You are on page 1of 25

SVEUILITE JOSIPA JURJA STROSSMAYERA U OSIJEKU

FAKULTET ELEKTROTEHNIKE, RAUNARSTVA I


INFORMACIJSKIH TEHNOLOGIJA

Diplomski studij raunarstva

Laboratorijska vjeba 3- RJEAVANJE PROBLEMA


PRONALASKA MINIMUMA NDIMENZIONALNE
FUNKCIJE KORISTEI PSO I GA ALGORITME

Robert Sabljo, diplomski studij raunarstva, blok B.


Sadraj
1. Uvod .....................................................................................................................................................1
2. Osnove algoritma roja estica ..........................................................................................................2
3. C# implementacija PSO algoritma ...................................................................................................5
4. Zadatak ...............................................................................................................................................6
5. Minimum Rastrignove funkcije upotrebom GA..............................................................................7
5.1.Rastringova funkcija dimenzionalnosti petog reda ........................................................................7
5.1.1. Utjecaj promjene postotka mutacije .......................................................................................7
5.1.2. Utjecaj promjene broja elitnih lanova...................................................................................8
5.1.3. Utjecaj promjene najvee apsolutne vrijednosti mutacije realnog gena .................................9
5.2.Rastringova funkcija dimenzionalnosti desetog reda ..................................................................11
5.1.1. Utjecaj promjene postotka mutacije .....................................................................................11
5.1.2. Utjecaj promjene broja elitnih lanova.................................................................................12
5.1.3. Utjecaj promjene najvee apsolutne vrijednosti mutacije realnog gena ...............................13
6. Minimum Rastrignove funkcije upotrebom PSO ..........................................................................15
6.1.Rastringova funkcija dimenzionalnosti 5 ....................................................................................15
6.1.1. Utjecaj promjene mjere inercije ...........................................................................................15
6.1.2. Utjecaj promjene mjere individualnog faktora .....................................................................16
6.1.3. Utjecaj promjene mjere socijalnog faktora...........................................................................17
6.2.Rastringova funkcija dimenzionalnosti 10 ..................................................................................19
6.1.1. Utjecaj promjene mjere inercije ...........................................................................................19
6.1.2. Utjecaj promjene mjere individualnog faktora .....................................................................20
6.1.3. Utjecaj promjene mjere socijalnog faktora...........................................................................21
7. Zakljuak ........................................................................................................................... 23
1.UVOD

Cilj laboratorijske vjebe jest rjeavanje problema pronalaska minimuma 5-o i 10-o
dimenzionalne Rastringove funkcije koritenjem GA i PSO optimizacijskih algoritama.
Takoer vano je provesti usporedbu performansi zadanih algoritama, te utjecaj raznih
parametara na kvalitetu rjeenja. Promatrani GA parametri su: mutacija, broj elitnih lanova i
najvea apsolutna vrijednost mutacije realnog gena. Dok za PSO promatramo utjecaj mjere
inercije, mjere individualnog faktora, te mjere socijalnog faktora na kvalitetu rjeenja.

1
2.OSNOVE ALGORITMA ROJA ESTICA

Algoritam roja estica (engl. Particle Swarm Optimization, PSO) je bioloki inspiriran
metaheuristiki algoritam za optimizaciju. Bioloka inspiracija je uglavnom navoena
socijalnim ponaanjem ptica u jatima i riba u plovovima. PSO algoritmi su originalno
osmiljeni od strane Kenedy-a i Eberhart-a 90-ih godina prolog stoljea u svrhu prouavanja
kretanja ptica, gdje su primijetili da novostvoreni algoritmi omoguavaju pretragu velikog
podruja moguih rjeenja nekog problema uz zadanu kvalitetu pojedinog rjeenja, odnosno
da provode optimizaciju.
PSO algoritmi jednako kao i genetski algoritmi (engl. Genetic Algorithms, GA)
posjeduju populaciju sainjenu od niza pojedinih moguih rjeenja koji se ovdje nazivaju
estice. Poto PSO algoritmi nemaju mogunost izravnog krianja pojedinih estica kao to to
mogu GA algoritmi putem operatora rekombinacije, estice se ovdje ne dijele na pojedine
nositelje informacije kao to su to geni kod genetskih algoritama. Jednako kao i genetski
algoritmi, PSO algoritmi takoer zahtijevaju neku mjeru odreivanja kvalitete pojedinog
rjeenja, fitnes funkciju tj. funkciju dobrote.
estice PSO algoritma se gibaju kroz podruje pretraivanja koristei informacije o
vlastitom poloaju u prostoru pretraivanja i brzini, te poloaju trenutno najbolje estice u
roju. Pri tome u svom radu svaka estica pamti slijedee podatke:
Svoje do sada najbolje pronaeno rjeenje problema
Svoje trenutno rjeenje problema
Trenutno najbolje rjeenje u roju kojemu pripada

