Documente Academic
Documente Profesional
Documente Cultură
* * *
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal 25
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin
potenciales de Morse para representar la interac- capacidad de bsqueda. Una modificacin adi-
cin 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 parablico. este (Garca, 1997).
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal 27
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin
1 N
2
E = ( max 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 bsqueda. Con el fin de lograr lo anterior
partculas, la cual tiende a ser | vi | = / . se propone aumentar la energa de propulsin del
Para =4 se tienen las figuras a y b mientras que enjambre cuando se alcanza un mnimo local, y
para =9 se tienen las figuras c y d. slo se disminuye cuando el enjambre es capaz de
escapar de este punto.
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal 29
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin
encontrar el mnimo local ms cercano almace- Para lograr lo anterior el algoritmo presenta tres
nando el valor del mnimo encontrado. Posterior- etapas:
mente, para lograr que el enjambre escape del
mnimo encontrado, se realiza el proceso de dis- 1. Convergencia de bsqueda grupal: en esta
persin, empleando para esto el comportamiento etapa el algoritmo converge al punto de equi-
de vorticidad. Con el anterior proceso, mediante librio de las partculas, el cual puede ser el
la bsqueda grupal e individual se espera encon- mnimo local ms cercano. En esta etapa el
trar un valor mnimo menor al encontrado previa- comportamiento del enjambre est dado por
mente. En caso de que no se encuentre un valor la funcin objetivo, observando para esto la
tal se detiene el algoritmo, considerando para esto posicin media del enjambre.
una dispersin mxima de las partculas sobre el 2. Dispersin y bsqueda: cuando el enjambre
espacio de bsqueda. encuentra un mnimo local se realiza el proce-
so de dispersin, buscando tener movimien-
tos circulares de las partculas. En esta misma
etapa se realiza la bsqueda de un mejor valor
al encontrado previamente. Esta bsqueda 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 optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal 31
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin
: Factor de frenado de las partculas. Al au-
[n + 1] = [n] + g[n]t , si U minG U obj ( R);
(24) mentar, las partculas tienden a ir ms lento.
[n + 1] = 0, si U minG < U obj ( R).
a) Iteracin: 1 b) Iteracin: 30
Para ilustrar el desempeo del algoritmo pro- Circles: esta funcin presenta varios crcu-
puesto se considera un conjunto de funciones de los concntricos como regiones de mximos y
prueba de 2 dimensiones, las cuales se pueden ob- mnimos locales. El mnimo global se encuentra
servar en Passino (2002) y Krishnanand (2009). en (0,0) con un valor de 0. La ecuacin (28) des-
En la figura 5 se puede apreciar la representacin cribe esta funcin de prueba.
grfica 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 funcin de prueba es una adaptacin Equal Peaks: esta funcin tiene varios mnimos
de la presentada en Passino (2002). En este caso la con un valor de 0 y situados peridicamente en
funcin tiene un mnimo global en (0,113,-3,2597), x y y. Esta funcin se encuentra descrita por la
cuyo valor es -3,4354 Esta funcin de prueba se ecuacin (29).
encuentra descrita por la ecuacin (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 adaptacin de la
2 + ( y +1, 7)2 ) 2 + ( y +1, 7)2 ) funcin representada en Krishnanand (2009),la
+3e 0,64(( x 3,3) + 2e 0,8(( x +1,7)
cual tiene cuatro mnimos 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 ecuacin
2e 4(( x + 2,3)
2 + ( y 3,3)2 )
2e 4(( x 2,0)
2 + ( y 3,3)2 )
(30) describe esta funcin de prueba.
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal 33
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal 35
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin
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 Gonzlez 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
engel, Y., Mecnica 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.
Garca, J. y Alba, E., Restart Particle Swarm
DOrsogna, 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.
Garca, R., Moss, F., Nihongi, A., Strickler, R.,
Ebeling, W. y Erdmann, U., Nonequilibrium Gller, 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 (Masters 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., Czirk, 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-
optimizacin global (tesis de maestra), sical Review Letters, Vol. 75, No. 6, 1995.
Universidad Nacional de Colombia, Sede
Medelln, 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.