1
Algorytmy roju
Spis tre
ś
ci
• Wprowadzenie – pojęcie ryzyka
empirycznego
• Poszukiwanie minimum ryzyka empirycznego
• Algorytm roju
– Metoda „najlepszy globalnie” – Metoda „najlepszy lokalnie”
Poj
ę
cie ryzyka empirycznego
( )
x f d = '(
)
[
(
)
]
∑
∑
= = = − = n i n i i i i emp y d f x w n E 1 1 2 2 , 1( )
x f y=Poszukiwanie minimum ryzyka
empirycznego
3
Algorytm roju
Kolejne kroki cząstki określone sąna podstawie składowych: • składowa socjalna, • składowa kognitywna, • składowa inercji.
Algorytm roju – „najlepszy
globalnie”
( ) ( ) ( )
t+1 =w t +v t+1w
( ) ( )
t v t cr( ) ( ) ( )
t[
y t w t]
c r( ) ( ) ( )
t[
y t w t]
v +1 = + 11 − + 2 2 ˆ −
położenie cząstki
w t+1 momencie wektor przesunięcia
składowa inercji najlepsze własne rozwiązanie
najlepsze globalne rozwiązanie
Algorytm roju – „najlepszy
globalnie”
Etapy wyznaczania kolejnego położenia
cząstki:
1. Pomnożenie wektorów przez stałe c1 i c2
2. Pomnożenie wektorów przez zmienne
losowe r1 i r2
3. Sumowanie trzech składowych w celu otrzymania wetkora przesunięcia cząstki
Algorytm roju – „najlepszy
globalnie”
5
Algorytm roju – „najlepszy lokalnie”
Składowa socjalna jest określana na
podstawie najlepszej cząstki z pewnego sąsiedztwa
Podsumawanie
• Algorytmy roju są prostą metodą
poszukiwania rozwiązania obarczonego
jak najmniejszym ryzykiem empirycznym
• Dobór typu sąsiedztwa ma wpływ na
odporność algorytmu na pułapkę