Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dialnet VortexParticleSwarmOptimizationWithIndividualAndGr 5019172 PDF
Dialnet VortexParticleSwarmOptimizationWithIndividualAndGr 5019172 PDF
* * *
Algoritmo de optimización basado en enjambres de partículas con comportamiento de vorticidad y búsqueda individual y grupal 25
Helbert Eduardo Espitia Cuchango / Jorge Iván Sofrony Esmeral
investigación
potenciales de Morse para representar la interac- capacidad de búsqueda. Una modificación adi-
ción entre individuos; sin embrago, en el trabajo cional del algoritmo PSO consiste en reiniciarlo
de Erdmann (2005) se puede observar un modelo cuando se considera que hay un estancamiento de
que emplea un potencial parabólico. este (García, 1997).
Algoritmo de optimización basado en enjambres de partículas con comportamiento de vorticidad y búsqueda individual y grupal 27
Helbert Eduardo Espitia Cuchango / Jorge Iván Sofrony Esmeral
investigación
1 N
2
E = ∑(α max − β vi ) vi
2
Ki = mi || vi ||2 U i = U int (ri ) + k f U esp (ri ) (7) (11)
2 i =1
Esta figura muestra el comportamiento de local se pueda escapar de este para seguir el pro-
vorticidad y la magnitud de la velocidad de las ceso de búsqueda. Con el fin de lograr lo anterior
partículas, la cual tiende a ser | vi | = α/β . se propone aumentar la energía de propulsión del
Para α=4 se tienen las figuras a y b mientras que enjambre α cuando se alcanza un mínimo local, y
para α=9 se tienen las figuras c y d. sólo se disminuye cuando el enjambre es capaz de
escapar de este punto.
Algoritmo de optimización basado en enjambres de partículas con comportamiento de vorticidad y búsqueda individual y grupal 29
Helbert Eduardo Espitia Cuchango / Jorge Iván Sofrony Esmeral
investigación
encontrar el mínimo local más cercano almace- Para lograr lo anterior el algoritmo presenta tres
nando el valor del mínimo encontrado. Posterior- etapas:
mente, para lograr que el enjambre escape del
mínimo encontrado, se realiza el proceso de dis- 1. Convergencia de búsqueda grupal: en esta
persión, empleando para esto el comportamiento etapa el algoritmo converge al punto de equi-
de vorticidad. Con el anterior proceso, mediante librio de las partículas, el cual puede ser el
la búsqueda grupal e individual se espera encon- mínimo local más cercano. En esta etapa el
trar un valor mínimo menor al encontrado previa- comportamiento del enjambre está dado por
mente. En caso de que no se encuentre un valor la función objetivo, observando para esto la
tal se detiene el algoritmo, considerando para esto posición media del enjambre.
una dispersión máxima de las partículas sobre el 2. Dispersión y búsqueda: cuando el enjambre
espacio de búsqueda. encuentra un mínimo local se realiza el proce-
so de dispersión, buscando tener movimien-
tos circulares de las partículas. En esta misma
etapa se realiza la búsqueda de un mejor valor
al encontrado previamente. Esta búsqueda se
realiza tanto individual como grupalmente.
En el caso de que se encuentre un mejor valor
grupal o individual, se procede a realizar la
respectiva convergencia.
Algoritmo de optimización basado en enjambres de partículas con comportamiento de vorticidad y búsqueda individual y grupal 31
Helbert Eduardo Espitia Cuchango / Jorge Iván Sofrony Esmeral
investigación
●● β: Factor de frenado de las partículas. Al au-
α [n + 1] = α [n] + g[n]∆t , si U minG ≥ U obj ( R);
(24) mentar, las partículas tienden a ir más lento.
α [n + 1] = 0, si U minG < U obj ( R).
a) Iteración: 1 b) Iteración: 30
Para ilustrar el desempeño del algoritmo pro- Circles: esta función presenta varios círcu-
puesto se considera un conjunto de funciones de los concéntricos como regiones de máximos y
prueba de 2 dimensiones, las cuales se pueden ob- mínimos locales. El mínimo global se encuentra
servar en Passino (2002) y Krishnanand (2009). en (0,0) con un valor de 0. La ecuación (28) des-
En la figura 5 se puede apreciar la representación cribe esta función de prueba.
gráfica de las funciones objetivo empleadas.
