Algoritmo de optimizacin basado en

enjambres de partculas con comportamiento

de vorticidad y bsqueda individual y grupal
Vortex Particle Swarm Optimization with Individual and Group
Search

Helbert Eduardo Espitia Cuchango

Ingeniero electrnico, ingeniero mecatrnico, especialista en Telecomunicacio-
nes Mviles, magster en Ingeniera Industrial, magster en Ingeniera Mecnica,
docente de la Universidad Distrital Francisco Jos de Caldas, Bogot, Colombia.
Contacto: heespitiac@udistrital.edu.co

Jorge Ivn Sofrony Esmeral

Ingeniero elctrico, magster en Sistemas de Control, doctor en Sistemas de
Control, docente de la Universidad Nacional de Colombia, Bogot, Colombia.
Contacto: jsofronye@unal.edu.co

Fecha de recepcin: 31 de agosto de 2013 Clasificacin del artculo: investigacin

Fecha de aceptacin: 16 de mayo de 2014 Financiamiento: Universidad Nacional de Colombia

Palabras clave: algoritmo, comportamiento animal, optimizacin

Keywords: algorithm, animal behaviour, optimization

RESUMEN por el modelo seleccionado, el cual se encuentra

En este documento se realiza la propuesta de un
algoritmo de optimizacin basado en un enjam-
bre de partculas con caractersticas de vorticidad,
donde se considera una bsqueda grupal asociada
al punto medio del enjambre y una bsqueda in-
dividual dada por la mejor posicin de cada indi-
viduo. Con la bsqueda grupal se espera lograr la
convergencia de todo el enjambre, mientras que
la bsqueda individual permite una mejor explo-
racin del espacio de bsqueda. El algoritmo pre-
senta fases de convergencia y exploracin dadas
basado en el comportamiento de un enjambre de
individuos. Para establecer el desempeo del al-
goritmo se emplea un conjunto de funciones de
prueba en dos dimensiones.
ABSTRACT
In this document, it will be introduced the pro-
posal for optimization algorithm based on particle
swarms vorticity features, where a search group
is considered through the association to the mid-

