particle swarm optimization

(bkz: parçacık sürü optimizasyonu)

(bkz: pso)

literatürde optimizasyon yöntemleri arasında yerini alan pso parametrik bir sezgisel yöntemdir. parametrik sezgisel yöntemlere metaheuristic yöntemler denir. diğer çoğu sezgisel yöntemlerde olduğu gibi (genetik algoritmalar, karınca koloni optimizasyonu vb.) doğadan esinlenerek geliştirilen bu yöntem balık ve kuş sürülerinin yem bulmak için izledikleri stratejiye dayanır.

genetik algoritmalarda olduğu gibi pso'da da rassal çözümlerle başlanarak popülasyonun güncellenmesi ile daha iyi çözümler aranır. problem uzayındaki mevcut çözümler birer parçacık ile ifade edilir. bu durumda sürü ise mevcut uygun çözümleri barındıran popülasyon demek olur.

pso genetik algoritmalara ve tabu aramaya göre daha basittir. basitliğinin temel nedeni diğerlerinden daha az parametreye sahip olmasıdır.

bu optimizasyon yönteminin çalışma mantığını basit şekilde incelemek gerekirse; balık veya kuş sürüsünün bulunduğu bir ortamda (uzayda) tek bir yem olduğu (bir birim) ve bu yemin yerinin balık/kuşlar tarafından bilinmediği farz edilsin. artı olarak her bir güncellemede (iterasyon sonucunda) yeme ne kadar uzaklıkta olduğu bilinecektir. bu durumda sürü içerisindeki yiyeceğe en yakın kuşu takip etmek mantıklı olacaktır. her bir iterasyon sonucunda eldeki mevcut çözüm de güncelleneceğinden adım adım en iyi çözüme yaklaşılmış olacaktır. mevcut durumdaki en iyi değer yiyeceğe en yakın olan kuşun değeridir.

parçacık sayısı, parçacık boyutu, parçacık aralığı, kuşların hızı, öğrenme faktörleri ve durma koşulu yöntemin en önemli parametreleridir.

algoritma ne kadar az sayıda iterasyonla ve ne kadar kısa sürede en iyi çözüme ulaşırsa o kadar etkili bir algoritma geliştirilmiştir denebilir.

ingilizcesi olanlara akış şeması;

http://mnemstudio.org/ai/pso/images/pso1.gif