U obj,4 = ( x 2 + y 2 )0,25 ((sin (50( x 2 + y 2 )0,1 )) 2 + 1, 0) (28)
Passino: esta función de prueba es una adaptación Equal Peaks: esta función tiene varios mínimos
de la presentada en Passino (2002). En este caso la con un valor de 0 y situados periódicamente en
función tiene un mínimo global en (0,113,-3,2597), x y y. Esta función se encuentra descrita por la
cuyo valor es -3,4354 Esta función de prueba se ecuación (29).
encuentra descrita por la ecuación (25).
U obj,5 = cos( x) 2 + sin ( y ) 2 (29)
−0 ,8(( x )2 + ( y −1, 7)2 ) −0 , 64(( x −1, 7)2 + ( y − 0)2 )
U obj ,1 = 5e − 2e
Himmelblaus: consiste en una adaptación de la
2 + ( y +1, 7)2 ) 2 + ( y +1, 7)2 ) función representada en Krishnanand (2009),la
+3e −0,64(( x −3,3) + 2e −0,8(( x +1,7)
cual tiene cuatro mínimos con valor de -2
−2e −4(( x +3,3)
2 + ( y +1, 7)2 )
− 4e −0,8(( x −0)
2 + ( y + 3,3)2 )
(25) situados en (-1,5616,2,29260), (2,5616,2,1068),
(2,5615,-2,1068) y (1,5616,-29260). La ecuación
−2e −4(( x + 2,3)
2 + ( y −3,3)2 )
− 2e −4(( x − 2,0)
2 + ( y −3,3)2 )
(30) describe esta función de prueba.
Algoritmo de optimización basado en enjambres de partículas con comportamiento de vorticidad y búsqueda individual y grupal 33
Helbert Eduardo Espitia Cuchango / Jorge Iván Sofrony Esmeral
investigación
Algoritmo de optimización basado en enjambres de partículas con comportamiento de vorticidad y búsqueda individual y grupal 35
Helbert Eduardo Espitia Cuchango / Jorge Iván Sofrony Esmeral
investigación
REFERENCIAS
Abdel, M. y McInnes, C., “Wall Following to Es- Espitia, H. y Sofrony J., “Path Planning of Mobile
cape Local Minima for Swarms of Agents Robots Using Potential Fields and Swarms
Using Internal States and Emergent Beha- of Brownian Particles”, IEEE Congress on
vior”, International Conference of Com- Evolutionary Computation (CEC), 2011,
putational Intelligence and Intelligent pp. 123-129.
Systems ICCIIS, 2008.
Espitia H. y Sofrony J., “Vortex Particle Swarm
Bajec, I. y Heppner, F., “Organized Flight in Optimization”, IEEE Congress on Evolu-
Birds”, Animal Behaviour, Vol. 78, No. 4, tionary Computation (CEC), 2013.
2009, pp. 777-89.
Espitia, H., Sofrony, J. y González C., “Vortex
Berg H., Random Walks in Biology, Princeton Swarm Path Planning Algorithm”, IEEE
University Press, 1983. Electronics, Robotics and Automotive
Mechanics Conference (CERMA), 2011,
Bratton, D. y Kennedy, J., “Defining a Standard pp. 184-90.
for Particle Swarm Optimization”, Procee-
dings of IEEE Swarm Intelligence Sympo- Evers, G., An Automatic Regrouping Mechanism
sium SIS, 2007. to Deal with Stagnation in Particle Swarm
Optimization (Master Thesis), University
Çengel, Y., Mecánica de fluidos, McGraw-Hill, of Texas-Pan American, 2009.
2003.
Feng, C., Cong, S. y Feng, X., “A New Adaptive
Couzin, I., Krause, J., Franks, N. y Levin, S., Inertia Weight Strategy in Particle Swarm
“Effective Leadership and Decision Ma- Optimization”, IEEE Congress on Evolu-
king in Animal Groups on Themove”, Let- tionary Computation (CEC), 2007.
ters to Nature, Vol. 433, 2005, pp. 513-16.