Na temelju ta tri podatka svaka estica proraunava novu vlastitu brzinu koju dodaje
trenutnom poloaju i definira novi poloaj promatrane estice. Dakle, svaka estica mijenja
svoj poloaj temeljem vlastitog iskustva, te iskustva bliskih susjeda (na taj se nain modelira
socijalna interakcija izmeu estica). Prethodno navedeni podaci se opisuju kao vektori n-
dimenzionalnog prostora kojeg se pretrauje:

x-opisuje trenutni poloaj estice u prostoru pretraivanja,


p-opisuje poloaj najboljeg rjeenja pronaenog od strane promatrane estice,
v-opisuje smjer(gradijent,brzina) kojem e estica gibati ako je neometana.

Takoer su definirane dvije fitnes vrijednosti:

xFIT mjera kvalitete vektora x


pFIT mjera kvalitete vektora p

Na razini cijelog roja su poznate vrijednosti:

g poloaj najbolje jedinke u roju


gFIT mjera kvalitete najbolje jedinke

2
estica prelazi iz jednog poloaja u drugi na slijedei nain:

gdje je xk+1 novi poloaj estice, xk proli poloaj estice, a vk+1 je nova brzina estice.
Prilikom formiranja novog smjera gibanja odnosno nove brzine estice uzimaju se u obzir
trenutna brzina estice koja je oteana s konstantom c0, smjer gibanja prema nekom prolom
najboljem poloaju trenutno razmatrane estice otean s c1, te smjer gibanja prema najbolje
rangiranoj estici u roju otean s c2. Tada dobivamo sljedei izraz iz izraunavanje vektora
brzine:

gdje je pk najbolja postignuta pozicija za razmatranu esticu, a gk je trenutno najbolja pozicija


u roju, rand() funkcija daje nasumini broj u intervalu 0-1, dok konstante c0, c1 i c2 zadaje
korisnik i one definiraju sljedee:

c0 mjera inercije opisuje bitnost trenutnog smjera;


c1 mjera individualnog faktora - opisuje mjeru individualnosti jedinke,
potie istraivanje prostora oko nekog prethodnog najboljeg rjeenja
promatrane estice;
c2 mjera socijalnog faktora - opisuje mjeru socijalnog utjecaja, potie
detaljnije istraivanje okoline trenutnog najboljeg rjeenja pronaenog od svih
estica.

Dakle, definiranje novog poloaja neke estice se moe prikazati sljedeom slikom.

PSO algoritam se moe opisati sljedeim pseudo kodom.

3
4
3.C# IMPLEMENTACIJA PSO ALGORITMA

Implementacija PSO algoritma u C# programskom jeziku je podijeljena u klase u


skladu s objektno orijentiranom paradigmom programiranja. Klase su raspodijeljene u tri .cs
datoteke istog imena kao i klase koje sadravaju, pa stoga imamo slijedee datoteke:
ParticleSwarmOptimization.cs ParticleSwarmOptimization klasa definira
osnovne parametre PSO algoritma (broj iteracija, mjera inercije, mjera
individualnog faktora i mjera socijalnog faktora).
Particle.cs Particle klasa sadri varijable koje ine jedno rjeenje problema.
Sastoji se od tri vektora koji predstavljaju trenutni poloaj estice, trenutnu
brzinu i najbolji dosadanji postignuti poloaj, te trenutnu vrijednost dobrote i
najbolju postignutu dobrotu.
Swarm.cs Swarm klasa sadri varijable i funkcije za upravljanje rojem
odnosno skupom rjeenja. Na neki nain ovo je i najvanija klasa jer ukljuuje
gotovo sve mehanizme PSO algoritma ukljuujui i:
- mehanizme za generiranje inicijalnog roja,
- fitnes funkciju,
- mehanizme za auriranje svake estice roja s novim poloajem

