Составители:
Рубрика:
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-
нология оказалась пригодной для решения широкого круга слож-
ных задач, относящихся к искусственному интеллекту. В отече-
ственной технической литературе эти английские термины перево-
дятся обычно как «стайный интеллект» или «ройный интеллект»,
а также «стайная оптимизация» или «оптимизация роем частиц».
Оптимизация роем частиц основывается на концепции социаль-
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
взаимодействие, распространяющееся на всю стаю. В конце концов
стая собирается в месте с максимальным количеством корма, т. е.
находит глобальный экстремум целевой функции.
Искусственные частицы, перемещающиеся в N-мерном поис-
ковом пространстве, могут вести себя подобно стае птиц (или рою
насекомых). Аналогом корма здесь является заданная целевая
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
Страницы
- « первая
- ‹ предыдущая
- …
- 233
- 234
- 235
- 236
- 237
- …
- следующая ›
- последняя »