3. The algorithmAs stated before, P

3. The algorithm

As stated before, PSO simulates the behaviors of bird flocking. Suppose the following scenario: a group of birds are randomly searching food in an area. There is only one piece of food in the area being searched. All the birds do not know where the food is. But they know how far the food is in each iteration. So what's the best strategy to find the food? The effective one is to follow the bird which is nearest to the food.

PSO learned from the scenario and used it to solve the optimization problems. In PSO, each single solution is a "bird" in the search space. We call it "particle". All of particles have fitness values which are evaluated by the fitness function to be optimized, and have velocities which direct the flying of the particles. The particles fly through the problem space by following the current optimum particles.

PSO is initialized with a group of random particles (solutions) and then searches for optima by updating generations. In every iteration, each particle is updated by following two "best" values. The first one is 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 population. This best value is a global best and called gbest. When a particle takes part of the population as its topological neighbors, the best value is a local best and is called lbest.

ผลลัพธ์ (ไทย) 2:

3. ขั้นตอนวิธีตามที่ระบุไว้ก่อนPSO จำลองพฤติกรรมของท่านเตือนนก สมมติว่าสถานการณ์ต่อไปนี้: กลุ่มของนกจะสุ่มหาอาหารในพื้นที่ มีเพียงหนึ่งชิ้นส่วนของอาหารในพื้นที่การค้นหา นกทั้งหมดไม่ทราบว่าอาหารเป็นสิ่งที่ แต่พวกเขารู้ว่าไกลอาหารที่อยู่ในแต่ละซ้ำ ดังนั้นสิ่งที่เป็นกลยุทธ์ที่ดีที่สุดที่จะหาอาหารได้หรือไม่? หนึ่งที่มีประสิทธิภาพเป็นไปตามนกที่อยู่ใกล้ที่สุดเพื่ออาหาร. PSO ได้เรียนรู้จากสถานการณ์และใช้มันในการแก้ปัญหาการเพิ่มประสิทธิภาพ ใน PSO แต่ละแก้ปัญหาเดียวคือ "นก" ในพื้นที่ของการค้นหา เราเรียกมันว่า "อนุภาค" ทั้งหมดของอนุภาคมีค่าที่การออกกำลังกายที่ได้รับการประเมินโดยฟังก์ชั่นการออกกำลังกายที่จะเพิ่มประสิทธิภาพและมีความเร็วที่ตรงบินของอนุภาค อนุภาคที่บินผ่านพื้นที่ปัญหาโดยต่อไปนี้อนุภาคที่ดีที่สุดในปัจจุบัน. PSO จะเริ่มต้นกับกลุ่มของอนุภาคสุ่ม (แก้ปัญหา) แล้วค้นหาโดยการปรับปรุงที่ดีที่สุดของรุ่น ในทุกย้ำแต่ละอนุภาคมีการปรับปรุงโดยต่อไปนี้สอง "ดีที่สุด" ค่า คนแรกคือทางออกที่ดีที่สุด (ออกกำลังกาย) ได้ประสบความสำเร็จเพื่อให้ห่างไกล (มูลค่าการออกกำลังกายยังถูกเก็บไว้.) ค่านี้จะถูกเรียกว่า pbest อีก "ดีที่สุด" ค่าที่ถูกติดตามโดยการเพิ่มประสิทธิภาพจับกลุ่มอนุภาคเป็นค่าที่ดีที่สุดที่ได้รับเพื่อให้ห่างไกลจากอนุภาคใด ๆ ในประชากร ค่าที่ดีที่สุดนี้เป็นโลกที่ดีที่สุดและเรียก gbest เมื่ออนุภาคใช้เวลาส่วนหนึ่งของประชากรที่เป็นเพื่อนบ้านทอพอโลยีของค่าที่ดีที่สุดเป็นท้องถิ่นที่ดีที่สุดและถูกเรียกว่า lbest

ผลลัพธ์ (ไทย) 3:

3 . ขั้นตอนวิธี

ตามที่ระบุไว้ก่อน , ระบบจำลองพฤติกรรมของนก แห่กันมา สมมติว่าสถานการณ์ต่อไปนี้ : กลุ่มของนกเป็นแบบสุ่มการค้นหาอาหารในพื้นที่ มีเพียงหนึ่งชิ้นส่วนของอาหารในพื้นที่การค้นหา นกทั้งหมดไม่รู้ว่าอาหารเป็น แต่พวกเขาทราบว่าอาหารในแต่ละซ้ำ . ดังนั้นสิ่งที่เป็นกลยุทธ์ที่ดีที่สุดเพื่อค้นหาอาหารที่มีประสิทธิภาพคือการติดตามนกซึ่งเป็นที่ที่ใกล้ที่สุดกับอาหาร

PSO เรียนรู้จากสถานการณ์และใช้มันเพื่อแก้ไขปัญหาการเพิ่มประสิทธิภาพ . ในระบบสารละลายแต่ละเดียวคือ " นก " ในการค้นหาพื้นที่ เราเรียกมันว่า " อนุภาค " ทั้งหมดของอนุภาคมีฟิตเนสค่าซึ่งจะถูกประเมินโดยฟังก์ชันฟิตเนสจะเพิ่มประสิทธิภาพและความเร็วซึ่งตรงบินของอนุภาคอนุภาคบินผ่านปัญหาพื้นที่ตามปัจจุบันที่อนุภาค

PSO จะเริ่มต้นด้วยกลุ่มของอนุภาคสุ่ม ( โซลูชั่น ) และจากนั้นค้นหา Optima โดยการปรับปรุงรุ่น ทุกรูปในแต่ละอนุภาคมีการปรับปรุงตามสอง " ค่าที่ดีที่สุด " แรกหนึ่งคือทางออกที่ดีที่สุด ( ฟิตเนส ) จะได้รับเพื่อให้ห่างไกล ( ค่าฟิตเนสยังเก็บไว้) มูลค่านี้เรียกว่า pbest . " ดีที่สุด " มูลค่าที่ติดตามโดยฝูงอนุภาค Optimizer เป็นค่าที่ดีที่สุดที่ได้รับเพื่อให้ห่างไกลโดยอนุภาคในประชากร ค่าที่ดีที่สุดเป็นโลกที่ดีที่สุดและเรียก gbest . เมื่ออนุภาคใช้เวลาส่วนหนึ่งของประชากรเป็นทอพอโลยีเพื่อนบ้าน ค่าที่ดีที่สุดคือท้องถิ่นที่ดีที่สุด และเรียกว่า lbest .