5
4. ZADATAK

Potrebno je realizirati 5-dimenzionalnu i 10-dimenzionalnu Rastriginovu funkciju i


pronai njen minimum koristei PSO i GA optimizacijske algoritme. Potrebno je usporediti
performanse GA i PSO algoritma prilikom pronalaska globalnog minimuma. Rastriginova
funkcija za ndimenzionalni sluaj je sljedea:

gdje je u naem sluaju A = 10, n = 5 ili 10 (broj dimenzija) i = 2 . Ispitajte utjecaj


promjene parametara genetskog algoritma (faktor mutacije, broj elitnih jedinki, maksimalna
vrijednost mutacije), te parametara PSO algoritma (veliina populacije, mjera inercije, mjera
individualnog faktora i mjera socijalnog faktora) na kvalitetu dobivenog rjeenja. Zbog
stohastike naravi GA i PSO algoritama svaki eksperiment potrebno je ponoviti najmanje pet
puta i zabiljeiti najbolji i prosjean (medijan) rezultat. Medijan prikazati grafiki. Broj
generacija/iteracija za sve eksperimente je 5000.

Parametre genetskog algoritma mijenjati na sljedee vrijednosti


Populacija: 100
Mutacija: 5%, 10%, 20%
Broj elitnih lanova: 4, 8, 16
Najvea apsolutna vrijednost mutacije realnog gena: 0.1, 0.4, 0.8
Parametre PSO algoritma mijenjati na sljedee vrijednosti:
Populacija: 100
Mjera inercije: 0.0, 0.37, 0.74
Mjera individualnog faktora: 0.5, 1.0, 1.5
Mjera socijalnog faktora: 0.5, 1.0, 1.5

Rjeenje je potrebno pokazati u terminu laboratorijskih vjebi, te predati kao pisano izvjee
koje treba sadravati:
opis problema, idejni prijedlog klasinog algoritma za rjeavanje, mogunost
koritenja genetskog i PSO algoritma,
opis i obrazloenje koritenih parametara genetskog i PSO algoritma i utjecaj na
ponaanje algoritama
dobivena mjerenja prikazati tablino i grafiki.

6
5. MINIMUM RASTRIGNOVE FUNKCIJE UPOTREBOM GA

U ovom poglavlju razmatramo rezultate raunanja minimuma Rastringove funkcije


upotrebom genetskog algoritma. Poglavlje je podijeljeno na dva dijela, gdje prvi dio razmatra
utjecaj promjene parametara genetskog algoritma na kvalitetu rjeenja za 5-o dimenzionalnu
Rastringovu funkciju, dok drugi dio se bavi istom problematikom nad 10-o dimenzionalnom
Rastringovom funkcijom. U tablici 5.1 nalazi se kod fitness funkcije za GA.

override public void fitness()


{
//Fitness funkcija GA
foreach (Chromosome c in this.population)
{
c.fitness = 0;
for (int d = 0; d < dimenzija; d++)
{
c.fitness += Math.Pow(c.genes[d].ToReal(), 2) - 10 *
Math.Cos(2 * 3.14 * c.genes[d].ToReal());
}
c.fitness += 10 * dimenzija;
c.fitness = -c.fitness;
}
}
Tablica 5.1. Fitness funkcija za pronalazak minimuma Rastringove funkcije upotrebom GA.

5.1. Rastringova funkcija dimenzionalnosti petog reda


U narednim odlomcima nalaze se rezultati rada genetskog algoritma na primjeru
Rastringove funkcije petog reda. Odlomci sadre rezultate utjecaja promjene parametara
genetskog algoritma na kvalitetu rjeenja.