24 Tecnura Vol. 18 No. 42 pp. 24 - 37 octubre - diciembre de 2014


point of the swarm and an individual search is
given for the best position of each individual. The
search group seeks to achieve the convergence of
the whole swarm, whereas the individual search
allows better exploration in pursuant of space.
* * *
INTRODUCCIN
La descripcin del comportamiento de muchos
seres vivos se caracteriza por presentar movi-
miento cooperativo coordinado, tal como ban-
dadas de aves, cardmenes de peces e incluso
microorganismos. Uno de los comportamientos de
inters consiste en el movimiento circular de par-
tculas alrededor de un punto denominado vrtice
(Ebeling, 2002), ya que esta forma de locomocin
puede ser una buena estrategia para la bsqueda
de alimento y evasin de obstculos y depredado-
res (Garca, 2007). Por las anteriores caractersti-
cas estos comportamientos pueden ser empleados
en la propuesta de algoritmos de optimizacin.
Comportamientos de enjambres
En la naturaleza se pueden apreciar diferentes
comportamientos los cuales han sido estudiados
y representados de forma analtica. En particular,
las congregaciones de individuos son una temti-
ca interesante por los comportamientos emergen-
tes que surgen (Sumpter, 2006). Entre los trabajos
que se pueden resaltar se encuentra el presentado
por Vicsek (1995), donde se desarrolla un modelo
bsico para representar un enjambre de indivi-
duos. Este ltimo autor lleva a cabo una extensin
de su trabajo (Vicsek, 2008), donde describe al-
gunos patrones representativos de los enjambres.
Por otro lado, Sumpter (2006) hace una revisin
del comportamiento colectivo para la formacin
de enjambres observando propiedades de autorre-
gulacin y principios de comportamiento colec-
tivo como: integridad, variabilidad, realimenta-
cin positiva, realimentacin negativa, umbrales
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal
investigacin
The algorithm has convergence and exploration
behavior given by the selected model which is
based on the behavior of a swarm of individuals.
For establishing the algorithm performance, a set
of test functions in two dimensions is used.
de respuesta, direccin, inhibicin, redundancia,
sincronizacin y egosmo.
Sobre los diferentes enfoques considerados para
modelos de enjambres, Couzin (2005) analiza el
efecto que tiene el liderazgo de un individuo, Ba-
jec (2009) considera las diferentes formas de or-
ganizacin que presentan las aves y Zhang (2008)
observa el efecto que tiene incorporar mecanis-
mos de prediccin en un modelo de enjambre.
Modelos de partculas con comportamiento
de vorticidad
La vorticidad es un comportamiento que se pre-
senta con frecuencia en los fluidos y se debe al
acoplamiento que existe entre las fuerzas inercia-
les y las fuerzas viscosas (nmero de Reynolds
[Berg, 1983]). El anlisis de este comportamien-
to se realiza mediante las ecuaciones de Navier
Stokes, las cuales suelen ser difciles de resolver
de forma analtica en casos generales (engel,
2003). El comportamiento de vorticidad se carac-
teriza por el movimiento de forma rotacional de
partculas alrededor de un punto, el cual se de-
nomina vrtice. Adems de los fluidos, este tipo
de comportamiento se presenta en enjambres de
individuos como peces, aves y bacterias, entre
otros. Existen dos modelos que son los ms em-
pleados para representar este comportamiento,
uno consiste en el modelo de partcula autopro-
pulsada (Levine, 2000; DOrsogna, 2006) y el
otro corresponde al de partcula activa brownia-
na (Ebeling, 2006). Este ltimo, a diferencia del
primero, considera una componente estocstica.
Por lo general, estos modelos suelen emplear
25
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin
potenciales de Morse para representar la interac-
cin entre individuos; sin embrago, en el trabajo
de Erdmann (2005) se puede observar un modelo
que emplea un potencial parablico.
Algoritmos de enjambres de partculas con
estrategias para evasin de mnimos locales
De los diferentes algoritmos de optimizacin
bioinspirados, segn Bratton (2007) los algorit-
mos PSO (particle swarm optimization) de en-
jambres de partculas son una buena alternativa;
sin embargo, tienden a presentar convergencia
temprana en mnimos locales (Evers, 2009;
Schutte, 2002), y adicionalmente, son suscepti-
bles de una mala seleccin de sus parmetros, tal
como lo muestran Hvass (2010) y Van den Bergh
(2001). Por lo anterior, se han desarrollado mo-
dificaciones y propuestas con las cuales se busca
evadir mnimos locales, teniendo una mejor ex-
ploracin del espacio de soluciones.
Una estrategia general para el escape de mnimos
locales consiste en realizar un proceso de disper-
sin (explosin), luego de tener una convergencia
a un mnimo local. Un ejemplo de este concepto
se pueden apreciar en el trabajo de Mesa (2010)
con el algoritmo de optimizacin Supernova, en
el trabajo de Krishnanand (2009) para el algorit-
mo de optimizacin Glowworm y en el trabajo de
Passino (2005) con el algoritmo de optimizacin
basado en forrajeo de bacterias.
En particular, para el algoritmo PSO una prime-
ra modificacin consiste en adicionar un factor
de inercia modulada tal como lo proponen Feng
(2007) y Yin (2009). Con este enfoque se busca
controlar la exploracin del algoritmo sobre el es-
pacio de bsqueda. Los citados autores exponen
que un factor grande de inercia acelera la conver-
gencia mientras que un valor pequeo mejora la
26 Tecnura Vol. 18 No. 42 octubre - diciembre de 2014
capacidad de bsqueda. Una modificacin adi-
cional del algoritmo PSO consiste en reiniciarlo
cuando se considera que hay un estancamiento de
este (Garca, 1997).
Adicionalmente al enfoque de inercia modulada,
Hendtlass (2005) propone un mtodo denominado
olas de enjambres de partculas (Waves of Swarm
Particles WoSP), con el cual se busca impulsar el
enjambre para que pueda escapar de un mnimo
local y as continuar con el proceso de explora-
cin. Por otro lado, Parsopoulos (2004) propone
emplear tcnicas de repulsin para cada mnimo
local encontrado, as espera evadir soluciones en-
contradas previamente. Asimismo, Liang (2006)
presenta una variante del algoritmo PSO deno-
minada aprendizaje integral, la cual consiste en
emplear la informacin histrica de las partculas
para actualizar su velocidad. Este enfoque busca
conservar la diversidad del enjambre evitando la
convergencia prematura.
Finalmente, entre los algoritmos de optimizacin
que emplean el concepto de vorticidad se encuen-
tra el presentado por Menser (2006), donde se de-
sarrolla un algoritmo basado en el comportamien-
to de un fluido en un sumidero (drenaje). A este
se le denomina Particle Swirl Algorithm (PSA).
Aunque emplea el concepto de vorticidad, difie-
re de la propuesta realizada en este documento,
donde se busca emplear el concepto de vorticidad
para lograr que el enjambre de partculas escape
de un mnimo local y de esta forma pueda conti-
nuar el proceso de bsqueda. Un primer trabajo
donde se plantea un algoritmo de optimizacin
basado en comportamiento de enjambres con ca-
ractersticas de vorticidad es el de Espitia (2013),
quien no considera la bsqueda individual para
mejorar las caractersticas de exploracin el en-
jambre. Con anterioridad este mismo concepto
fue empleado para la planeacin de trayectorias
de robots mviles (Espitia, 2011a, 2011b).

