Нейронные сети и нейроконтроллеры. Бураков М.В. - 235 стр.

235

Как следует из рис. 8.15, переходный процесс оказывается весь-

ма близок к заданному эталонному процессу, и ПИД-регулятор с

супервизором обеспечивает гораздо более высокое качество управ-

ления, чем ПИД-регулятор с постоянными коэффициентами (кри-

вая 2 на рис. 8.11).

8.5. Метод роя частиц

Алгоритм Particle Swarm Optimization (PSO) был впервые пред-

ложен в работе [13]. Позднее вошел в употребление термин «swarm

intelligence» [63], поскольку разработанная вычислительная тех-

ного взаимодействия при решении проблем. Такое взаимодействие

наблюдается не только в человеческом обществе, но и у стаи птиц

или рыб, роя насекомых, при функционировании колонии мура-

вьев или пчел.

Пусть, например, стая птиц занята поиском корма. Каждая

птица отыскивает его самостоятельно и наблюдает за другими пти-

цами. Как только одна из птиц заметит признаки еды, она подает

сигналы остальным, которые летают неподалеку. Уровень сигнала

зависит от количества пищи. Получив сигналы от соседей, все пти-

цы корректируют свои траектории. Так формируется локальное

функция, минимум которой требуется найти. По аналогии с эво-

люционными вычислениями можно утверждать, что рой подобен

популяции, а частицы (индивидуалы) соответствуют хромосомам.

Частицы летают в поисковом пространстве, изменяя направление в

соответствии с собственным опытом и опытом соседей.

В модели PSO каждая частица обладает вектором скорости и

вектором позиции. При оптимизации N-мерной функции такие