Posibniki.com.ua Інформатика Прикладні системи штучного інтелекту 18.7. Особливості модифікацій методів бджолиної колонії


< Попередня  Змiст  Наступна >

18.7. Особливості модифікацій методів бджолиної колонії


Тоді моделювання поведінки бджіл у термінах CCS можна зобразити як подано на рис. 7.7.

Немає

Немає

Немає

Немає

Незанятий (b i ,1…n)

Танець(b i ,1…n)

Розвідник b l

Поганий b m

Гарний (b j ,1…n)

Нічого(b i ,1…n)

Невдало(b i ,1…n)

Використати(b i ,1…n)

Пошук (b i ,1…n)

Нектар(b i ,1…n)

Вдало (b i ,1…n)

Незайнятий(b i ,1…n)

Корисність джерела d i

Корисність агента фуражира d i

Занятий (b i ,1…n)

Вербування (b i ,1…n)

Дослідження (b i ,1…n)

Нектар є ?

Нектар є ?

Обмеження в часі є ?

Залишити танець (b i ,1…n)

Перехід (b i ,1…n)

Рис. 7.7. Алгоритм моделювання поведінки бджіл за допомогою CCS

Процес фуражування можна формалізувати за допомогою CCS у такому вигляді:

Вдало (b i ,1…n) (s) = Зайнятий (b i ,1…n) (s). Вербування (b i ,1…n)(s),

Невдало (b i ,1…n)(s) = Нічого (b i ,1…n). Незайнятий (b i ,1…n) (s),

Вербування (b i ,1…n)(s) = Танець (b i ,1…n). Вербування b (s) + Покинути (b i ,1…n). Використати (b i ,1…n)(s),

Незайнятий (b i ,1…n) = танець (b i ,1…n)(s). Використати (b i ,1…n)(s) + Дослідження (b i ,1…n). Розвідник (b i ,1…n),

Розвідник (b i ,1…n) = Гарний (b j ,1…n)(s). Пошук (b j ,1…n)(s) + Поганий (b j ,1…n). Незайнятий (b j ,1…n).

Використати (b j ,1…n)(s) = Перехід (b i ,1…n)(s). Пошук (b i ,1…n)(s),

Пошук (b i ,1…n)(s) = Нектар (b i ,1…n)(s). Вдало (b i ,1…n)(s) + Нічого (b i ,1…n). Невдало (b i ,1…n)(s),

Отже, за допомогою запропонованої формалізації моделюється поведінка бджіл. Незайнятий агент перебуває у вулику доти, поки не одержить сигнал від зайнятого фуражира за допомогою звивистого танцю; якщо такий сигнал отримано, то агент переміщується до відповідного джерела нектару; у протилежному випадку — він може сам стати розвідником через деякий час; якщо в передбачуваному джерелі є нектар, то агент приносить його у вулик і моделює виконання виляючого танцю.

18.7. Особливості модифікацій методів бджолиної колонії

На основі запропонованого підходу було розроблено метод бджолиної колонії для розв’язання задачі календарного планування (Bee Colony Optimization for Job-Shop Scheduling Problem, BCO-JSSP).

Задача календарного планування виробництва може характеризуватися множиною робіт, кожна з яких складається з однієї або більше операцій. Операції виконуються на специфічній послідовності спеціальних машин. Метою планування є складання розкладу робіт, що мінімізує (максимізує) міру виконання.

Задача календарного планування належить до NP-важких. Міра виконання включає: завантаження устаткування (коефіцієнт використання устаткування), час виробничого циклу, продуктивність (витрату, пропускну здатність) і рівень запасів.

У загальному випадку задача календарного планування подається за допомогою диз’юнктивного графа. Граф складаєть-

Оскільки головними особливостями методу бджолиної колонії є звивистий танець і процес фуражування, то запропонована модифікація для розв’язання задачі календарного планування відрізняється саме цими етапами роботи методу бджолиної колонії порівняно із запропонованим раніше методом. Аналогією джерела нектару в даній модифікації є шлях, що може розглядатись як розв’язок задачі календарного планування.