METODOLOGA
La metodologa empleada para el desarrollo del
algoritmo de optimizacin consiste, en primera
instancia, en la seleccin y revisin de un mode-
lo de enjambre de partculas, seguida por su res-
pectivo anlisis matemtico. Despus se realiza
la propuesta del algoritmo y por ltimo se valida
con funciones de prueba ampliamente conocidas
en la literatura.
MODELO EMPLEADO
El modelo seleccionado para realizar la propuesta
del algoritmo de optimizacin se basa en la forma
de locomocin de zooplancton Daphnia (Ebeling,
2006). Con este modelo se busca aprovechar el
comportamiento de vorticidad, ya que tal como
lo muestra Abdel (2008) esta puede ser una buena
estrategia para evadir mnimos locales. El modelo
seleccionado se encuentra dado por las ecuacio-
nes (1) y (2).
dri
= vi (1)
dt
dvi
mi = Fpro ,i + Fint ,i + Fesp ,i
dt
La ecuacin (1) permite establecer la posicin ri
de
la i-sima partcula conociendo su velocidad
vi . La ecuacin (2) relaciona la velocidad de las
partculas con las fuerzas presentes sobre esta.
La fuerza de autopropulsin considerada corres-
ponde a la ecuacin (3).
F pro ,i = ( + || vi || 2 )vi
La fuerza de interaccin de las partculas est
dada por la ecuacin (4).
Fint ,i = a (ri R)
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal
investigacin
a N
Fint ,i =
N
( r r )
j =1
i j (5)
En este modelo R corresponde al centro de masa
del enjambre. La informacin del ambiente (en
este caso la funcin objetivo) est dada por Uesp
La fuerza sobre cada partcula que se produce por
el potencial Uesp se encuentra dada por la ecuacin
(6).
Fesp ,i = k f iU esp (ri ) (6)
Donde Kf es una constante que pondera la influen-
cia de la funcin objetivo.
Anlisis del enjambre de partculas
El algoritmo propuesto utiliza dos tipos de com-
portamiento. El primero corresponde a movi-
mientos de traslacin del enjambre hacia un pun-
to (ptimo) y el segundo a un comportamiento
de vorticidad. La estrategia principal consiste en
lograr la convergencia del enjambre a un estado
de equilibrio (posiblemente un mnimo) con ve-
locidad baja y, una vez que se ha encontrado un
mnimo, se incrementa la fuerza de propulsin
(2) para lograr un comportamiento de vorticidad, au-
mentando as la dispersin. Este comportamiento
se espera que proporcione buenas capacidades de
exploracin y que permita que el enjambre escape
de mnimos locales. El parmetro autopropulsin
se utiliza para cambiar el comportamiento de
enjambre y se considera como una funcin del
tiempo, de tal manera que 0(t) max . Para
el siguiente anlisis se presentan dos casos extre-
mos; estos son: (t)=0 y (t)= max.
(3)
Anlisis de energa
Siendo Ki y Ui la energa cintica y potencial de la
i-sima partcula, respectivamente. Estas cantida-
(4) des estn dadas por la ecuacin (7).
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

La energa total de la i-sima partcula se define Si T=0, el sistema permanece en un estado de

como Ei=Ki+Ui y la energa total del enjambre ET energa constante. Con vi = 0 las partculas
corresponde a la suma de la energa total de todas las deben encontrarse estticas, en tanto que con

partculas. Tomando la derivada de tiempo de la ener- vi = max / se logra el movimiento del en-
ga total de cada partcula se tiene la ecuacin (8). jambre con energa constante. Finalmente, al in-
crementar max se aumenta la velocidad mxima
2
E i = ( (t ) vi ) vi
2
a (ri R)ri R (8) de las partculas y por lo tanto hay una mayor dis-
persin del enjambre.
Mediante la adicin de las contribuciones de cada
N
partcula y empleando la igualdad (ri R) = 0 ,
Puntos de equilibrio
entonces se tiene la ecuacin (9). i =1

N N Los puntos de equilibrio se pueden establecer con

2
E T = E i = ( (t ) vi ) vi
2
(9) las ecuaciones (12) y (13).
i =1 i =1

dri
A partir de la ecuacin (9) es posible obser- =0 (12)
var que un estado constante de energa (ET=0) dt
2
se logra cuando vi = 0 o con i v = (t) / .
dvi
Se consideran particularmente dos casos para mi =0 (13)
(t): (i) (t)=0 y (i) (t)=max, donde max es un
dt
valor positivo grande acotado. En el primer caso
el enjambre converge a un punto de equilibrio, Por consiguiente, se tiene vi = 0 y la ecuacin
mientras que en el segundo caso el enjambre pre- (14).
senta un comportamiento de vorticidad.
a N

0 = ( + || vi ||2 )vi
N
( r r ) k U
i j f | (14)

esp ri
En el primer caso (i), con (t)=0, de la ecuacin j =1

(9) se tiene la ecuacin (10). Considerando vi = 0 , la ecuacin (14) se reduce
a la condicin de equilibrio dada por la ecuacin
N
2 (15).
E = ( vi ) vi
2
(10)
i =1
kf
Dado que la energa del sistema tiene derivada en ri = R U esp |r (15)
a i

el tiempo definida negativa para todos vi0, el siste-

ma tiende a un estado de energa mnima con vi = 0.
En el caso (i), el parmetro (t) se fija en un valor
grande, pero acotado max tal que se tiene la ecua-
cin (11).
En la ecuacin (15) si U esp |r = 0 entonces
i
ri = R , por lo tanto, el enjambre converge
a un
mnimo local. En otros casos cuando U esp |r 0
i
, se logra un equilibrio en funcin de la posicin
de las partculas y la funcin objetivo.

