Tehnici de optimizare 3

8/13/2019 Tehnici de optimizare 3

1/35

Tehnici de optimizare

Cursul nr. 3

Dr. ing. Andrei Lihu


2/35

Inteligena colectiv

- procesul de cutare nu se bazeaz pe evoluie, ci pe

interaciunilesociale ntre membrii populaiei

- ACO: coordonare stigmergicprin urme de feromoni

- BCO: semnalizare prin waggle-dance

ACO BCO

Cutare


3/35

Ant Colony Optimization

furnicile cltoresc la ntmplare

dac gsesc o surs de hran, marcheaz drumul pn la

colonie cu feromoni

alte furnici gsesc urma i o urmeaz

feromonii se evaporeaz n timp

furnicile gsesc mereu calea cea mai scurt de la muuroi la

hran

variaiuni: Multiple Ant Colony Optimization


4/35


Demo n NetLogo


5/35

Bee Colony Optimization

se inspir din comportamentul albinelor atunci cnd icaut hrana

dansul agitat al albinelor are loc n stup i comunic

cantitatea i calitatea unei surse de hran gsite; alte albine

observ aleator dansul uneia i decid dac vor alege aceasurs de hran asociat

cutarea hranei se face iniial aleator; o albin traverseaz

o soluie potenial care dac e fezabil va fi semnalizat n

stup variaiuni: BeeHive i Internet Server Optimization


6/35

Particle Swarm Optimization

i. model populaionalroiulformat din particulecare

zboarn hiperspaiulsoluiilor

ii. metafora: inteligena colectiv

iii. O particul zboar n sensul celei mai bune soluii ale

sale (experienacognitivpersonal)in sensul celei mai

bune soluiidin grupul su(experienasocial)


7/35

Origini

- A evoluat din modelul cu boizi a lui Reynolds

- evitarea coliziunilor

- aliniere pe direcia principal de zbor a vecinilor

- coeziune (direcionare spre centrul roiului)

Reynolds a observat c folosind o variant cu o for central,

cumva asemntoare cu modelul gbest de la PSO, a obinut o

convergen rapid a stolului, dar cu varianta local a generat

cele mai interesante comportamente emergente

Modelul lui Reynolds era bazat pe un stol, nu un roi.


8/35

Ce este un stol ?

Cf. Mataric:

tie s se ntoarc ntr-un loc numit acas; n sens generalizat s

gseasco locaiespecificat

agregare: caracteristica agenilorconstitueniai stolului de a se grupa ide

a menineo maximdistanntre ei

dispersie: caracteristica agenilorconstitueniai stolului de a se mprtia,

dar de a menineo distanminimntre ei evitarea coliziunilor: szboare n aafel nct sevite coliziunile

PSO tie s gseasc o locaie, iar particulele constituente sunt

agregate.


9/35

PSO ca model de inteligen

artificialPSO ndeplinete proprietile lui Millonas pentru a fi un model de

inteligen artificial:

proximitate: a fi capabil s execute operaii n spaiu i timp

calitate: a fi capabil s reacioneze la factori calitativi din

mediul nconjurtor

rspuns divers: s nu fie restrns ntr-un set de soluii

stabilitate: a fi capabil de conservare la schimbri de mediu

adaptabilitate: a fi capabil s i schimbe comportamentul n

situaii profitabile


10/35

Vedere general

actualizarea vitezei

actualizarea poziiei

evaluarea fitnessuluii verificareacondiiilor de

terminare

actualizarea celeimai bune poziii

personale i de grup

initializarepopulaie


11/35

Iniializarea


12/35

Actualizarea vitezelor

doi vectori care au coninut uniform aleatoriu

coeficientul cognitiv i cel social

cea mai bun poziie personal

cea mai bun poziie a grupului/roiului

Componenta cognitiv Componenta social

vitez

poziie


13/35

Actualizarea poziiilor


14/35

PSO Demo n NetLogo


15/35

Creterea ratei i vitezei de

convergen

i. Ineria:

i. Constricia:

Config. implicit PSO:

Problema: roiul nu gsea soluii deloc sau n timp util.

Soluii:


16/35

Creterea diversitii n roi

Problema: roiul convergea prematur sau nu explora ndeajuns spaiul.

Soluii:

o

Modelul lbest cu topologii (moduri de interconectare ischimb de informaie al particulelor):

piramidal grid inel complet conectat (gbest)


17/35

Modelul lbest

- modelul gbest poate suferi de convergen prematur

- gruparea particulelor n jurul unor vecinti de dimensiune l

- cea mai bun soluie din vecintate

- ecuaia vitezelor ine cont de valoare cea mai bun local


18/35

Tipuri de vecinti

Vecinti spaialeVecinti sociale

Concluzie: E de preferat modelul lbest unde vecintile se stabilesc

doar n funcie de indexul particulei.


19/35

Clustere de particule

- Kennedy a nlocuit componenta cognitiv din ecuaia

actualizrii de viteze cu centroidul unui cluster format din

cele mai bune valori personale din grup


20/35

Recapitulare i pseudocod

iniializeazroiul n-dimensional

repet:

pentru fiecare particula din roi:

actualizeazviteza (ecuaia 1)

mutparticula la noua poziie(ecuaia 2)calculeaz cea mai bun poziie personal

calculeazcea mai bun poziie din grup

pncndsendeplinetecriteriul de terminare

1

2


21/35

Simplificri

Varianta exclusiv social a lui Pedersen, PSO-VG.


22/35

Studiu bibliografic

Differential Evolution

Job-shop scheduling problem


Bee Colony Optimization

Vicsek model (SPP)

Stochastic difussion search

Intelligent water drops

Krill herd algorithm

Artificial immune systems

Crowd simulation

Firefly algorithm

TRIBES algorithm

Magnetic optimization algorithmAltruism algorithm

River formation dynamics algorithm Cuckoo search


23/35

Funcii standard de test

Unimodale

Multimodale

Rotite

Deplasate

Hibride

CEC 2005 Benchmark suite


24/35

Sfera


25/35

Rosenbrock


26/35

Ackley


27/35


28/35

Funcii de test CEC 2005

(discuie)

Necesitatea unor funcii de test

Evitarea efectului de optim la 0


29/35

Framework-uri pt. calculul

evoluionist

Java EvA2, ECJ, Open Beagle, Evolvica, DACEetc.


30/35

Demo Java EvA2


31/35

Studiu bibliografic

Java EvA2

Statistical tests for optimization

CEC 2005 benchmark functions

Evolutionary software packages


32/35

Distribuia normal


33/35

NHST

H0ipoteza nul H1ipoteza alternativ

Ipoteza tiinific

Ipoteze statistice

p < 0.05 n teste pt. a respinge ipoteza nul


34/35

Tipuri de teste


35/35

Bibliografie / Resurse

1. http://yatani.jp/HCIstats/HomePage

2. http://www.ra.cs.uni-tuebingen.de/software/JavaEvA/

3. Kennedy, J.; Eberhart, R. (1995). "Particle Swarm Optimization". Proceedings

of IEEE International Conference on Neural Networks. IV. pp. 1942

1948. doi:10.1109/ICNN.1995.4889684. Suganthan, P. N., Hansen, N., Liang, J. J., Deb, K.; Chen, Y. P., Auger, A. &

Tiwari, S. (2005). Problem definitions and evaluation criteria for the CEC

2005 Special Session on Real Parameter Optimization. Nanyang

Technological University
http://en.wikipedia.org/wiki/Digital_object_identifierhttp://en.wikipedia.org/wiki/Digital_object_identifier

Documents

Tehnici de optimizare 3