Після повернення у вулик агент виконує звивистий танець з імовірністю p. Тривалість D i звивистого танцю i-го агента обчислюється за формулою: де A — коефіцієнт масштабування, d i — відносна корисність знайденого джерела нектару i-го агента.

Абсолютна корисність джерела нектару i-го агента Pf i для задачі календарного планування обчислюється за формулою: i де C i — цільова функція для шляху i-го агента. У цьому випадку вона являє собою тривалість виконання усіх операцій всіх робіт для шляху.

Абсолютна корисність джерела нектару i-го агента Pf i для задачі календарного планування обчислюється за формулою: i де C i — цільова функція для шляху i-го агента. У цьому випадку вона являє собою тривалість виконання усіх операцій всіх робіт для шляху.

Тоді, розрахувавши абсолютну корисність кожного агента, можна одержати середню корисність усієї колонії Pf colony : де n — кількість звивистих танців, що виконуються у момент часу t.

Тоді, розрахувавши абсолютну корисність кожного агента, можна одержати середню корисність усієї колонії Pf colony : де n — кількість звивистих танців, що виконуються у момент часу t.

Таким чином, можна розрахувати відносну корисність d i i-го фуражира: colony

Таким чином, можна розрахувати відносну корисність d i i-го фуражира: colony

575 ся з вузлів, що являють собою операції. Також є два додаткових вузли, які становлять ресурси й витрати. Множина орієнтованих дуг використовується для опису переваги кожної роботи.

ся з вузлів, що являють собою операції. Також є два додаткових вузли, які становлять ресурси й витрати. Множина орієнтованих дуг використовується для опису переваги кожної роботи.

Оскільки в процесі кормодобування агенти формують рішення шляхом переміщення з вузла до вузла на графі, що описує можливі роботи, треба розрахувати імовірність додавання до шляху агента заданого вузла. Імовірність P ij того, що агент вибере наступний j-ий вузол, перебуваючи в i-му вузлі, обчислюється за формулою: ? ? ??? ??? ?? ?? = k Jj ijij ijij ij d d P, де ? ij — вартість дуги між j-им та i-им вузлами; d ij — евристична відстань між j-им та i-им вузлами; ?, ? ? [0; 1] — коефіцієнти, обрані експериментально; J k — множина вузлів, у які можна переміститися з i-го вузла.

Оцінка ? ij визначається за допомогою формули: mk m ij ? ?? =?

1 , де k — кількість вузлів, у які можна переміститися з i-го вузла; m

— число переваги шляху, що може дорівнювати 1 або 0. Кращим вважається шлях, що на якій-небудь ітерації вважався придатним для виконання танцю. При цьому кількість так званих елітних шляхів обмежена. Отже, на початковій ітерації всі ребра мають число m = 0, що зрівнює шанси вибору будь-якого ребра.

Даний метод порівнювався з методом мурашиних колоній та з пошуком з табу, створеним Гловером Фредом У. в 1986 році. Експерименти довели, що результати, отримані за допомогою методу бджолиної колонії, майже не відрізняються від результатів, отриманих за допомогою методу мурашиних колоній, і не гірші результатів, отриманих за допомогою пошуку з табу.

Імовірність p i того, що за i-им агентом після виконання ним танцю підуть інші незайняті фуражири, визначається за формулою: ? ? ? ? ? ? ? ? ?i colonyicolony colonyicolony colonyi i Pf PfPfPf PfPffP PfPf p

За методом BCO на початку процесу пошуку всі агенти перебувають у вулику. У процесі пошуку агенти зв’язуються один з одним опосередковано. Кожний агент виконує низку локальних переміщень, і в такий спосіб поступово формує рішення задачі. Процес пошуку складається з ітерацій. Перша ітерація вважається закінченою, коли агенти створять хоча б одне прийнятне рішення. Краще рішення зберігається, а потім відбувається перехід до наступної ітерації. Далі процес складання рішень повторюється. Загальна кількість ітерацій обмежується виходячи із задачі оптимізації.

