• Nie Znaleziono Wyników

Uliński,Żychowski,Fijałkowski,Okulewiczetal.GAPSO Jakwrócićdziśdodomu? DefinicjaproblemuPSORozwójLiteratura

N/A
N/A
Protected

Academic year: 2021

Share "Uliński,Żychowski,Fijałkowski,Okulewiczetal.GAPSO Jakwrócićdziśdodomu? DefinicjaproblemuPSORozwójLiteratura"

Copied!
35
0
0

Pełen tekst

(1)

Definicja problemu PSO Rozwój Literatura

Jak wrócić dziś do domu?

(2)

Definicja problemu PSO Rozwój Literatura

Jak bym to rozwiązał?

(3)

Definicja problemu PSO Rozwój Literatura

Jak byśmy to rozwiązali?

(4)

Definicja problemu PSO Rozwój Literatura

Optymalizacja rojem cząstek:

hybrydyzacja i samoadaptacja

Mateusz Uliński, Adam Żychowski, Jakub Fijałkowski, Marcin Chudy, Piotr Jastrzębski, Marcin Bogucki, Artur

Niziołek, Jędrzej Krauze, Mateusz Zaborski, Hubert Kordulewski,

Michał Okulewicz

Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska

(5)

Definicja problemu PSO Rozwój Literatura

Plan prezentacji

1 Definicja problemu

2 PSO

Hybrydyzacja Adaptacja

3 Rozwój

(6)

Definicja problemu PSO Rozwój Literatura

Definition (Problem optymalizacyjny)

Problem optymalizacyjny P = (Ω, f , ) jest zdefiniowany przez przestrzeń rozwiązań Ω, funkcję jakościa f : Ω → R oraz relację

∈ {<, >}. Rozwiązaniem problemu jest znalezienie zbioru elementów (elementu) X ⊆ Ω spełniającego następujące warunki:

X = {x ∈ Ω : ∀x0∈Ωf (x )  f (x0)}

aW zależności od dziedziny funkcja jakości może być też określana jako funkcja celu lub funkcja przystosowania.

Przestrzeń rozwiązań i typ problemu Podczas tej prezentacji uznajemy, że:

Ω := Rn (1)

:=< (2)

(7)

Definicja problemu PSO Rozwój Literatura

Jaki jest najlepszy algorytm optymalizacji globalnej?

Przeszukiwanie losowe?

Hill climbing ?

Pełzający symplex (Metoda Neldera-Meada)?

Metody quasi-Newtonowskie (np. L-BFGS)?

Algorytmy genetyczne / ewolucyjne?

Inne metody populacyjne?

Solvery programów liniowych (CPLEX itp.)?

CMA-ES?

(8)

Definicja problemu PSO Rozwój Literatura

Jak rozwiązać wszystkie problemy jednym algorytmem?

No free lunch in optimization (Wolpert and Macready, 1997)

No free lunch in machine learning (Wolpert, 1996)

(9)

Definicja problemu PSO Rozwój Literatura

A zatem...?

(10)

Definicja problemu PSO Rozwój Literatura

A zatem...?

Wybierzmy taki, który daje przyzwoite wyniki i umiemy go

parametryzować

(11)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Optymalizacja rojem cząstek

Inspirowana: Reynolds (1987)

Wprowadzona: Kennedy and Eberhart (1995)

Usprawniana: Shi and Eberhart (1998),

Porządkowana: Bratton and Kennedy (2007)

Analizowana: Van Den Bergh and Engelbrecht (2010)

Operatory przeszukiwania

xit+1= xit+ vit+1. (3)

vit+1= ω · vit+ c1· (pibest− xit) + c2· (neighborsibest− xit) (4)

(12)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Jak dobierać jej parametry i sąsiedztwo?

Prace: Cleghorn, Clerc, Engelbreht, Harrison, Poli (Harrison et al., 2017)

Równanie Poli’ego na zbieżność PSO c1+ c2 < 24(1 − ω)2

7 − 5ω (5)

(13)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Rejon zbiżeności Poli’ego

(14)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Od przybytku głowa nie boli

(15)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Od przybytku głowa nie boli c.d.

Particle Swarm Optimization

Charged PSO

Quantum PSO

Fully-Informed Swarm

Local PSO

Unified PSO

Orthogonal Learning PSO

Artificial Bee Colony

Bat Algorithm

Cuckoo search (via L´evy flights)

Dog Group Wild Chase and Hunt Drive Algorithm

Eagle strategy (using L´evy walk and firefly algorithms)

Firefly algorithm

(16)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

S¨ orensen na ratunek!