5.1.1. Utjecaj promjene postotka mutacije

Populacija: 100 , Broj elitnih lanova: 4, Broj generacija: 5000, Najvea


apsolutna vrijednost mutacije realnog gena: 0.1
Mutacija 5% 10% 20%
-5.98461 , -2.02244, -2.01288,
-3.01438 , -4.01082, -1.03338,
Vrijednosti
-2.00934 , -0.03217, -1.03435,
fitness funkcije:
-2.00889, -1.02504, -2.03303,
-4.01499 -1.01631 -2.01830
Prosjena
vrijednost -3.40644 -1.62135 -1.62638
fitness funkcije
Medijan fitness -3.01438 -2.02244 -2.01288

7
funkcije
Najbolja
vrijednost -2.00889 -0.03217 -1.03338
fitness funkcije
0, 0.00001, 0, 0,99495, 0.00008,
-0.99495, 0.9949,
Koordinate -0.99496, -0.00002, 0.00003,
0.00002, 0, 0.995
-0.99496 -0,99497
Tablica 5.2. Utjecaj promjene faktora mutacije na kvalitetu rjeenja.

Slika 5.1. Utjecaj promjene faktora mutacije na kvalitetu rjeenja.

5.1.2. Utjecaj promjene broja elitnih lanova

Populacija: 100 , Mutacija: 5%, Broj generacija: 5000, Najvea apsolutna


vrijednost mutacije realnog gena: 0.1
Broj elitnih
4 8 16
lanova
-5.98461 , -1.03451, -2.03019,
-3.01438 , -1.01343, -1.02789,
Vrijednosti
-2.00934 , -5.02124, -0.03825,
fitness funkcije:
-2.00889, -2.0269, -1.02173,
-4.01499 -1.01592 -1.01472
Prosjena
vrijednost -3.40644 -2.02239 -1.02655
fitness funkcije
Medijan fitness
-3.01438 -2.0269 -1.02789
funkcije
Najbolja
vrijednost -2.00889 -1.01343 -0.03825
fitness funkcije
8
0.00002, 0,
-0.99495, 0.9949, 0.99495, -0.00001, 0,
Koordinate 0.99497, 0,
0.00002, 0, 0.995 0.00002, 0
0.99496
Tablica 5.3. Utjecaj promjene broja elitnih lanova na kvalitetu rjeenja.

Slika 5.2. Utjecaj promjene broja elitnih lanova na kvalitetu rjeenja.

5.1.3. Utjecaj promjene najvee apsolutne vrijednosti mutacije realnog gena

Populacija: 100 , Mutacija: 5%, Broj generacija: 5000, Broj elitnih lanova: 4
Najvea
apsolutna
vrijednost 0.1 0.4 0.8
mutacije
realnog gena
-5.98461 , -1.02546, -0.16011,
-3.01438 , -1.02461, -0.13823,
Vrijednosti
-2.00934 , -2.04317, -0.12262,
fitness funkcije:
-2.00889, -1.03361, -0.07855,
-4.01499 -1.99873 -0.12118
Prosjena
vrijednost -3.40644 -1,42511 -0,12413
fitness funkcije
Medijan fitness
-3.01438 -1.03361 -0,12262
funkcije
Najbolja
vrijednost -2.00889 -1.02461 -0.07855
fitness funkcije
Koordinate -0.99495, 0.9949, 0.00002, 0.9949, 0.00003, -0.00002,

9
0.00002, 0, 0.995 0.00001, -0.00002, 0.00004, 0.00003, -
0 0.00002
Tablica 5.4. Utjecaj promjene najvee apsolutne vrijednosti mutacije realnog gena.

Slika 5.3. Utjecaj promjene najvee apsolutne vrijednosti mutacije realnog gena.

10
5.2. Rastringova funkcija dimenzionalnosti desetog reda
U narednim odlomcima nalaze se rezultati rada genetskog algoritma na primjeru
Rastringove funkcije desetog reda. Odlomci sadre rezultate utjecaja promjene parametara
genetskog algoritma na kvalitetu rjeenja.