При переміщенні в просторі пошуку агенти можуть переміщуватися в прямому або у зворотному напрямку. При переміщенні в прямому напрямку агенти формують різні часткові рішення, що досягається за рахунок індивідуального дослідження простору пошуку та за рахунок колективного досвіду, отриманого на попередніх ітераціях.

Після створення часткового рішення агенти переміщуються у зворотному напрямку, тобто вони повертаються у вулик, де можуть брати участь у процесі вербування шляхом виконання танцю, тим самим обмінюючись інформацією про різні створені часткові рішення. Після відвідування вулика агенти знову переміщуються у прямому напрямку й продовжують створювати часткові рішення. Ітерація закінчується тоді, коли створюється хоча б одне припустиме рішення. Таким чином, BCO, як і методи динамічного програмування, вирішує комбінаторні задачі оптимізації поетапно.

Виходячи з викладеного, можна зазначити, що у BCO, на відміну від описаного раніше методу бджолиної колонії, немає поділу в ролях агентів (зайняті фуражири, незайняті фуражири й розвідники), і рішення складається поетапно, у міру знаходження часткових рішень, поки не буде отримано повне прийнятне рішення.

Метод FBS призначений для розв’язання задач, що характеризуються невизначеністю, агенти під час розв’язання задачі вико-

Lucic і Teodorovic першими використали основні принципи колективного інтелекту бджіл для розв’язання задач комбінаторної оптимізації. Вони розробили так званий метод системи бджіл (Bee System, BS) і перевірили його під час вирішення задачі комівояжера. На основі BS було запропоновано метаевристичний метод бджолиної колонії (Bee Colony Optimization Metaheuristic, BCO) і метод нечіткої бджолиної системи (Fuzzy Bee System, FBS).

Відповідно до FBS при додаванні компонента рішення до власного рішення агент може розглядати його як: «менш корисний», «корисний» або «більш корисний». Також агенти здатні розрізняти додаткові властивості: «короткий», «середній» або «довгий», «нецінний», «середній» або «цінний».

Особливості розглянутих модифікацій методу бджолиної колонії та відмінності між ними наведено в таблиці 7.2.

Таблиця 7.2

ВІДМІННОСТІ Й ОСОБЛИВОСТІ МОДИФІКАЦІЙ

МЕТОДУ БДЖОЛИНОЇ КОЛОНІЇ

Критерій порівняння Метод
BCO-JSSP BCO FBS
Процедура виконання звивистого танцю Моделюється тривалість виконання танцю Виконується залежно від якості складеного рішення Як такої процедури кружляючого танцю немає. Моделюється шляхом виконання вербування
Вибір агентіврозвідників Початкова кількість агентів-розвідників дорівнює загальній кількості агентів. Після вербування кількість розвідників зменшується Розвідниками є всі незайняті фуражири Усі незайняті фуражири є розвідниками
Особливості вибору рішень розвідником Розвідники знаходять рішення випадковим Розвідники створюють випадкові рі Використовується інформація, залишена попередніми
       
       
       

чином

шення

агентами

Дослідження рішень за рахунок інших агентів Здійснюється за рахунок того, що вербування здійснюється фактично в кожному вузлі Завербовані агенти просто переміщуються по обраному рішенню Не відбувається. Зайняті фуражири переміщуються по обраному рішенню
Клас розв’язуваних задач Задача календарного планування Задачі комбінаторної оптимізації Задача про складання пар
Вербування Здійснюється при виборі агентом наступного пункту в графі рішень Здійснюється після створення власного рішення Вербування відбувається виходячи з корисності рішення

ристовують правила нечіткої логіки для організації зв’язку між агентами та їхніми діями.