28 Tecnura Vol. 18 No. 42 octubre - diciembre de 2014


SIMULACIN DEL MODELO
Con el fin de observar las caractersticas del mo-
delo se realiza un conjunto de simulaciones con
un potencial parablico Uesp= 0.5(x2+y2) y par-
Figura 1. Distribucin de las partculas y magnitud de velocidades.
Fuente: elaboracin propia.
Esta figura muestra el comportamiento de
vorticidad y la magnitud de la velocidad de las
partculas, la cual tiende a ser | vi | = / .
Para =4 se tienen las figuras a y b mientras que
para =9 se tienen las figuras c y d.
ESTRATEGIA DE BSQUEDA BASADA
EN DISPERSIN
Con la estrategia propuesta se espera tener una
exploracin adecuada del espacio de bsqueda,
de tal forma que despus de encontrar un mnimo
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal
investigacin
metros Kf=1, mi=1, a=1, N=20 y =1, con igual
a 4 y 9. En la figura 1 se presentan los resultados
para 200 iteraciones y condiciones iniciales alea-
torias para la posicin.
local se pueda escapar de este para seguir el pro-
ceso de bsqueda. Con el fin de lograr lo anterior
se propone aumentar la energa de propulsin del
enjambre cuando se alcanza un mnimo local, y
slo se disminuye cuando el enjambre es capaz de
escapar de este punto.
La propuesta de bsqueda emplea el comporta-
miento de vorticidad como un mecanismo de dis-
persin para lograr una bsqueda global. En la fi-
gura 2 se puede apreciar el diagrama de flujo para
la estrategia de bsqueda propuesta. En un pri-
mer lugar se inicializa el enjambre y se procede a
29
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin
encontrar el mnimo local ms cercano almace-
nando el valor del mnimo encontrado. Posterior-
mente, para lograr que el enjambre escape del
mnimo encontrado, se realiza el proceso de dis-
persin, empleando para esto el comportamiento
de vorticidad. Con el anterior proceso, mediante
la bsqueda grupal e individual se espera encon-
trar un valor mnimo menor al encontrado previa-
mente. En caso de que no se encuentre un valor
tal se detiene el algoritmo, considerando para esto
una dispersin mxima de las partculas sobre el
espacio de bsqueda.
Figura 2. Esquema propuesto para el proceso de
bsqueda
Fuente: elaboracin propia.
30 Tecnura Vol. 18 No. 42 octubre - diciembre de 2014
Para lograr lo anterior el algoritmo presenta tres
etapas:
1. Convergencia de bsqueda grupal: en esta
etapa el algoritmo converge al punto de equi-
librio de las partculas, el cual puede ser el
mnimo local ms cercano. En esta etapa el
comportamiento del enjambre est dado por
la funcin objetivo, observando para esto la
posicin media del enjambre.
2. Dispersin y bsqueda: cuando el enjambre
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.
3. Convergencia de bsqueda individual: en este
caso una de las partculas encuentra un mejor
valor, por lo cual el potencial de la funcin
objetivo se reemplaza por un potencial de
atraccin hacia el mejor punto encontrado, de
tal forma que el enjambre pueda converger a
este punto.
Valor mnimo individual y grupal
Con el fin de establecer la fase del algoritmo se
considera el valor mnimo encontrado por la posi-
cin media de las partculas UminG y un valor mni-
mo dado por la mejor posicin de las partculas de
forma individual UminP. Estos valores se determi-
nan considerando la funcin objetivo Uobj.
El mejor valor del grupo se determina conocien-
do el promedio de las posiciones del enjambre R
mediante las ecuaciones (16) y (17).
1 N
R=
N
r j
j =1
 investigacin
Para la funcin g(t) se considera un tiempo Ta
U obj ( R), si U minG U obj ( R);
U minG = (17) asociado al incremento de energa y un tiempo Te
U minG , si U minG < U obj ( R).
para la espera, momento en el cual las partculas
La mejor posicin de la partcula est dada por la se dispersan de forma circular sobre el espacio
evaluacin de cada partcula de la ecuacin (18). de bsqueda. El nmero total de iteraciones que
toma este ciclo es Ta+Te, donde se emplea la varia-
U obj (ri ), si U minP U obj (ri );
U minP = (18) ble cont para realizar la cuenta de las iteraciones.
U minP , si U minP < U obj (ri ).
La funcin g(t) est dada por la ecuacin (21).
Identificacin de las fases del algoritmo
, si 0 cont < Ta ;
g (t ) = c (21)
Para identificar la fase en la cual se encuentra el , si Ta cont < Ta + Te .
algoritmo existen las siguientes condiciones: Con la anterior estrategia se espera que la energa
de propulsin aumente hasta que las partculas
1. Convergencia de bsqueda grupal:
logren evadir el mnimo local. El aumento de la
U minG U obj (R) . En este caso =0 y Uesp energa est dado por el parmetro c, el cual co-
corresponde al potencial de la funcin objeti-
rresponde a la tasa con la cual se incrementa la
vo Uobj.
energa de autopropulsin.