5.2.1. Utjecaj promjene postotka mutacije

Populacija: 100 , Broj elitnih lanova: 4, Broj generacija: 5000, Najvea


apsolutna vrijednost mutacije realnog gena: 0.1
Mutacija 5% 10% 20%
-3.10986, -6.06151, -5.13792,
-6.10309, -5.09188, -5.13698,
Vrijednosti
-4.14197, -7.12801, -7.10119,
fitness funkcije:
-6.11595, -5.07166, -7.10394,
-11.0299 -6.11664 -13.12052
Prosjena
vrijednost -6.10015 -5.89394 -7.52010
fitness funkcije
Medijan fitness
-6.10309 -6.06151 -7.10394
funkcije
Najbolja
vrijednost -3.10986 -5.07166 -5.13698
fitness funkcije
-0.00002, -0.00004, 0.99542,
-0.99497, 0.99511, 0.0008,
-0.99495, -0.00001, -0.99483,
-0.99501, 0.0001, 0.99483,
-0.99492, 1.98991, 0.99471,
Koordinate
-0.00006, -0.0001, -0.99465,
-0.00008, -0.00026, 0.00024,
0.99495, -0.00005, 0.99479,
0.99498, -0.00005, -0.99487,
-0.00005 -0.99478 -0.00001
Tablica 5.5. Utjecaj promjene faktora mutacije na kvalitetu rjeenja.

11
Slika 5.4. Utjecaj promjene faktora mutacije na kvalitetu rjeenja.

5.2.2. Utjecaj promjene broja elitnih lanova

Populacija: 100 , Mutacija: 5%, Broj generacija: 5000, Najvea apsolutna


vrijednost mutacije realnog gena: 0.1
Broj elitnih
4 8 16
lanova
-3.10986, -4.12361, -4.14807,
-6.10309, -3.14429, -5.10673,
Vrijednosti
-4.14197, -12.06124, -4.15601,
fitness funkcije:
-6.11595, -4.09829, -3.13374,
-11.0299 -13.00295 -4.15002
Prosjena
vrijednost -6.10015 -7.28607 -4.138913
fitness funkcije
Medijan fitness
-6.10309 -4.12361 -4.14807
funkcije
Najbolja
vrijednost -3.10986 -3.14429 -3.13374
fitness funkcije
-0.00002, 0.9494,
0,
-0.99497, -0.00002,
0.99497,
-0.99495, 0.99494,
0.00001,
-0.99501, -0.00001,
0.00001,
-0.99492, -0.00004,
Koordinate 0.99496,
-0.00006, 0.99495,
0.00001,
-0.00008, 0.00003,
0, 0.995,
0.99495, 0.99497,
-0.99495,
0.99498, 0,
0.00001
-0.00005 -0.00002

12
Tablica 5.6. Utjecaj promjene broja elitnih lanova na kvalitetu rjeenja.

Slika 5.5. Utjecaj promjene broja elitnih lanova na kvalitetu rjeenja.

5.2.3. Utjecaj promjene najvee apsolutne vrijednosti mutacije realnog gena

Populacija: 100 , Mutacija: 5%, Broj generacija: 5000, Broj elitnih lanova: 4
Najvea
apsolutna
vrijednost 0.1 0.4 0.8
mutacije
realnog gena
-3.10986, -3.78579, -0.25393,
-6.10309, -2.76571, -0.47164,
Vrijednosti
-4.14197, -3.0487, -0.45446,
fitness funkcije:
-6.11595, -4.11319, -0.40725,
-11.0299 -3.45128, -0.36672
Prosjena
vrijednost -6.10015 -3.43293 -0.39080
fitness funkcije
Medijan fitness
-6.10309 -3.45128 -0.40725
funkcije
Najbolja
vrijednost -3.10986 -2.76571 -0.25393
fitness funkcije
-0.00002, -0.00012, -0.00003,
-0.99497, 0.00004, -0.00005,
Koordinate
-0.99495, -0.99465, 0.00015,
-0.99501, -0.00007, -0.00022,

13
-0.99492, 0.00001, -0.00006,
-0.00006, 0.00002, -0.00006,
-0.00008, -0.9949 -0.00025,
0.99495, -0.00001, 0.0001,
0.99498, 0.00009, -0.0001,
-0.00005 -0.99471 0.00038
Tablica 5.7. Utjecaj promjene najvee apsolutne vrijednosti mutacije realnog gena.