Виходячи з різних застосувань методу бджолиної колонії можна виділити такі переваги останнього:

— метод є несхильним до зациклення в локальних оптимумах, оскільки заснований на випадковому пошуку;

— мультиагентність реалізації;

— пошук кращого рішення ґрунтується на рішеннях агентів усієї колонії бджіл;

— може використовуватися в динамічних застосуваннях, оскільки здатен адаптуватися до змін навколишнього середовища;

— може використовуватися для вирішення як дискретних, так і безперервних задач оптимізації.

— не приводить до циклічності в локальних оптимумах, оскільки базується на випадковому пошуку;

— застосовується в динамічних додатках, оскільки здатний адаптовуватися до змін навколишнього середовища;

До недоліків методу бджолиної колонії можна віднести:

— досить високу ітеративність;

— труднощі теоретичного аналізу процесу одержання рішень, обумовлені тим, що пошук рішення має стохастичну природу;

— апріорну невизначеність часу збіжності, хоча збіжність гарантується;

— залежність методу від налаштування параметрів, які підбираються експериментально.

18.8. PSO-метод

Оптимізація з використанням рою часток (Particle Swarm Optimization, PSO)

— це метод пошуку, що базується на понятті популяції, і моделює поведінку птахів у зграї та косяків риб. Первісною метою використання концепції рою часток була графічна імітація гарного й непередбачуваного руху птахів або риб у зграї, з метою виявлення базових принципів, завдяки яким птахи літають (риби плавають) синхронно та вміють змінювати напрямок руху з перегрупуванням в оптимальні формації. З тих часів концепція розвинулася в простий і перспективний оптимізаційний метод.

У PSO-методі особини, що називаються частками, переміщуються в багатовимірному просторі рішень. Зміни координат часток усередині простору пошуку обумовлюються природною соціально-психологічною тенденцією часток конкурувати між собою. Отже, зміни в стані частки залежать від досвіду й знань її

Особини в рої часток мають дуже просту поведінку: вони прагнуть перевершити досягнення сусідніх часток і поліпшити власні. Таким чином, емергентна властивість даної системи полягає в дослідженні оптимальних ділянок багатовимірного простору пошуку. PSO-метод керує роєм часток і кожна частка являє собою потенційне рішення. За аналогією з еволюційними стратегіями, рій можна трактувати як популяцію, а частку як індивіда (або хромосому). Отже, частка «літає» у багатовимірному просторі рішень, а її позиція визначається виходячи із власного досвіду і досвіду своїх сусідів.

За допомогою x i (t) позначається позиція частки i у просторі пошуку в момент часу t (t позначає дискретні значення часу). Позиція частки змінюється додаванням швидкості v i (t) до поточної позиції:

Початковий стан визначається в такий спосіб:

Початковий стан визначається в такий спосіб:

),()0( maxmin xxUx i = чисел з діапазону [a,b]. Ця формула (13.1) являє собою вектор швидкості й визначає сам оптимізаційний процес, а також відображає використання як отриманих знань частки, так і обмін інформацією із сусідніми частками. Власні знання самої частки, що також називаються когнітивним компонентом формули швидкості, прямо пропорційні поточній відстані частки від її найкращого положення, що було знайдено з моменту старту її життєвого циклу. А обмін інформацією даної особини з іншими є соціальним компонентом формули швидкості. Історично було розроблено два підходи, які фактично є різновидами базового PSO-методу: gbest та lbest; вони відрізняються ступенем зв’язаності часток у просторі пошуку. ),()0( maxmin xxUx i = , де U(a, b) є функцією генерації випадкових чисел з діапазону [a,b]. Ця формула (13.1) являє собою вектор швидкості й визначає сам оптимізаційний процес, а також відображає використання як отриманих знань частки, так і обмін інформацією із сусідніми частками. Власні знання самої частки, що також називаються когнітивним компонентом формули швидкості, прямо пропорційні поточній відстані частки від її найкращого положення, що було знайдено з моменту старту її життєвого циклу. А обмін інформацією даної особини з іншими є соціальним компонентом формули швидкості. Історично було розроблено два підходи, які фактично є різновидами базового PSO-методу: gbest та lbest; вони відрізняються ступенем зв’язаності часток у просторі пошуку.

