Professional Documents
Culture Documents
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:
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:
Dakle, definiranje novog poloaja neke estice se moe prikazati sljedeom slikom.
3
4
3.C# IMPLEMENTACIJA PSO ALGORITMA
5
4. ZADATAK
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
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.
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.
11
Slika 5.4. Utjecaj promjene faktora mutacije na kvalitetu rjeenja.
12
Tablica 5.6. Utjecaj promjene broja elitnih lanova na kvalitetu rjeenja.
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
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.
16
Tablica 5.10. Utjecaj promjene mjere individualnog 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.
19
Slika 5.10. Utjecaj promjene mjere inercije na kvalitetu rjeenja.
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.
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.
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