Lab4-ai

Ianys Tiridis
May 11, 2023

1 Algoritm evolutiv in optimizarea functiei Schwe-

felf
Algoritmul evolutiv incepe prin a creea o populatie de dimensiun population size
generand solutii valide si iterez de generations ori. In fiecare iteratie imi aleg
cate 2 parinti prin selectia turnir (imi aleg random 2 indivizi din generatie si
selectez cel cu fitness-ul mai bun) si selectia ruleta(selectez random proportional
in functie de fitness) aplic incrucisare uniforma random cu o probabilitate de
data. Aplic mutatie random in functie de o probabilitate de mutatie celor 2
copii iar apoi selectez primii population size indivizi cu fitness-ul cel mai bun.

population size generations max value avg dimensions

10 10 -817.3610832790373 -640.8984331675063 2
10 5 -821.1737187177227 -594.7741516818438 2
10 20 -834.7190746605303 -734.273070738612 2
5 10 -791.6085412473586 -578.5993713640662 2
20 10 -832.1925726828928 -778.9179208637094 2
10 10 -2967.5016735607524 -2431.0687479542894 10
10 5 -2160.001342594119 -1832.4884761171554 10
10 20 -3612.6707044873174 -3043.3900756104185 10
5 10 -2301.5879867088024 -1815.5102442782038 10
20 10 -3367.97630237908 -3367.97630237908 10

2 Concluzii AE
In urma testelor se observa rezultate mai bune pentru 2 dimensiuni decat pentru
10 dimensiuni. Acest fapt se datoreaza faptului ca numarul de generatii si
populatia aleasa a fost prea mica pentru a acoperi spatiul de cautare mult mai
mare generat de cele 10 dimensiuni fata de cele 2 dimensiuni. Se observa ca
pentru 2 dimensiuni algoritmul se apropie mai mult de minimul dorit si anume
-837.9658, cel mai bun rezultat fiind -834.7190746605303. Rezultat de atins
pentru cazul cu 10 dimensiuni este -4,189.829 iar algoritmul nu ajunge decat la
-3612.6707044873174.

1
Figure 1: Grafic al bestului si avgului pt populatie 20 si 10 generatii, 2 dimen-
siuni

2
Figure 2: Grafic al bestului si avgului pt populatie 20 si 10 generatii, 10 dimen-
siuni

3
3 Particle Swarm Optimization pentru functia
Schwefelf
Algoritmul functioneaza prin generarea a num particles particule. Pentru fiecare
din cele num iteretions iteratii calculez fitness ul particulei updatez best fitness
si global fitness si actualizez viteza si pozitia particulei. Inertia weight scade in
functie de numarul de iteratii incepand de la 1 si scazand pana la 0 pentru a
incuraja exploatarea zonei in finalul iteratiilor.

4 SPO social weight = 2, cognitive weight = 2

particles num iterations num max value avg dimensions

100 20 -837.9456856373113 -809.141893546813 2
50 20 -837.8270235935232 -733.4407967704508 2
20 20 -821.7459914196838 -642.9450768069698 2
100 50 -837.8383386769124 -803.4344764137168 2
50 50 -836.5950982702382 -752.2514617562207 2
20 50 -833.9905352624763 -687.8050123476204 2
100 100 -837.9375806456567 -818.3307825297519 2
50 100 -837.8063596170667 -714.5892245896305 2
20 100 -828.9266283849106 -707.4517251406396 2
100 20 -2979.249127061069 -2013.1821934725842 10
50 20 -2334.9111309983987 -1882.3215503479719 10
20 20 -1757.9251904378395 -1413.0271689106894 10
100 50 -2554.4998734810642 -1986.6996078555555 10
50 50 -2328.374904432563 -1767.7123070353068 10
20 50 -2124.05204966098 -1650.038146295493 10
100 100 -2305.5656975981083 -1851.150439626709 10
50 100 -2525.154147801771 -1793.2912715999737 10
20 100 -3047.471440814182 -1738.7130971637148 10

Se observa din nou ca rezultatele din 2 dimensiuni sun mai aproape de minimul
global al functiei. Numarul de particule nu a fost destul pentru a buna explorare
in cazul 10 dimensiuni cauzand algoritmul sa stagneze dupa aproximativ 50 de
iteratii.

5 SPO social weight = 3, cognitive weight = 1

4
Figure 3: Grafic al bestului si avgului pt particule 100 si 100 iteratii, 2 dimen-
siuni

5
Figure 4: Grafic al bestului si avgului pt particule 100 si 100 iteratii, 10 dimen-
siuni

6
 particles num iterations num max value avg dimensions
100 20 -837.9532582058138 -834.992067718045 2
50 20 -837.917713273247 -804.5614578593575 2
20 20 -824.3948874692778 -690.6416896504619 2
100 50 -837.9568032756146 -799.2070952353108 2
50 50 -837.9642154862686 -726.6512391878953 2
20 50 -833.593208474163 -674.5888609197484 2
100 100 -835.5549705639992 -763.0975541662743 2
50 100 -836.6752881205675 -756.5844798167694 2
20 100 -823.263709135593 -657.4556444991056 2
100 20 -2215.431589570207 -1890.2650090360814 10
50 20 -2083.7311761353053 -1749.021940317989 10
20 20 -2103.765249121131 -1607.8956959385112 10
100 50 -2289.3045882507004 -1970.5657593345363 10
50 50 -2029.683117524996 -1734.5304907986829 10
20 50 -1890.0254417212643 -1580.8096701147274 10
100 100 -2632.628126129025 -1957.634579038145 10
50 100 -1958.1901626753718 -1766.4233493279958 10
20 100 -2303.80150253905 -1674.1558167663181 10

In urma experimentelor se obtin rezultate din nou mai bune la 10 dimensiuni de-
cat la 2 dimensiuni din pricina spatiului de cautare. Mai jos am atasat diferenta
dintre cele cele 2 teste in grafic.

6 Concluzii SPO
Se observa ca inertia e weight este mai optim sa fie mic la finalul rularii pentru
a incuraja exploatarea, social weightul este mai bun atunci cand numar de
particule este mai mare iar cognitive weightul este bun pentru a iesi din minime
globale.

7
Figure 5: Grafic al bestului si avgului pt particule 100 si 100 iteratii, 2 dimen-
siuni

8
Figure 6: Grafic al bestului si avgului pt particule 100 si 100 iteratii, 10 dimen-
siuni