2. Dispersin: U minG U (R ) . En este caso se
incrementa la energa mediante (t) y Uesp co- Criterio de parada del algoritmo
rresponde al potencial de la funcin objetivo
Uobj.
Como se ha mencionado previamente, el algorit-
mo utiliza la dispersin para escapar de mnimos
3. Convergencia de bsqueda individual: locales y explorar de manera eficiente el espacio
UminP UminG yUUminG
minG (R ) . En este caso
Uobj de bsqueda. Por lo tanto, el nivel de dispersin
=0 y Uesp corresponde a un potencial cuadr- se emplea como criterio de parada del algoritmo.
tico asociado a la mejor posicin encontrada. Considerando lo anterior, el criterio de parada
propuesto establece que si el nmero de partcu-
Funcin objetivo las en el espacio de bsqueda es menor que un
valor especfico, entonces el algoritmo se detiene.

Considerando que r es la mejor posicin
encontrada por algn individuo, entonces Uesp se Implementacin del algoritmo
puede determinar con la ecuacin (19).
2 Para implementar el modelo dinmico del enjam-
k || r || , si U minP U minG y U minG U obj ( R);
U esp = F ind (19) bre en el algoritmo, las ecuaciones diferenciales
U obj (ri ), otrocaso.
se convierten a tiempo discreto considerando un
Incremento de energa intervalo de tiempo t, de tal forma que se tienen
las ecuaciones (22) y (23).
La adicin de energa se realiza mediante el factor

de propulsin, el cual est dado por la ecuacin ri [n + 1] = ri [n] + vi t (22)
(20).
vi [n + 1] = vi [n 1] + ( Fpro ,i + Fint ,i + Fobj ,i )t / mi (23)
d
= g (t ), si U minG U obj ( R); El clculo de en tiempo discreto se realiza con
dt (20)
= 0,
si U minG < U obj ( R). la ecuacin (24).

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).

Finalmente, el algoritmo de optimizacin pro- : Factor de propulsin. Al incrementarse, las

puesto se puede apreciar en la figura 3. partculas aumentan su energa cintica, ele-
Algoritmo 1: Algoritmo propuesto de optimizacin VPSO.
vndose de esta forma su velocidad.
1 Inicializar el enjambre, posiciones aleatorias y velocidad cero.;
2 begin a: Factor de interaccin. Al aumentar, el en-
3
4
while Bajo algn criterio de finalizacin. Nmero de iteraciones o depresin. do

Establecer la posicin media del enjambre R empleando la ecuacin 16;
jambre de partculas tiende a unirse ms y al
5 Calcular UminG y UminP ecuaciones 17 y 18; disminuir se dispersan ms.
6 Establecer la fase de algoritmo;
7
8
Determinar empleando la expresin 24;
for i = 1 hasta N do
Kf: Factor de ponderacin de la funcin ob-
9 Calcular la nueva posicin de las partculas con la ecuacin 22; jetivo. Al incrementarse, las partculas con-
10
11
Calcular la nueva velocidad de las partculas empleando la ecuacin 23;
end
vergen rpidamente a un mnimo local, y al
12 Pasar a la siguiente iteracin. disminuir, estas se pueden mover, sobre todo
13
14
end
Establecer el valo ptimo encontrado por las partculas.
el espacio de bsqueda.
15 end

Figura 3. Algoritmo de optimizacin propuesto Para mostrar el funcionamiento del algoritmo se

realiza una simulacin, considerando un poten-
Fuente: elaboracin propia.
cial cuadrtico de la forma Uobj=2(x2+y2). En la
ANLISIS CUALITATIVO DEL figura 4 se puede apreciar el potencial y la evolu-
ALGORITMO cin que tiene la posicin de las partculas en la
medida que pasan las iteraciones. Es de apreciar
De los diferentes parmetros involucrados en el que luego de encontrar el mnimo local, las part-
algoritmo de optimizacin se puede hacer la si- culas inician el proceso de dispersin realizando
guiente descripcin: un movimiento circular.

a) Iteracin: 1 b) Iteracin: 30

c) Iteracin: 84 d) Iteracin: 174 e) Iteracin: 230

Figura 4. Representacin grfica del funcionamiento del algoritmo en un potencial parablico

Fuente: elaboracin propia.

