Optimizacin por el mtodo de Enjambre de Partculas Unificado para Resolver Problemas de Optimizacin de Ingeniera Limitados.

K.E. Parsopoulos1 y M.N. Vrahatis2

1

Laboratorio de Inteligencia Computacional (CI Lab), Departamento de Matemticas, Universidad de Patras, GR-26110 Patras, Grecia. kostasp@math.upatras.gr 2 Centro de Investigacin en Inteligencia Artificial de la Universidad de Patras (UPAIRC), Universidad de Patras, GR26110 Patras, Grecia. vrahatis@math.upatras.gr

Resumen. Investigamos el rendimiento del mtodo recientemente propuesto de Optimizacin por Enjambre de Partculas Unificado en problemas limitados de optimizacin de ingeniera. Para este propsito, un acercamiento de funcin de penalizacin es empleado y el algoritmo es modificado para preservar factibilidad de la solucin encontrada. El algoritmo es ilustrado en cuatro bien conocidos problemas de ingeniera con resultados prometedores. Comparaciones con los mtodos de Optimizacin de Enjambre de Partculas con variante estndar local y global son mostradas y discutidas.
1. Introduccin

Muchas aplicaciones de ingeniera, como la optimizacin estructural, diseo de ingeniera, diseo VLSI (Very Large Scale Integration, Integracin a muy gran escala), economa, problemas de asignacin y locacin[1], implican difciles problemas de optimizacin que deben ser resueltos de manera eficiente y efectiva. Dada la naturaleza de estas aplicaciones, las soluciones usualmente necesitan ser limitadas en partes especficas del espacio de bsqueda que son delimitadas por restricciones lineales o no lineales. Diferentes algoritmos tanto determinsticos como estocsticos han sido desarrollados para abordar dichos problemas. Las aproximaciones determinsticas tal como Direccin Factible y Descenso Gradiente Generalizado hacen supuestos fuertes en la continuidad y diferenciabilidad de la funcin objetivo[1], [2]. Por esto, su aplicabilidad es limitada ya que estas caractersticas no son encontradas con frecuencia en problemas que surgen en aplicaciones de la vida real. Por otro lado, los algoritmos estocsticos de optimizacin tales como Algoritmos Genticos, Estrategias de Evolucin, Programacin Evolutiva y Optimizacin por Enjambre de Partculas (PSO) no hacen dichas suposiciones y han sido aplicados exitosamente para abordar problemas de optimizacin limitados durante los ltimos aos [3, 4, 5, 6, 7]. Muchos de los antes mencionados algoritmos de optimizacin han sido diseados ante todo para dirigirse a problemas de optimizacin ilimitados. Entonces, tcnicas de manipulacin de limitacin son usualmente incorporadas en los algoritmos en orden de dirigir la bsqueda de las regiones deseadas (factibles) del espacio de bsqueda. La tcnica de manipulacin de limitacin ms comnmente utilizada es la de Funcin de Penalizacin. En esta aproximacin, el problema es resuelto como uno ilimitado, donde la funcin objetivo es diseada de tal forma que las soluciones no factibles son caracterizadas por valores altos de funcin (en casos de minimizacin). La popularidad de las aproximaciones fundamentadas en penalizacin para manipulacin de limitacin, est basada en su mayora en su simplicidad y aplicabilidad directa que no implica modificaciones de los algoritmos empleados ni desarrollo de operadores especializados para abordar limitantes.

El UPSO es un reciente esquema PSO que engancha la variante local y global del PSO, combinando sus habilidades de exploracin y explotacin, sin imponer requerimientos adicionales en trminos de evaluaciones de funcin [10]. Estudios preliminares han mostrado que UPSO puede abordar eficientemente diferentes problemas de optimizacin [10,11]. Investigamos el desempeo del UPSO en cuatro bien conocidos problemas de optimizacin de ingeniera limitados. Una aproximacin de funcin de penalizacin es adoptada y los resultados obtenidos son comparados con los del algoritmo PSO estndar, suministrando conclusiones tiles acerca de la eficiencia del esquema unificado. El resto del artculo est organizado como sigue. La funcin de penalizacin empleada es descrita en la seccin 2, mientras que la seccin 3 es dedicada a la descripcin del UPSO. Los problemas de prueba considerados como los resultados obtenidos son reportados y discutidos en la seccin 4. El documento cierra con conclusiones en la seccin 5.
2. La Aproximacin de la Funcin de Penalizacin

El problema de optimizacin limitado se puede formular, en general, as: ( ) Sujeto a: ( ) (2) (1)

Donde m es el nmero de limitantes. Diferentes limitaciones de desigualdad e igualdad pueden ser fcilmente transformadas en la forma de la ecuacin 2. La funcin de penalizacin correspondiente puede ser definida por (3): ( ) ( ) ( ) (3)

