Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Enjambre de Abejas { Particle Swarm Optimization}

No description
by

Laura Sepúlveda

on 28 October 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Enjambre de Abejas { Particle Swarm Optimization}

Enjambre de Abejas { Particle Swarm Optimization}
Características
PROCESO
Aplicaciones
Introducción
Gustavo De La Espriella
Andrea Forero
Laura Sepúlveda
Diego Traslaviña

Octubre 25/2013
Colección (Población) de individuos aparentemente desordenada, que tienden a agruparse mientras cada uno parece moverse en una dirección aleatoria.
Enjambre {Swarm}
Ventajas
Optimiza funciones no lineales
Concepto Simple
Fácil de Implementar
Efectivo para resolver gran variedad de problemas
Población
Conjunto de Soluciones Potenciales {Partículas}
Posiciones y velocidades aleatorias
Ubicados en la región factible
Criterio:Highest Fitness {Aptitud}
Mejor Posición
Guardar registro pbest
Versiones
pbest
Mejor resultado de cada partícula
Mejor resultado global
Mejor resultado para un vecindario
En Cada iteración, cada partícula se mueve estocásticamente
Basado en la situación actual + un elemento aleatorio
1. Iniciar la población en la región factible
{varias dimensiones}{posiciones y velocidades}

2. Evaluar la aptitud {Función Objetivo} de cada partícula
3. Modificar la velocidad basada en " los mejores pasados"
Ecuación de velocidad

Vid= w*Vid + C1 rand()(Pid-Xid)+C2 rand()(Pgb-Xid)

Xid= Xid+Vid


Meta-Heurística que implementa estrategias de búsqueda del espacio solución.

Cada partícula está en busca del óptimo, y para ello se basa en su propia experiencia y en los hallazgos de toda la población.

Tiene en cuenta los conceptos de posición y velocidad



Xid = Posición Actual
Pid= pbest { mejor posición de cada partícula}
Xid= Posición Actual
Pgd= gbest { mejor posición de la población}
w, c1, c2 = Constantes
Swarm Particle Optimization
Desarrollado por Jim Kennedy y Russ Eberhart. Publicado por primera vez en 1995.
Modelo de Conductas Sociales
Bandada de aves o banco de peces.
Simplificado para problemas de Optimización
Las abejas en busca de alimento tratan de localizar la región del espacio con mayor densidad de flores
Analogía
Las partículas (Posibles Soluciones) buscan la mejor solución factible
Cada abeja vuela de modo errático por el espacio, recordando en todo momento cuál es la región donde ha visto más flores.



Las partículas se desplazan aleatoriamente, guardando el mejor valor obtenido. (Registro Histórico)
EL enjambre sabe colectivamente cuál es la región del espacio, de entre todas las exploradas, donde se han encontrado más flores



Las partículas están delimitadas por una región factible
Factores Decisivos
Conocimiento del Entorno
Experiencia del Propio Individuo
Experiencia de la Sociedad
Cada abeja variará individualmente su movimiento, volando hacia algún lugar intermedio



Cada partícula tiene su propia velocidad y se desplazará hacía un determinado lugar
Es posible que la abeja durante ese sobrevuelo encuentre una región con más densidad de flores que la conocida hasta entonces (óptimo local), o incluso que la conocida por el enjambre (óptimo global)



Por cada iteración, las partículas descubren nuevas regiones conocidas, encontrando P Best, o incluso el G Best.

Thanks to
http://es.wikipedia.org/wiki/Optimizaci%C3%B3n_por_enjambre_de_part%C3%ADculas

http://www..youtube.com/watch?v=-QpKtk6o5VU

http://cursos-ro.jimdo.com/inicio/optimizaci%C3%B3n-de-operaciones/material-de-clase

http://chern.ie.nthu.edu.tw/gen/9.pdf

Todo el enjambre orientará la búsqueda hacia esa nueva dirección.



El resto de partículas se orientarán hacía el Gbest.
Pasado un tiempo, si se descubre otra región con mayor densidad floral, el enjambre reorientará nuevamente la búsqueda hacia allí.



Pasado Un tiempo, si se descubre otra región con mejores soluciones, las partículas se reorientaran nuevamente hacia la región con mejor solución.
Programación
W= Inercia { Controla la influencia de las velocidades previas en la nueva velocidad. Un mayor W permite explorar una mayor área}
4. Terminar bajo algún criterio
Número máximo de iteraciones
Cambio de Velocidad muy cercano a 0 para todas las partículas
Parámetros
(a) Dimensión del problema.
(b) Número de partículas { Tamaño de la población}
(c) Límite superior para la velocidad
(d) Tamaño del vencindario { Para versión lbest}.
(e) Pesos de Inercia
gbest
lbest
Índice
1. Historia y Marco teórico
2. Actividad
3. Introducción
4. Características
5. Proceso
6. Aplicaciones
Full transcript