32 Tecnura Vol. 18 No. 42 octubre - diciembre de 2014


RESULTADOS
Para ilustrar el desempeo del algoritmo pro-
puesto se considera un conjunto de funciones de
prueba de 2 dimensiones, las cuales se pueden ob-
servar en Passino (2002) y Krishnanand (2009).
En la figura 5 se puede apreciar la representacin
grfica de las funciones objetivo empleadas.
Passino: esta funcin de prueba es una adaptacin
de la presentada en Passino (2002). En este caso la
funcin tiene un mnimo global en (0,113,-3,2597),
cuyo valor es -3,4354 Esta funcin de prueba se
encuentra descrita por la ecuacin (25).
0 ,8(( x )2 + ( y 1, 7)2 )
U obj ,1 = 5e 2e
2 + ( y +1, 7)2 )
+3e 0,64(( x 3,3) + 2e 0,8(( x +1,7)
2e 4(( x +3,3)
2 + ( y +1, 7)2 )
4e 0,8(( x 0)
2e 4(( x + 2,3)
2 + ( y 3,3)2 )
2e 4(( x 2,0)
+2e 4(( x 3,3)
2 + ( y 0 ,3)2 )
+ 2e 4(( x +3,3)
+0, 05( x 2 + y 2 )
Peaks: esta funcin tiene dos mnimos locales
y un mnimo global en (0,2282,-1,6199) que es
igual a -6,4169. La ecuacin (26) describe esta
funcin de prueba.
U obj ,2 = 3(1 x) 2 e ( x
x 2 2 1 2 2
10 x3 y 5 e ( x + y ) e (( x +1) + y )
5 3
Rastrigins: esta funcin representa un problema
bastante difcil debido a su gran nmero de lo-
cales mnimos y mximos. El mnimo global se
encuentra en (0,0) con un valor de 0. Esta funcin
se encuentra dada por la ecuacin (27).
Algoritmo de optimizacin basado en enjambres de partculas con comportamiento de vorticidad y bsqueda individual y grupal
investigacin
U obj,3 = 0,1(20 + ( x 2 10 cos(2 x) + y 2 10 cos(2 y ))) (27)
Circles: esta funcin presenta varios crcu-
los concntricos como regiones de mximos y
mnimos locales. El mnimo global se encuentra
en (0,0) con un valor de 0. La ecuacin (28) des-
cribe esta funcin de prueba.
U obj,4 = ( x 2 + y 2 )0,25 ((sin (50( x 2 + y 2 )0,1 )) 2 + 1, 0) (28)
Equal Peaks: esta funcin tiene varios mnimos
con un valor de 0 y situados peridicamente en
x y y. Esta funcin se encuentra descrita por la
ecuacin (29).
U obj,5 = cos( x) 2 + sin ( y ) 2 (29)
0 , 64(( x 1, 7)2 + ( y 0)2 )
Himmelblaus: consiste en una adaptacin de la
2 + ( y +1, 7)2 ) funcin representada en Krishnanand (2009),la
cual tiene cuatro mnimos con valor de -2
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
2 + ( y 3,3)2 )
(30) describe esta funcin de prueba.
2 + ( y + 0 ,3)2 ) U obj,6 = 0, 01(200 ( x 2 + y 2 11) 2 ( x + y 2 7) 2 ) (30)
Para la ejecucin del algoritmo se toma: mi=1,
=1, max=20 y t= 0,1. El rango del espacio
de bsqueda considerado es (-6 x 6) y
(-6 y 6). Las condiciones iniciales de las
partculas son aleatorias en posicin y cero en
velocidad. Dos configuraciones de parmetros
consideradas son: Set 1 a=1, Kf=1; Set 2 a=0,5,
(26)
2 + ( y +1)2 )
Kf=0,5. Por ltimo, se realizan 30 ejecuciones
para cada conjunto de configuraciones. La
tabla 1 muestra los valores mximos y mnimos
encontrados durante el proceso de optimizacin
(mejores y peores resultados), el valor medio y
la desviacin estndar (STD) de los resultados.
Tambin se aprecia el nmero de iteraciones
empleadas por el algoritmo con cada funcin de
prueba.
33
Helbert Eduardo Espitia Cuchango / Jorge Ivn Sofrony Esmeral
investigacin

Figura 5. Funciones objetivo en 2D

Fuente: elaboracin propia.