18.9. Аналіз різновидів PSO-методу

У різновиді gbest PSO-методу кожна частка зв’язана з усім роєм. Частки утворюють так звану соціальну мережу, що в gbest відповідає топології типу «зірка» (рис. 7.8). Кожна частка може взаємодіяти з усіма іншими частками, і вона тяжіє до кращого рішення всього рою. Частка імітує загальне оптимальне рішення,

Рис. 7.8. Топологія типу «зірка»

сусідів. У цьому випадку слово «знання» є синонімом «інформації». Результат такого моделювання полягає в тому, що процес пошуку мотивує частки недетермінованим чином повертатися в оптимальні ділянки простору рішень.

Рис. 7.8. Топологія типу «зірка»

У gbest PSO-методі швидкість частки обчислюється за формулою: ijстанти прискорення, які використовуються для варіювання ваг когнітивного й соціального компонентів швидкості частки відпо]1,0[. Ці випадкові величини привносять стохастичний елемент у роботу методу.

Величина y i відображає найкращу позицію частки i, яку вона відвідувала, починаючи з першої ітерації. Наступна оптимальна де ??? x n f: — фітнес-функція, x n ? — множина значень незалежних змінних, що оптимізується. Так само, як і в еволюційних під-

Величина y i відображає найкращу позицію частки i, яку вона відвідувала, починаючи з першої ітерації. Наступна оптимальна де ??? x n f: — фітнес-функція, x n ? — множина значень незалежних змінних, що оптимізується. Так само, як і в еволюційних під-

581 тому її швидкість залежить від інформації, одержуваної від усіх інших. У цьому випадку соціальним компонентом швидкості є найкраща досягнута позиція рою (у просторі рішень), і вона позначається як ).(*ty

тому її швидкість залежить від інформації, одержуваної від усіх інших. У цьому випадку соціальним компонентом швидкості є найкраща досягнута позиція рою (у просторі рішень), і вона позначається як ).(*ty

Глобальний найкращий оптимум )(*ty у момент часу t визначається як: ))},(()),...,((min{))(*(|)}(),...,({)(*

00 tyftyftyftytyty s n s n =? де s n — загальна кількість часток у рої. Важливо відзначити, що відповідно до формули (13.4) *y — це найкраща позиція, знайдена кожною із часток. Глобальний оптимум також може бути розрахований на основі інформації про частки з даного рою: ))}.(()),...,((min{)(*

0 txftxfty s n =

Локально найкраща позиція частки i y*, тобто краща позиція, знайдена в сусідстві N i та визначається як: ,)},(min{))}1(*(|{)1(* iiii ?xxftyf?ty??=+?+ де сусідство визначається за формулою: )},(),...,(),(),(),...,(),({

111 tytytytytytyN i N niiii i N ni i N nii++?+?? = для сусідства розмірністю i N n .

Виконаємо порівняння різновидів базового PSO-методу. Включимо в аналіз також модифікований метод, що гнучко регулює швидкості часток у просторі пошуку. Порівняльний аналіз проведемо на основі найбільш важливих і істотних розбіжностей, виявлених під час дослідження їх, а також на основі запропонованих критеріїв. Аналіз наведено у табл. 7.3.

Різновиди lbest і gbest базового PSO-методу подібні в тому плані, що в обох випадках вони рухаються до глобального оптимуму при оновленні компонентів швидкості.

Але між цими підходами існує дві важливі розбіжності, що впливають на збіжність:

— через більший ступінь зв’язності часток між собою (топологія «зірка») gbest PSO-метод сходиться швидше; однак швидка збіжність веде до менш ретельного дослідження простору рішень;

— різновид lbest PSO-методу має менший шанс потрапити в локальний оптимум і знайти, таким чином, тільки субоптимальне рішення; з другого боку, даний метод працює більш повільно, ніж gbest.