Slika 5.6. Utjecaj promjene najvee apsolutne vrijednosti mutacije realnog gena.

14
6. MINIMUM RASTRIGNOVE FUNKCIJE UPOTREBOM PSO

U ovom poglavlju razmatramo rezultate raunanja minimuma Rastringove funkcije


upotrebom algoritma roja estica. Poglavlje je podijeljeno na dva dijela, gdje prvi dio
razmatra utjecaj promjene parametara algoritma roja estica na kvalitetu rjeenja za 5-o
dimenzionalnu Rastringovu funkciju, dok drugi dio se bavi istom problematikom nad 10-o
dimenzionalnom Rastringovom funkcijom. U tablici 5.8 nalazi se kod fitness funkcije za PSO.

override public double Fitness(double[] position)


{
//Fitness za PSO
double fitness = 0.0;
for (int d=0; d<position.Length; d++)
{
fitness += Math.Pow(position[d], 2) - 10 *
Math.Cos(2*3.14*position[d]);
}
return fitness+10*position.Length;
}
Tablica 5.8. Fitness funkcija za pronalazak minimuma Rastringove funkcije upotrebom PSO.

6.1. Rastringova funkcija dimenzionalnosti petog reda


U narednim odlomcima nalaze se rezultati rada algoritma roja estica na primjeru
Rastringove funkcije petog reda. Odlomci sadre rezultate utjecaja promjene parametara
algoritma roja estica na kvalitetu rjeenja.

6.1.1. Utjecaj promjene mjere inercije

Populacija: 100 , Mjera individualnog faktora: 0.5, Mjera socijalnog


faktora:0.5
Mjera inercije 0.0 0.37 0.74
3.01577, 3.01756, 1.06415,
1.42132, 4.99632, 2.08478,
Vrijednosti
3.21412, 5.99853, 1.11015,
fitness funkcije:
6.99026, 2.02279, 4.03063,
2.60622 3.01507 2.18507
Prosjena
vrijednost 3.44954 3.81005 2.09495
fitness funkcije
Medijan fitness
3.21412 3.01756 2.08478
funkcije
Najbolja
1.42132 2.02279 1.06415
vrijednost

15
fitness funkcije
0.01102, - 0, 0.99496,
0.99496, 0, 0,
Koordinate 0.99597, 0.98833, -0.99496, -0.99496,
0.99496, 0
0.00022, -0.97328 0
Tablica 5.9. Utjecaj promjene mjere inercije na kvalitetu rjeenja.

Slika 5.7. Utjecaj promjene mjere inercije na kvalitetu rjeenja.

6.1.2. Utjecaj promjene mjere individualnog faktora

Populacija: 100 , Mjera inercije: 0.0, Mjera socijalnog faktora:0.5


Mjera
individualnog 0.5 1.0 1.5
faktora
3.01577, 2.82413, 1.17969,
1.42132, 2.03605, 0.69648,
Vrijednosti
3.21412, 1.22272, 0.79937,
fitness funkcije:
6.99026, 2.06396, 0.93901,
2.60622 1.44294 0.98168
Prosjena
vrijednost 3.44954 1.91795 0,91924
fitness funkcije
Medijan fitness
3.21412 2.03605 0.93901
funkcije
Najbolja
vrijednost 1.42132 1.22272 0.69648
fitness funkcije
0.01102, - 0.99321, -0.99325, 0.01, -0.00785,
Koordinate 0.99597, 0.98833, 0.00047, -0.00071, 0.03126, 0.02651,
0.00022, -0.97328 -0.00054 0.04895

16
Tablica 5.10. Utjecaj promjene mjere individualnog faktora.

Slika 5.8. Utjecaj promjene mjere individualnog faktora.