García, J. y Alba, E., “Restart Particle Swarm
D’Orsogna, M., Chuang, Y., Bertozzi, A. y Cha- Optimization with Velocity Modulation: A
yes, L., “Self-Propelled Particles with Soft- Scalability Test”, Springer, Soft Computing
Core Interactions: Patterns, Stability, and - A Fusion of Foundations, Methodologies
Collapse”, Physical Review Letters, Vol. and Applications, Vol. 1, 1997.
96, 2006.
García, R., Moss, F., Nihongi, A., Strickler, R.,
Ebeling, W. y Erdmann, U., “Nonequilibrium Göller, S., Erdmann, U., Schimansky, L.
Statistical Mechanics of Swarms of Dri- y Sokolov, I., “Optimal Foraging by Zoo-
ven Particles”, Physica A: Statistical Me- plankton within Patches: The Case of Da-
chanics and its Applications, Vol. 314, No. phnia”, Elsevier, Mathematical Bioscien-
1-4, 2002, pp. 92-96. ces, Vol. 2, 2007, pp. 165-88.
Erdmann, U., Ebeling, W. y Mikhailov, A., “Noi- Hendtlass, T., “A Particle Swarm Algorithm for
se-Induced Transition from Translational High Dimensional, Multi-Optima Problem
to Rotational Motion of Swarms”, Physical Spaces”, IEEE Swarm Intelligence Sympo-
Review E, Vol. 71, No. 5, 2005. sium, 2005.
Krishnanand, K. y Ghose, D., “Glowworm Swarm Schutte, J., Particle Swarms in Sizing and Global
Optimization for Simultaneous Capture Optimization (Master’s Dissertation), Uni-
of Multiple Local Optima of Multimodal versity of Pretoria, 2002.
Functions”, Springer Science, Swarm Inte-
lligence, Vol. 3, No. 2, 2009, pp. 87-124. Sumpter, D., “The Principles of Collective Ani-
mal Behaviour”, Philosophical Transac-
Levine, H., Rappel, W. y Cohen, I., “Self-Orga- tions of the Royal Society B, Vol. 361, No.
nization in Systems of Self-Propelled Par- 1465, 2006, pp. 5-22.
ticles”, Physical Review E, Vol. 63, No. 1,
2000. Van den Bergh, F., An Analysis of Particle Swarm
Optimizers (PhD. Thesis), University of
Liang, J., Qin, A., Suganthan, P. y Baskar, S., Pretoria, Pretoria, 2001.
“Comprehensive Learning Particle Swarm
Optimizer for Global Optimization of Mul- Vicsek T., “Universal Patterns of Collective Mo-
timodal Functions”, IEEE Transactions on tion from Minimal Models of Flocking”,
Evolutionary Computation, Vol. 10, 2006. Second IEEE International Conferen-
ce on Self-Adaptive and Self-Organizing
Menser, S. y Hereford, J., “A New Optimization Systems, 2008.
Technique”, Proceedings of the IEEE Digi-
tal Object Identifier Southeast Con, 2006. Vicsek, T., Czirók, A., Ben, E., Cohen, I. y Sho-
chet, O., “Novel Type of Phase Transition
Mesa, E., Supernova: un algoritmo novedoso de in a System of Self-Driven Particles”, Phy-
optimización global (tesis de maestría), sical Review Letters, Vol. 75, No. 6, 1995.
Universidad Nacional de Colombia, Sede
Medellín, 2010. Yin, L. y Liu, X., “A PSO Algorithm Based on
Biology Population Multiplication (PMP-
Parsopoulos, K. y Vrahatis, M., “On the Com- SO)”, Proceedings of the Second Sympo-
putation of all Global Minimizers through sium International Computer Science and
Particle Swarm Optimization”, IEEE Tran- Computational Technology (ISCSCT ’09),
sactions on Evolutionary Computation, 2009.
Vol. 8, 2004.
Zhang, H., Chen, M., Stan, G., Zhou, T. y Ma-
Passino, K., “Biomimicry of Bacterian Foragin ciejowski, J., “Collective Behavior Coordi-
for Distributed Optimization and Control”, nation with Predictive Mechanisms”, IEEE
IEEE Control Systems Magazine, 2002. Circuits and Systems Magazine, 2008.