ходах, вона є мірою близькості даного рішення до оптимального, а також фітнес-функція визначає продуктивність, або якість частки.

Таблиця 7.3

ПОРІВНЯЛЬНИЙ АНАЛІЗ РІЗНОВИДІВ PSO-МЕТОДУ

Розглянемо компоненти швидкості більш детально.

Розглянемо компоненти швидкості більш детально.

1. Попередня швидкість v i (t) виступає в ролі пам’яті частки, тобто містить інформацію про її переміщення в минулому. Цю пам’ять можна визначити як імпульс, що запобігає стрибкоподібним змінам напрямку руху частки. Дана швидкість також є інерційним компонентом.

2. Когнітивний компонент c

1 r

1 (y i – x i ) визначає продуктивність i-ої частки відносно минулих результатів і виступає в ролі індивідуальної пам’яті про найбільш оптимальні позиції даної частки. Використовуючи його, частка може повертатися в стани, які були найкращими для неї в минулому. Це є однією з емергентних властивостей системи в цілому.

3. Соціальний компонент c

2 r

2 (y* – x i ) у gbest PSO або )*(

22ii xyrc? в lbest PSO визначає продуктивність частки відносно сусідніх або зв’язаних з нею. Завдяки йому частка має можливість пересуватися в оптимальні позиції, які були знайдені сусідніми частками.

Ступінь внеску когнітивного й соціального компонентів визначається випадковими величинами c

1 r

1 та c

2 r

2 , відповідно.

Ефект впливу швидкості на поведінку частки можна зобразити графічно. Розглянемо рух частки у двовимірному просторі рішень. Рис. 7.9, а) відображає стан одиничного рою в момент часу

t. У момент часу t + 1, як показано на рис. 7.9, б) індивідуальна найкраща позиція частки не змінилася, але інші компоненти однаково пересувають її у напрямку кращої частки )(*ty.t. У момент часу t + 1, як показано на рис. 7.9, б) індивідуальна найкраща позиція частки не змінилася, але інші компоненти однаково пересувають її у напрямку кращої частки )(*ty.

Інерція x(t + 1)

Нова швидкість x(t + 2)

Нова швидкість x(t + 1)

Когнітивна швидкість швидкість Інерція x(t + 1)

Нова швидкість x(t + 2)

Когнітивна швидкість y(t) x(t) Інерція

Нова швидкість

Соціальна швидкість x(t + 1) y*(t) х

1 х

2 а)б)х

1 х

2 y(t) x(t) x(t + 1) y*(t)

Когнітивна швидкість

Нова швидкість x(t + 2)

Рис. 7.9. Геометрична ілюстрація зміни швидкості й позиції частки:

а) момент часу t; б) момент часу t + 1 а) момент часу t; б) момент часу t + 1

18.10. Напрями використання PSO-методу

Перші напрями використання PSO-методу варто віднести до навчання нейронних мереж (НМ) прямого поширення. З тих пір у цілій низці робіт було доведено, що PSO-метод також можна застосовувати як метод навчання НМ будь-якої архітектури. У подібних розробках варто визначити потрібний вигляд фітнесфункції, що може бути подана як функція помилки, яку потрібно мінімізувати. Кожна частка в PSO-методі являє собою окреме рішення оптимізаційної проблеми, у цьому випадку — це ціла НМ. А кожна координата частки в просторі пошуку — це значення відповідного вагового коефіцієнта.

Р. Еберат та Д. Кеннеді надали перші результати застосування різних модифікацій PSO-методу в задачах навчання НМ з учителем і без нього. Мендес досліджував якість роботи цих методів з використанням різноманітних топологій (кільце, квадрат, зірка, піраміда). Хірата досліджував можливості gbest і lbest підходів у задачах навчання.

