Optimización por enjambre de partículas

En informática, la optimización por nube de partículas u optimización por enjambre de

partículas (conocida por sus siglas en inglés: PSO, de «particle swarm optimization») hace
referencia a una metaheurística que evoca el comportamiento de las partículas en la
naturaleza.

Los métodos PSO se atribuyen originalmente a los investigadores Kennedy, Eberhart1 y

Shi.2 En un principio fueron concebidos para elaborar modelos de conductas sociales,3
como el movimiento descrito por los organismos vivos en una bandada de aves o un banco
de peces. Posteriormente el algoritmo se simplificó y se comprobó que era adecuado para
problemas de optimización. El libro de Kennedy y Eberhart4 describe numerosos aspectos
teóricos de la PSO y la inteligencia de enjambre. Un amplio estudio de las aplicaciones de
PSO se puede encontrar en Poli.56

PSO permite optimizar un problema a partir de una población de soluciones candidatas,

denotadas como "partículas", moviendo éstas por todo el espacio de búsqueda según reglas
matemáticas que tienen en cuenta la posición y la velocidad de las partículas. El
movimiento de cada partícula se ve influido por su mejor posición local hallada hasta el
momento, así como por las mejores posiciones globales encontradas por otras partículas a
medida que recorren el espacio de búsqueda. El fundamento teórico de esto es hacer que la
nube de partículas converja rápidamente hacia las mejores soluciones.

PSO es una metaheurística, ya que asume pocas o ninguna hipótesis sobre el problema a
optimizar y puede aplicarse en grandes espacios de soluciones candidatas. Sin embargo,
como toda metaheurística, PSO no garantiza la obtención de una solución óptima en todos
los casos.

Índice
 1 Analogía con la naturaleza
 2 Algoritmo
 3 Selección de parámetros
 4 Topologías
 5 Funcionamiento interno
o 5.1 Convergencia
o 5.2 Sesgos
 6 Variantes
o 6.1 Simplificaciones
o 6.2 Optimización multiobjetivo
o 6.3 PSO binaria, discreta y combinatoria
 7 Referencias
 8 Véase también

Analogía con la naturaleza

Las abejas en busca de alimento tratan de localizar la región del espacio con mayor
densidad de flores, ya que es allí donde presumiblemente existe más cantidad de polen.
Cada abeja vuela de modo errático por el espacio, recordando en todo momento cuál es la
región donde ha visto más flores. A su vez, el enjambre sabe colectivamente cuál es la
región del espacio, de entre todas las exploradas, donde se han encontrado más flores. Cada
abeja variará individualmente su movimiento con arreglo a estas dos direcciones, volando
hacia algún lugar intermedio. 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); en este último caso, todo el enjambre
orientará la búsqueda hacia esa nueva dirección. Pasado un tiempo, si se descubre otra
región con mayor densidad floral, el enjambre reorientará nuevamente la búsqueda hacia
allí, y así sucesivamente.