Tabla 1. Resultados para 30 ejecuciones

Configuracin Set 1 Set 2

Funcin 1 Valor Iteraciones Valor Iteraciones
Mximo 0,361 383 0,3751 447
Mnimo -3,4354 178 -3,4353 175
Promedio -2,4562 289,9 -2,508 283,7
STD 1,0601 52,6 1,1156 71,5
Funcin 2 Valor Iteraciones Valor Iteraciones
Mximo -2,7524 754 0,2263 518
Mnimo -6,4168 168 -6,4164 135
Promedio -5,2747 431,1 -3,775 283,3
STD 1,6175 162,9 2,1602 90,6
Funcin 3 Valor Iteraciones Valor Iteraciones
Mximo 0,754 681 1,2772 609
Mnimo 0,00008 157 0,0191 150
Promedio 0,2207 378,8 0,31 304,8
STD 0,1997 153,5 0,3483 99,5
Funcin 4 Valor Iteraciones Valor Iteraciones
Mximo 1,7705 795 1,559 745
Mnimo 0,0661 169 0,2213 123

34 Tecnura Vol. 18 No. 42 octubre - diciembre de 2014

 investigacin
Configuracin Set 1 Set 2
Promedio 0,62 427,7 0,8181 283
STD 0,412 193,5 0,2875 127,1
Funcin 5 Valor Iteraciones Valor Iteraciones
Mximo 0,011 537 1,5746 772
Mnimo 0,0000057 212 0,000237 70
Promedio 0,0036 315,5 0,1066 284
STD 0,0037 73,3 0,312 124,8
Funcin 6 Valor Iteraciones Valor Iteraciones
Mximo -1,8839 559 -1,5351 693
Mnimo -2 222 -1,9999 165
Promedio -1,9913 340,7 -1,9441 358,9
STD 0,0221 89,5 0,113 104,8
Fuente: elaboracin propia.

CONCLUSIONES parmetros. Tambin es de notar que en la ma-

El modelo empleado fue seleccionado buscando
tener una expresin compacta con pocos trmi-
nos y que permita describir comportamientos
de enjambre como desplazamientos uniformes y
movimientos circulares, los cuales se observan en
diferentes grupos de seres vivos.
El algoritmo propuesto es un proceso de optimi-
zacin basado en un comportamiento emergente
que utiliza la vorticidad de un enjambre de par-
tculas para mejorar las capacidades de bsqueda
y escapar de los mnimos locales. Los resultados
que se presentan muestran la eficacia de la estra-
tegia propuesta, donde el enjambre fue capaz de
evitar los mnimos locales y encontrar una solu-
cin global (aproximada) de las funciones pro-
puestas.
yora de la funciones objetivo el algoritmo logra
encontrar el mnimo global.
En particular la funcin objetivo Circles resulta de
inters, debido a la simetra circular que presenta,
lo cual puede dificultar el escape de las partculas
de los mnimos locales. En la tabla 1 se puede ob-
servar que para esta funcin objetivo el algoritmo
emplea el mayor nmero de iteraciones.
FINANCIAMIENTO
El financiamiento del presente proyecto se en-
cuentra en el marco del proyecto con cdigo
16332 de la Direccin de Investigacin Sede Bo-
got - Universidad Nacional de Colombia.

En los resultados de la tabla 1 se puede apreciar AGRADECIMIENTO

que hay un mejor desempeo del algoritmo para
la primera configuracin de parmetros (Set 1).
Adicionalmente, en estos resultados se observa
que en promedio el mayor nmero de iteracio-
nes se encuentra en esta misma configuracin de
Los autores manifiestan su agradecimiento a la
Universidad Distrital Francisco Jos de Caldas
y a la Universidad Nacional de Colombia por el
apoyo en el desarrollo de este trabajo.