С. Жанг та Х. Шао запропонували використання PSO-методу до безперервної оптимізації ваг НМ і її архітектури. Для цього варто використати два рої часток: перший шукає оптимальну архітектуру, а другий — оптимізує ваги. Частки в першому рої пересуваються тільки у двох вимірах: перша координата — кількість схованих шарів, а друга — щільність зв’язків. На першій ітерації роботи алгоритму частки ініціалізуються випадковим чи-

Нехай d attract — глибина атрактанта (корисних речовин) клітини, а w attract — міра ширини атрактанта. Клітини виключають одна одну за допомогою локального споживання, а також за рахунок того, що клітини не є їжею одна для одної. Нехай h repellent = d attract — висота шкідливої речовини (репелент), і w repellent — міра ширини репеленту. Таким чином, можна використати функцію J i cc (X), i = 1, 2, ... , S для моделювання сигналів між клітинами за допомогою виділення бактеріями атрактанта й репеленту: ?? ??? == === ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??+ + ? ? ? ? ? ? ? ? ? ? ? ? ? ? ???== S i p j i jjrepellentrepellent S i p j i jjattractattract S i i cccc XXwh XXwdJXJ

11 2

1 ,)(exp )(exp)( де X = [x

2

11

1 , ... , x p ] T — точка в просторі оптимізації.

Важливими особливостями такого підходу до розрахунку J cc (X) є:

— значення J cc (X) не залежить від значення цільової функції в точці ?;

— за рахунок варіювання коефіцієнтів w attract та w repellent можна впливати на поведінку популяції бактерій у процесі пошуку: при малих значеннях w attract і більших значеннях w repellent популяція схильна до великого розсіювання в просторі пошуку, у протилежному випадку, тобто при малих значеннях w attract і більших значеннях w repellent популяція схильна до групування в невеликих областях пошуку.

Очевидно, що сила виділення хімічних речовин бактеріями залежить від навколишнього середовища, тобто бактерія, що перебуває в середовищі з високою концентрацією корисних речовин, виділятиме більш сильний атрактант, ніж та сама бактерія в області з низькою концентрацією корисних речовин. Тому в даному методі використовується функція J ar (?) для моделювання взаємодії між областями з урахуванням особливостей навколишнього середовища: J ar (X) = exp(MJ(X))J cc (X), де M — параметр, значення якого обирається експериментально. Отже, для пошуку оптимуму необхідно мінімізувати вираз (J(i, j, k, l) + J ar (X i (j, k,

ном у заданих інтервалах. Частки другого рою шукають оптимальний набір ваг НМ. Даний PSO-метод для кожної частки з першого рою створює групу часток у другому. Після того як метод закінчить свою роботу, вибирається потрібна архітектура й відповідна їй оптимальна множина ваг НМ.

Отже, метод оптимізації на основі моделювання переміщення бактерій з групуванням за рахунок зв’язку між областями відрізняється від базового методу тим, що мінімізується не просто функція J(i, j, k, l), а мінімізується сума: J(i, j, k, l) + J ar (X i (j, k, l)), що дозволяє враховувати становище всіх бактерій у популяції.


< Попередня  Змiст  Наступна >
Iншi роздiли:
18.16. Людино-машинні інтерфейси (human-computer interface, HCI)
Тема 18. ПРИКЛАДНІ СИСТЕМИ КОЛЕКТИВНОГО ІНТЕЛЕКТУ SWARM INTELLIGENCE
17.19. Джиніторний
17.13. Узагальнена схема роботи генетичних методів
17.10. Стандартний генетичний алгоритм
17.7. Генетичний та еволюційний пошук
Дисциплiни

Медичний довідник новиниКулінарний довідникАнглійська моваБанківська справаБухгалтерський облікЕкономікаМікроекономікаМакроекономікаЕтика та естетикаІнформатикаІсторіяМаркетингМенеджментПолітологіяПравоСтатистикаФілософіяФінанси

Бібліотека підручників та статтей Posibniki (2022)