Metaheuristics – the metaphor exposed S¨orensen (2015)

Z polityki publikacyjnej Journal of Heuristics

Proposing new paradigms is only acceptable if they contain

innovative basic ideas, such as those that are embedded in classical frameworks like genetic algorithms, tabu search, and simulated annealing. The Journal of Heuristics avoids the publication of articles that repackage and embed old ideas in methods that are claimed to be based on metaphors of natural or manmade systems and processes. These so-called “novel” methods employ analogies that range from intelligent water drops, musicians playing jazz, imperialist societies, leapfrogs, kangaroos, all types of swarms and insects and even mine blast processes (S¨orensen, 2013).

(17)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Ale co z tego wynika...?

Spróbujmy poszukać alternatywnego sposobu poprawy jakości działania

algorytmów przez ich

hybrydyzację

(18)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Spojrzenie uogólnione

Cząsteczki nie muszą być identyczne

Każda cząsteczka ma aktualną pozycję x , prędkość v oraz najlepszą pozycję pbest (a potencjalnie pełną historię)

Wszystkie cząsteczki mogą mieć dostęp do x i pbest innych

Okulewicz (2016); Uliński et al. (2018):

vit+1=ω · vit+ c1· (pibest− xit)

+

|N |

X

k=1

|particles|

X

j =1,j 6=i

I (j th ∈ Nk(i th))cj ,k0 · (pjbest − xit)

+

N

X

k=1

|particles|

X

j =1,j 6=i

I (j th ∈ Nk(i th))cj ,k00 · (xjt− xit)

(6)

(19)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Inne algorytmy: Ewolucja różnicowa

Wprowadzona: Storn and Price (1997)

Od razu z założeniem wysokopoziomowej parametryzacji (DE/rand/1/bin, DE/best/1/bin)

Operatory przeszukiwania

yt(i )= x(i )t + F × (xt(i2)− x(it1)) (7) uit= Binp(xbestt , yt(i )) (8)

uit =

 uit if f (uit) < f (xit)

xit otherwise (9)

(20)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

DE jako cząstka w uogólnionym PSO

x(i ,t+1)test = Bin(ωv + (pbest − x(i ,t)test), gbest) (10)

(21)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Mój przepis na hybrydę PSO + DE

Losowe aplikowanie wzorów PSO (4) lub DE (10) niezależnie od wcześniejszej historii danego punktu

Utrzymywanie cech cząsteczki: prędkości, położenia aktualnego i najlepszego znanego

(22)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Hybrydy PSO-DE

(23)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Otwartym pytaniem pozostaje sposób wyboru procentowego udziału poszczególnych rodzajów cząsteczek / zachowań

Przegląd metod adaptacji przydatnych w takim wyborze:

Sharma et al. (2018)

W GAPSO użyto zliczania wartości sukcesów poszczególnych rodzajów:

zts = max (0,f (psbest) − f (xst)

f (psbest) ) (11)

ˆ

ztp= 1 Sp∗ Na

T −Na

X

t=T

X

s∈swarmp

zts (12)

Z =

P

X

p

zp (13)

[z1 ,z2

, . . . ,zP

] (14)

(24)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Garść wyników: BBOB

(25)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Garść wyników: BBOB

(26)

Definicja problemu PSO Rozwój Literatura

Hybrydyzacja Adaptacja

Garść wyników: BBOB

(27)

Definicja problemu PSO Rozwój Literatura

Co dalej...?

(28)

Definicja problemu PSO Rozwój Literatura

Garść wyników: BBComp 1OBJ

(29)

Definicja problemu PSO Rozwój Literatura

Garść wyników: BBComp Expensive 1OBJ

(30)

Definicja problemu PSO Rozwój Literatura

Garść wyników: BBComp Expensive 1OBJ 64D

(31)

Definicja problemu PSO Rozwój Literatura

Literatura I

Daniel Bratton and James Kennedy. Defining a Standard for Particle Swarm Optimization. (Sis):120–127, 2007.

Kyle Robert Harrison, Andries P. Engelbrecht, and Beatrice M.

Ombuki-Berman. An adaptive particle swarm optimization algorithm based on optimal parameter regions. In 2017 IEEE Symposium Series on Computational Intelligence (SSCI), pages 1–8. IEEE, nov 2017.

ISBN 978-1-5386-2726-6. doi: 10.1109/SSCI.2017.8285342. URL http://ieeexplore.ieee.org/document/8285342/.

