุภาค Optimizer เป็นค่าที่ดีที่สุดที่ได้รับเพื่อให้ห่างไกลโดยอนุภาคใด ๆในประเทศเพื่อนบ้านของอนุภาค สถานที่นี้เรียกว่า lbest .เมื่ออนุภาคจะใช้เวลาทั้งหมด ประชากรเป็นทอพอโลยีเพื่อนบ้าน ค่าที่ดีที่สุดเป็นโลกที่ดีที่สุดและเรียกว่า gbest

อนุภาค Swarm Optimization แนวคิดประกอบด้วย ในแต่ละเวลา ขั้นตอน การเปลี่ยนแปลงความเร็วของแต่ละอนุภาคต่อของมัน ( เร่ง ) และสถานที่ ( pbest lbest รุ่นท้องถิ่นของ pso ) ความเร่งคือถ่วงน้ำหนักโดยในระยะแบบสุ่มกับตัวเลขสุ่มแยกถูกสร้างขึ้นสำหรับการเร่งความเร็วและต่อ pbest lbest สถานที่

ในที่ผ่านมาหลายปีแล้ว PSO ได้รับสมัครเรียบร้อยแล้ว ในงานวิจัยหลายพื้นที่และการประยุกต์ใช้ มันแสดงให้เห็นว่าระบบที่ได้รับผลลัพธ์ที่ดีในได้อย่างรวดเร็ว , วิธีที่ถูกกว่าเมื่อเทียบกับวิธีอื่น

เหตุผลที่ออนไลน์ที่น่าสนใจคือ มีไม่กี่ตัวแปรปรับ หนึ่งรุ่นกับการเปลี่ยนแปลงเล็กน้อย , ทำงานได้ดีในหลากหลายของการใช้งาน เพิ่มประสิทธิภาพของฝูงอนุภาคมีการใช้วิธีที่คุณสามารถใช้ในหลากหลายของการใช้งาน รวมทั้งสำหรับการใช้งานที่เฉพาะเจาะจงเน้นความต้องการที่เฉพาะเจาะจง