Donde H(X) es un factor de penalizacin que es estrictamente positivo para todas las soluciones no factibles. Funciones con penalizaciones estticas, dinmicas, recocido y adaptativas han sido propuestas y aplicadas satisfactoriamente en diferentes aplicaciones [3, 7]. En el actual estudio, se emple una funcin de penalizacin que incluye informacin sobre, tanto el nmero de limitaciones violadas, como el grado de violacin. Entonces, el factor de penalizacin es definido como [8]: ( ) ( )

Donde NVCX es el nmero de limitaciones que estn siendo violadas por X; SVCX es la suma de todas las limitaciones violadas, por ejemplo: * ( )+

Y w1 y w2 son cargas estticas. La seleccin de esta forma de penalizacin est basada en los prometedores resultados obtenidos usando tales funciones de penalizacin con algoritmos evolutivos [8].

En general, la funcin de penalizacin influencia de gran forma el rendimiento de un algoritmo en la solucin de problemas de optimizacin limitados. Funciones de penalizacin sofisticadas y basadas en problemas pueden incrementar significativamente el rendimiento del algoritmo. Para evadir la posible gran influencia de la funcin de penalizacin empleada en el rendimiento del algoritmo, se usaron cargas w1 y w2, aunque aproximaciones auto-adaptativas que modifican dinmicamente las cargas a travs de esquemas de co-evolucin, como tambin funciones de penalizacin ms complicadas, han sido aplicadas exitosamente en trabajos relacionados [8, 6].
3. Optimizacin por Enjambre de Partculas Unificado

PSO (Particle Swarm Optimization | Optimizacin por Enjambre de Partculas) es un algoritmo estocstico, basado es poblaciones, para resolver problemas de optimizacin. Fue presentado en 1995 por Eberhart y Kennedy para tareas de optimizacin numrica y su dinmica est basada en principios que gobiernan grupos de individuos socialmente organizados [12]. En el contexto PSO, la poblacin es llamada Enjambre y sus individuos (puntos de bsqueda) son llamados partculas. Cada partcula tiene tres caractersticas principales: 1- Una velocidad adaptable con la que se mueve en el espacio de bsqueda. 2- Una memoria donde guarda la mejor posicin que ha visitado en el espacio de bsqueda (por ejemplo, la posicin con el valor ms bajo de la funcin). 3- La capacidad de compartir la informacin socialmente (por ejemplo, el conocimiento de la mejor posicin visitada por todas las partculas en su vecindad). Las vecindades son determinadas usualmente basndose en los indicios de las partculas, dando paso a las dos variantes principales del PSO, llamadas variante global y local. En la primera, todo el enjambre es considerado la vecindad de cada partcula, mientras que en la segunda, se utilizan estrictamente vecindades ms pequeas. Asuma una funcin n-dimensional:

Y un enjambre de N partculas: * +

La partcula i-sima, Xi perteneciente a S, su velocidad, Vi, como tambin su mejor posicin Pi perteneciente a S, son vectores n-dimensionales. Una vecindad de radio m de Xi consiste en partculas Xi-m,, Xi,, Xi+m. Asuma que bi sea el ndice de la partcula que tiene la previa mejor posicin entre todas las partculas de la vecindad de Xi, y t sea el contador de iteraciones. Entonces, de acuerdo a la versin del coeficiente de limitacin de PSO, el enjambre es actualizado usando las ecuaciones [13]: ( ) [ ( ) ( ( ( ) ) ( ) ( )) ( ) ( ( ) ( ))] ( ) ( )

Donde i = 1, 2,, N; X es el coeficiente de limitacin; c1 y c2 son constantes positivas, conocidas como parmetros cognitivo y social respectivamente; y r1 y r2 son vectores

aleatorios con componentes uniformemente distribuidos en [0, 1]. Valores por defecto para X, c1 y c2 son determinados en el anlisis terico de Clerc y Kennedy[3]. El rendimiento de un algoritmo basado en poblaciones es altamente dependiente en los intercambios entre sus habilidades de exploracin y su explosin, por ejemplo, su habilidad de explorar extensas reas del espacio de bsqueda y su habilidad para converger rpidamente hacia las ms prometedoras soluciones respectivamente. La variante global del PSO promueve la explosin ya que todas las partculas son atradas por la misma posicin, luego convergen ms rpidamente hacia el mismo punto.

4.

Referencias

[1]

C. A. Floudas, A collection of test problems for constrained global optimization algorithms, Recherche, vol. 67, p. 02, 1990. D. M. Himmelblau, Applied Nonlinear Programming. New York: McGraw-Hill, 1972, p. 498. M. Clerc and J. Kennedy, The Particle Swarm Explosion, Stability, and Convergence in a Multidimensional Complex Space, vol. 6, no. 1, pp. 58-73, 2002.

[2]

[3]