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-
cape Local Minima for Swarms of Agents
Using Internal States and Emergent Beha-
vior, International Conference of Com-
putational Intelligence and Intelligent
Systems ICCIIS, 2008.
Bajec, I. y Heppner, F., Organized Flight in
Birds, Animal Behaviour, Vol. 78, No. 4,
2009, pp. 777-89.
Berg H., Random Walks in Biology, Princeton
University Press, 1983.
Bratton, D. y Kennedy, J., Defining a Standard
for Particle Swarm Optimization, Procee-
dings of IEEE Swarm Intelligence Sympo-
sium SIS, 2007.
engel, Y., Mecnica de fluidos, McGraw-Hill,
2003.
Couzin, I., Krause, J., Franks, N. y Levin, S.,
Effective Leadership and Decision Ma-
king in Animal Groups on Themove, Let-
ters to Nature, Vol. 433, 2005, pp. 513-16.
DOrsogna, M., Chuang, Y., Bertozzi, A. y Cha-
yes, L., Self-Propelled Particles with Soft-
Core Interactions: Patterns, Stability, and
Collapse, Physical Review Letters, Vol.
96, 2006.
Ebeling, W. y Erdmann, U., Nonequilibrium
Statistical Mechanics of Swarms of Dri-
ven Particles, Physica A: Statistical Me-
chanics and its Applications, Vol. 314, No.
1-4, 2002, pp. 92-96.
Erdmann, U., Ebeling, W. y Mikhailov, A., Noi-
se-Induced Transition from Translational
to Rotational Motion of Swarms, Physical
Review E, Vol. 71, No. 5, 2005.
36 Tecnura Vol. 18 No. 42 octubre - diciembre de 2014
Espitia, H. y Sofrony J., Path Planning of Mobile
Robots Using Potential Fields and Swarms
of Brownian Particles, IEEE Congress on
Evolutionary Computation (CEC), 2011,
pp. 123-129.
Espitia H. y Sofrony J., Vortex Particle Swarm
Optimization, IEEE Congress on Evolu-
tionary Computation (CEC), 2013.
Espitia, H., Sofrony, J. y Gonzlez C., Vortex
Swarm Path Planning Algorithm, IEEE
Electronics, Robotics and Automotive
Mechanics Conference (CERMA), 2011,
pp. 184-90.
Evers, G., An Automatic Regrouping Mechanism
to Deal with Stagnation in Particle Swarm
Optimization (Master Thesis), University
of Texas-Pan American, 2009.
Feng, C., Cong, S. y Feng, X., A New Adaptive
Inertia Weight Strategy in Particle Swarm
Optimization, IEEE Congress on Evolu-
tionary Computation (CEC), 2007.
Garca, J. y Alba, E., Restart Particle Swarm
Optimization with Velocity Modulation: A
Scalability Test, Springer, Soft Computing
- A Fusion of Foundations, Methodologies
and Applications, Vol. 1, 1997.
Garca, R., Moss, F., Nihongi, A., Strickler, R.,
Gller, S., Erdmann, U., Schimansky, L.
y Sokolov, I., Optimal Foraging by Zoo-
plankton within Patches: The Case of Da-
phnia, Elsevier, Mathematical Bioscien-
ces, Vol. 2, 2007, pp. 165-88.
Hendtlass, T., A Particle Swarm Algorithm for
High Dimensional, Multi-Optima Problem
Spaces, IEEE Swarm Intelligence Sympo-
sium, 2005.

Hvass, M., Tuning & Simplifying heuristical
optimization (Ph.D. Thesis), University of
Southampton, UK, 2010.
Krishnanand, K. y Ghose, D., Glowworm Swarm
Optimization for Simultaneous Capture
of Multiple Local Optima of Multimodal
Functions, Springer Science, Swarm Inte-
lligence, Vol. 3, No. 2, 2009, pp. 87-124.
Levine, H., Rappel, W. y Cohen, I., Self-Orga-
nization in Systems of Self-Propelled Par-
ticles, Physical Review E, Vol. 63, No. 1,
2000.
Liang, J., Qin, A., Suganthan, P. y Baskar, S.,
Comprehensive Learning Particle Swarm
Optimizer for Global Optimization of Mul-
timodal Functions, IEEE Transactions on
Evolutionary Computation, Vol. 10, 2006.
Menser, S. y Hereford, J., A New Optimization
Technique, Proceedings of the IEEE Digi-
tal Object Identifier Southeast Con, 2006.
Mesa, E., Supernova: un algoritmo novedoso de
optimizacin global (tesis de maestra),
Universidad Nacional de Colombia, Sede
Medelln, 2010.
Parsopoulos, K. y Vrahatis, M., On the Com-
putation of all Global Minimizers through
Particle Swarm Optimization, IEEE Tran-
sactions on Evolutionary Computation,
Vol. 8, 2004.
Passino, K., Biomimicry of Bacterian Foragin
for Distributed Optimization and Control,
IEEE Control Systems Magazine, 2002.
Tecnura
investigacin
Passino, K., Biomimicry for Optimization, Con-
trol, and Automation, Springer-Verlag,
London, UK, 2005.
Schutte, J., Particle Swarms in Sizing and Global
Optimization (Masters Dissertation), Uni-
versity of Pretoria, 2002.
Sumpter, D., The Principles of Collective Ani-
mal Behaviour, Philosophical Transac-
tions of the Royal Society B, Vol. 361, No.
1465, 2006, pp. 5-22.
Van den Bergh, F., An Analysis of Particle Swarm
Optimizers (PhD. Thesis), University of
Pretoria, Pretoria, 2001.
Vicsek T., Universal Patterns of Collective Mo-
tion from Minimal Models of Flocking,
Second IEEE International Conferen-
ce on Self-Adaptive and Self-Organizing
Systems, 2008.
Vicsek, T., Czirk, A., Ben, E., Cohen, I. y Sho-
chet, O., Novel Type of Phase Transition
in a System of Self-Driven Particles, Phy-
sical Review Letters, Vol. 75, No. 6, 1995.
Yin, L. y Liu, X., A PSO Algorithm Based on
Biology Population Multiplication (PMP-
SO), Proceedings of the Second Sympo-
sium International Computer Science and
Computational Technology (ISCSCT 09),
2009.
Zhang, H., Chen, M., Stan, G., Zhou, T. y Ma-
ciejowski, J., Collective Behavior Coordi-
nation with Predictive Mechanisms, IEEE
Circuits and Systems Magazine, 2008.
Vol. 18 No. 42 pp. 24 - 37 octubre - diciembre de 2014 37