6.1.3. Utjecaj promjene mjere socijalnog faktora

Populacija: 100 , Mjera inercije: 0.0, Mjera individualnog faktora:0.5


Mjera
socijalnog 0.5 1 1.5
faktora
3.01577, 4.98342, 7.97153,
1.42132, 3.00005, 4.98021,
Vrijednosti
3.21412, 3.00428, 1.99561,
fitness funkcije:
6.99026, 6.00378, 5.97522,
2.60622 1.00392 1.9938
Prosjena
vrijednost 3.44954 3.59909 4.58327
fitness funkcije
Medijan fitness
3.21412 3.00428 4.98021
funkcije
Najbolja
vrijednost 1.42132 1.00392 1.9938
fitness funkcije
0.01102, - -0.9961, -0.00005,
0, 0, 0, 1.98991,
Koordinate 0.99597, 0.98833, -0.99448, -0.00422,
0.99496
0.00022, -0.97328 0.99515
Tablica 5.11. Utjecaj promjene mjere socijalnog faktora.

17
Slika 5.9. Utjecaj promjene mjere socijalnog faktora.

18
6.2. Rastringova funkcija dimenzionalnosti desetog reda
U narednim odlomcima nalaze se rezultati rada algoritma roja estica na primjeru
Rastringove funkcije desetog reda. Odlomci sadre rezultate utjecaja promjene parametara
algoritma roja estica na kvalitetu rjeenja.

6.2.1. Utjecaj promjene mjere inercije

Populacija: 100 , Mjera individualnog faktora: 0.5, Mjera socijalnog


faktora:0.5
Mjera inercije 0.0 0.37 0.74
48.74237, 11.11231, 21.23174,
25.09088, 16.01424, 13.13949,
Vrijednosti
15.70156, 12.15275, 10.22958,
fitness funkcije:
20.8793, 20.00059, 28.09661,
9.28645 20.01275 17.0683
Prosjena
vrijednost 23.94011 15.85852 17.95314
fitness funkcije
Medijan fitness
25.09088 16.01424 17.06830
funkcije
Najbolja
vrijednost 9.28645 11.11231 10.22958
fitness funkcije
0.00072, 0.99726, 1.98991,
-0.82639, 1.99005, -1.98991,
-0.99218, -0.00304, -0.99496,
-1.00848, -0.9952, 0.99496,
0.87846, -1.98593, 0,
Koordinate
1.81047, -0.0007, 0.99496,
-0.00586, -1.98977, 0.99496,
-0.93544, -0.99635, 0,
0.94015, 0.99499, -1.98991,
0.01287 -0.00092 0.99496
Tablica 5.12. Utjecaj promjene mjere inercije na kvalitetu rjeenja.

19
Slika 5.10. Utjecaj promjene mjere inercije na kvalitetu rjeenja.

6.2.2. Utjecaj promjene mjere individualnog faktora

Populacija: 100 , Mjera inercije: 0.0, Mjera socijalnog faktora:0.5


Mjera
individualnog 0.5 1.0 1.5
faktora
48.74237, 19.50387, 4.74856,
25.09088, 9.97119, 4.64612,
Vrijednosti
15.70156, 5.92326, 5.5918,
fitness funkcije:
20.8793, 6.23725, 5.24844,
9.28645 16.60688 4.48486
Prosjena
vrijednost 23.94011 11.64848 4.94395
fitness funkcije
Medijan fitness
25.09088 9.97119 4.74856
funkcije
Najbolja
vrijednost 9.28645 5.92326 4.48486
fitness funkcije
0.00072, -1.98421, 0.99633,
-0.82639, 0.04002, -0.02463,
-0.99218, -0.97715, 0.04306,
-1.00848, -0.00022, -0.00431,
0.87846, 0.08029, -0.01452,
Koordinate
1.81047, -0.9771, 0.02153,
-0.00586, 0.01343, -1.02544,
-0.93544, -0.04506, 0.00257,
0.94015, 0.04471, 0.02286,
0.01287 -0.97632 -0.98506
20
Tablica 5.13. Utjecaj promjene mjere individualnog faktora.

Slika 5.11. Utjecaj promjene mjere individualnog faktora.

