Documente Academic
Documente Profesional
Documente Cultură
Ianys Tiridis
May 11, 2023
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.
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.
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