Solución óptima del algoritmo de optimización del enjambre de partículas
Programación no lineal de enteros mixtos
Muchos algoritmos para resolver programación entera utilizan algoritmos en el dominio de los números reales para optimizar y luego redondear los resultados para aproximar soluciones a la programación entera. Este enfoque a menudo conduce a restricciones insatisfactorias o a alejarse de la solución óptima. Tan Ying propuso un algoritmo de enjambre de partículas que realiza directamente cálculos evolutivos en un espacio entero. En respuesta al problema del alto costo de las soluciones factibles para la programación no lineal entera mixta, Liu Zhao estableció una biblioteca de partículas de respaldo para garantizar que todas las soluciones sean legales y propuso una estrategia de migración de partículas para ayudar a que las partículas salten del óptimo local.
Ruido y entornos dinámicos
El estado de un sistema dinámico cambiará con frecuencia, incluso de forma continua. Muchos sistemas del mundo real implican entornos dinámicos. Por ejemplo, una gran parte del tiempo de computación en un sistema de programación se dedica a reprogramar debido a cambios en las prioridades de los clientes y mantenimiento inesperado de los equipos. En aplicaciones prácticas, los cambios en estos estados del sistema requieren una reoptimización frecuente.
En primer lugar, Carlisle propuso el uso del algoritmo de optimización de enjambre de partículas para rastrear sistemas dinámicos, que rastrea sistemas dinámicos restableciendo periódicamente la memoria de todas las partículas. Eberhardt adoptó una idea similar; luego, Hu propuso un algoritmo PSO adaptativo capaz de rastrear automáticamente diferentes cambios en un sistema dinámico y experimentó con diferentes técnicas de detección y respuesta ambiental en funciones de referencia parabólicas. El método de detección utilizado es monitorear el comportamiento de las partículas óptimas de la población. Más tarde, Carlisle utilizó un punto aleatorio en el espacio de búsqueda para determinar si el entorno había cambiado, pero requería control centralizado, lo cual era inconsistente con el modelo de procesamiento distribuido del algoritmo PSO. Para ello, Cui propuso el algoritmo TDPSO, que hace que el valor de aptitud de la posición histórica óptima disminuya con el tiempo, eliminando la necesidad de un control centralizado. Blackwell añade una penalización a la fórmula de actualización de partículas para mantener las partículas en una población ampliada para hacer frente a entornos dinámicos que cambian rápidamente. En este enfoque, no es necesario detectar si el punto óptimo ha cambiado.
Los experimentos de Parsopoulos y otros han demostrado que el algoritmo básico de enjambre de partículas puede funcionar de manera efectiva y estable en un ambiente ruidoso y, en muchos casos, la presencia de ruido también puede ayudar al algoritmo de enjambre de partículas a evitar caer en entornos locales. optimidad. Parsopoulos también estudió experimentalmente el rendimiento del algoritmo UPSO en entornos dinámicos. Pugh propuso un algoritmo de enjambre de partículas resistente al ruido. Pan introdujo pruebas de hipótesis y tecnología en el algoritmo de optimización de enjambre de partículas y propuso el algoritmo de enjambre de partículas para resolver problemas de optimización de funciones en entornos ruidosos.
El objeto de investigación del trabajo anterior es un sistema dinámico simple, la función experimental utilizada es una función monomodo simple y los cambios involucrados son cambios uniformes en un entorno simple (es decir, tamaño de paso fijo) . De hecho, los sistemas dinámicos reales suelen ser no lineales y varían de manera desigual en espacios de búsqueda multimodal complejos. Li realizó un estudio comparativo de cuatro modelos de optimización de enjambres de partículas en una variedad de entornos dinámicos diferentes.
Todos los métodos anteriores están diseñados para rastrear solo un punto óptimo,