6.2.3. Utjecaj promjene mjere socijalnog faktora

Populacija: 100 , Mjera inercije: 0.0, Mjera individualnog faktora:0.5


Mjera
socijalnog 0.5 1 1.5
faktora
48.74237, 21.05456, 13.97351,
25.09088, 32.12413, 43.8014,
Vrijednosti
15.70156, 11.57296, 14.97053,
fitness funkcije:
20.8793, 10.75448, 42.80596,
9.28645 18.49626 13.97338
Prosjena
vrijednost 23.94011 18.80047 25.90495
fitness funkcije
Medijan fitness
25.09088 18.49626 14.970527
funkcije
Najbolja
vrijednost 9.28645 10.75448 13.97338
fitness funkcije
0.00072, 0.01132, 0,
-0.82639, 0.91703, 0,
-0.99218, 2.94264, -0.99496,
Koordinate
-1.00848, -0.03132, 0,
0.87846, 0.85342, 0,
1.81047, 0.00943, 0.99496,

21
-0.00586, 0.00252, -1.98991,
-0.93544, -0.97906, 0,
0.94015, -0.99481, 2.98486,
0.01287 0.01387 0
Tablica 5.14. Utjecaj promjene mjere socijalnog faktora.

Slika 5.12. Utjecaj promjene mjere socijalnog faktora.

22
7. ZAKLJUAK
U ovoj laboratorijskoj vjebi izvrena je usporedba GA i PSO algoritma za rjeavanje
pronalaska minimuma N-dimenzionalne funkcije. Na temelju rezultata zakljuujemo da PSO
ima bolje performanse za zadani problem. Osim to je bri, daje i tonije rjeenje naspram
genetskog algoritma. Naime ne postoji nikakav nain striktnog usporeivanja rada ovih dvaju
algoritama, parametri o kojima ovisi kvaliteta rjeenja kod oba algoritma se razlikuju i nisu
meusobno ovisni. Procjenu vrimo empirijski na temelju dobivenih eksperimentalnih
mjerenja.

to se tie parametara genetskog algoritma vidljivo je da s poveanjem mutacije


poveava se tonost rjeenja do odreene granice gdje dolazi do kontraefekta. Kada priamo o
broju elitnih lanova oigledno je da s poveanjem broja elitnih lanova dolazi do poveanja
kvalitete rjeenja. Takoer jedan od vanijih parametara jest i najvea apsolutna vrijednost
mutacije realnog gena. S poveanjem navedenog parametra poveava se kvaliteta rjeenja
zato to algoritam ima bru konvergenciju prilikom mutacije, ime se takoer i poveava
brzina izvoenja. Sve gore navedeno vrijedi u opem sluaju, ali i za Rastringovu funkciju
petog reda. Dok za Rastringovu funkciju desetog reda vano je spomenuti neka odstupanja od
generalnog utjecaja parametara. Vidljivo je da s poveanjem mutacije kvaliteta rjeenja pada,
takoer poveanje broja elitnih lanova nema znatno velik utjecaj na kvalitetu rjeenja.

Ukoliko razmotrimo parametre algoritma roja estica dolazimo do zakljuka da


poveanje mjere inercije poveava tonost rjeenja. Mjera inercije nam dodaje vanost za
trenutni smjer u kojem se estica kree. Mjera individualnog faktora opisuje mjeru
individualnosti jedinke, potie istraivanje prostora oko nekog prethodnog najboljeg rjeenja
promatrane estice, neto slino poput mutacije u genetskom algoritmu. Poveanjem
individualnog faktora poveava se i tonost rjeenja. to se tie mjere socijalnog faktora ona
opisuje mjeru socijalnog utjecaja, potie detaljnije istraivanje okoline trenutnog najboljeg
rjeenja pronaenog od svih estica. Ova veliina omoguuje algoritmu konvergiranje prema
najtonijem moguem rjeenju. Poveanjem socijalnog faktora poveava se i tonost rjeenja.

Ukoliko razmatramo samu razliku izmeu Rastringove funkcije petog i desetog reda,
vidimo da funkcija desetog reda je puno sloenija i zahtjevnija za proraun. Zbog tog razloga
oba algoritma daju loija (ali i dalje prihvatljiva) rjeenja naspram Rastringove funkcije petog
reda. Kada priamo o rjeenju problema, govorimo o pronalasku koordinati toaka globalnog
minimuma Rastringove funkcije. to je zapravo minimizacija pripadnih fitness funkcija.

23

You might also like