James Kennedy and Russell C. Eberhart. Particle Swarm Optimization.

Proceedings of IEEE International Conference on Neural Networks. IV, pages 1942–1948, 1995.

(32)

Definicja problemu PSO Rozwój Literatura

Literatura II

Michał Okulewicz. Finding an Optimal Team. In Position Papers of the 2016 Federated Conference on Computer Science and Information Systems, pages 205–210, oct 2016. doi: 10.15439/2016F465. URL https://fedcsis.org/proceedings/2016/pliks/465.pdfhttps:

//fedcsis.org/proceedings/2016/drp/465.html.

Craig W Reynolds. Flocks, herds and schools: A distributed behavioral model. SIGGRAPH Comput. Graph., 21(4):25–34, 1987. ISSN 0097-8930. doi: 10.1145/37402.37406. URL

http://doi.acm.org/10.1145/37402.37406.

Mudita Sharma, Manuel López-Ib´nez, and Dimitar Kazakov.

Performance Assessment of Recursive Probability Matching for Adaptive Operator Selection in Differential Evolution. pages 321–333.

Springer, Cham, sep 2018. doi: 10.1007/978-3-319-99259-4˙26. URL http://link.springer.com/10.1007/978-3-319-99259-4{_}26.

(33)

Definicja problemu PSO Rozwój Literatura

Literatura III

Yuhui Shi and Russell C. Eberhart. Parameter selection in particle swarm optimization. Proceedings of Evolutionary Programming VII (EP98), pages 591–600, 1998. doi: 10.1007/BFb0040810. URL

http://link.springer.com/10.1007/BFb0040810.

Kenneth S¨orensen. Metaheuristics-the metaphor exposed. International Transactions in Operational Research, 22(1):3–18, 2015. ISSN 14753995. doi: 10.1111/itor.12001.

Rainer Storn and Kenneth Price. Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces.

Journal of Global Optimization, 11(4):341–359, 1997. ISSN 0925–5001. doi: 10.1023/A:1008202821328. URL

http://dx.doi.org/10.1023/A{%}3A1008202821328.

(34)

Definicja problemu PSO Rozwój Literatura

Literatura IV

Mateusz Uliński, Adam Żychowski, Michał Okulewicz, Mateusz Zaborski, and Hubert Kordulewski. Generalized Self-adapting Particle Swarm Optimization Algorithm. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), volume 3242, pages 29–40, 2018. doi:

10.1007/978-3-319-99253-2˙3. URL

http://link.springer.com/10.1007/978-3-319-99253-2{_}3.

Frans Van Den Bergh and Andries Petrus Engelbrecht. A convergence proof for the particle swarm optimiser. Fundamenta Informaticae, 105 (4):341–374, 2010. ISSN 01692968. doi: 10.3233/FI-2010-370.

David H. Wolpert. The Lack of a Priori Distinctions between Learning Algorithms. Neural Computation, 8(7):1341–1390, 1996. ISSN 08997667. doi: 10.1162/neco.1996.8.7.1341.

(35)

Definicja problemu PSO Rozwój Literatura

Literatura V

David H. Wolpert and William G. Macready. No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1):

67–82, 1997. ISSN 1089778X. doi: 10.1109/4235.585893.

Cytaty

Powiązane dokumenty

Perfekcyjna sorpcja LZO na materiałach ilastych zależy od polarności sorbowanych cząstek oraz rodzaju oddziaływań po- między cząsteczkami a powierzchnią sorpcyjną.. Te

I Topological neighborhoods unrelated to the locality of the particle came into use (including a global neighborhood, or gbest model, where each particle is able to obtain

Centrum dekodujące to miejsce oddziaływania kodonu mRNA z kom- plementarnym anty-kodonem tRNA oraz tłumaczenia informacji genetycznej na język aminokwasów. Antybiotyki

Lokalizacja uszkodzeń w zadanym obszarze z wykorzystaniem teorii spektralnej — The approximate location of imperfections in fixed domain using the spectral theory / Mateusz

Quadratic model optimizer behavior with standard sample set size (5 · DIM ) in the initial iterations of optimization process for a separable Rastrigin’s function (COCO BBOB

The re- search on GAPSO approach is based on two assumptions: (1) it is possible to improve the performance of an optimization algorithm through utiliza- tion of more function

In this article a problem of packing a set of rectangular shapes into a circular containers is formulated and solved with the us- age of Particle Swarm Optimization

The pseudocode of the algorithm for applying PSO to the DVRP (length of route through the assigned clients), plannedRoute (estimated length \ of the route through the planned