Адаптивная модификация метода роя частиц на основе динамической коррекции траектории движения особей в популяции

Аннотация

Ю.В. Минаева - старший преподаватель кафедры систем автоматизированного проектирования и информационных систем, Воронежский государственный технический университет
Адрес: 394026, г. Воронеж, Московский пр-т, д. 14
E-mail: julia_min@mail.ru

      Методы эволюционного поиска успешно применяются для решения разнообразных задач оптимизации и моделирования ввиду своей универсальности и относительной простоты практической реализации. Однако большой проблемой при их использовании является преждевременная сходимость вычислительного алгоритма вследствие неполного исследования пространства поиска. Это происходит в том случае, когда все частицы попадают в область первого обнаруженного, возможно, локального оптимума, и не могут из нее выбраться. Для решения этой проблемы необходима разработка управляющих процедур, корректирующих перемещение особей в популяции.
      В статье предлагается адаптивная модификация метода роя частиц, позволяющая осуществлять динамическое изменение траектории движения частиц для нахождения наиболее перспективных локаций. В основе метода лежит возможность изменения вектора перемещения индивидуально для каждой частицы, в зависимости от результативности выполнения предыдущей итерации. Для этого в предлагаемую модификацию канонического метода добавлены процедуры выбора направления и динамического изменения свободных параметров движения частицы. В отличие от канонической версии роевого алгоритма, в котором все особи популяции стремятся приблизиться к одной частице с наилучшим найденным значением, в новой модификации каждая частица самостоятельно выбирает направление движения и может изменить его в случае, если оно будет признано неэффективным. Такой подход позволяет снизить вероятность преждевременной сходимости алгоритма и лучше исследовать заданную область поиска, что особенно важно для многоэкстремальных функций со сложным рельефом. Предложенный метод был проверен на стандартном наборе тестовых функций непрерывной оптимизации и показал высокую эффективность при относительно небольших затратах времени и вычислительных ресурсов.