HOME TABLE OF CONTENT DEFINITION

ECOLE NATIONALE POLYTECHNIQUE Oran

Partical Swarm
Optimization
(PSO)
BENAIDJA ABDESSAMED BOUALI ASMAA

BOUZIAN FAIZ ZINAI MANEL

CHANGE LOGO N TEXT WITH YOUR UNIVERSITY HOME TABLEA OF
D D CONTENT
I T I O N A LDEFINITION
TEXT

TABLE DE
CONTENU

PRELIMINARY
INTRODUCTION

PRINCIPE

FONCTIONNEMENT
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY HOME TABLEA OF
D D CONTENT
I T I O N A LDEFINITION
TEXT

TABLE DE
CONTENU
EXEMPLE

PRELIMINARY D’APPLICATION

AVANTAGE ET
LIMITES

06 PARTIE PRATIQUE
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY HOME TABLEA OF
D D CONTENT
I T I O N A LDEFINITION
TEXT

DEFINTION

RESEARCH L’optimisation par essaims

particulaires (Particle Swarm
Optimization) est une méthode
métaheuristique inspirée du

PURPOSES
comportement social des oiseaux et des
poissons. Elle est utilisée pour
résoudre divers problèmes
d'optimisation en simulant le mouvement
coopératif d'un essaim de particules
dans un espace de recherche.
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

PRINCIPE
L
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

• Imaginons un banc de poissons qui

cherche de la nourriture dans une zone

• Tous les poissons ne savent

pas où se trouve ce
morceau,
mais ils savent à quelle
distance ils se trouvent à
chaque itération.
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

• Si un membre se trouve
proche de la nourriture,
les autres le suivront
rapidement.
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY ADDITIONAL TEXT

Initialisation

IDENTIFICATION
FONCTIONNEMENT
Déplacement

OF PROBLEM Modélisation
Mathématique

DIAGRAMME
 CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

Initialisation

 On initialise une
population d’agents
appelée un essaim
(swarm)  chaque membre de la
population est appelé
une particule noté xi
qui represente une
une solution
potentielle dans
l'espace de recherche.
 CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
Déplacement

• Les particules se déplacent de la position

xi(t) vers xi(t+1) en fonction de 3 paramètres:

 Vi(t) : la vitesse de la particule

 Pi(t) : (Personal best) La meilleure

solution trouvée par la particule de
début jusqu’à l’itération actuelle

 G(t) : (global best) La meilleure

solution trouvée par l'essaim de début
jusqu’à l’itération actuelle
 Modélisation
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

Mathématique

le relation de
déplacement de
particule est donné
par :
• Avec:

 W : poids d’inertie < 1

 c1 : coefficient cognitif

 c2 : coefficient social

 r1,r2 : randoms dans [0,1]

CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
DIAGRAMME
 CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

Exemple
D’APPLICATION
• Max f(x,y) = x ^0,5 + 1/y

• l’espace de recherche est [0;5].

• De plus:

 W = 0.99

 n = 3 (nombre des particule)

 c1= c2 = 2

 r1,r2 = randoms dans [0,1]

CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

INITIALISATION

 On initialise la position
xi(t) de chaque particule Postition X1 X2
(t)
aléatoirement P1 1 2
P2 4.5 4
P3 3 0.5

Vitesse (t) V1 V2
P1 0.83 -0.51
P2 -0.67 0.94  On fait le meme
P3 0.45 0.89 travail pour leurs
vitesses Vi(t)
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
Evaluation de la
Fitness Postition X1 X2
(t)
 On remplace pour chaque P1 1 2
particule ses 4.5 4
P2
valeurs de x,y dans la fonction
P3 3 0.5

objectif:
f(x,y) =x ^0,5 + 1/y

Particule (i) Fitness

P1 0.5
Global Best P2 1.871
P3 -0.268
 CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
CALCUL DE NOUVELLE
VITESSE ET POSITION

Vitesse (t) V1 V2 Vitesse V1 V2

(t+1)
P1 0.83 -0.51
P1 3.49 1.01
P2 -0.67 0.94
P2 -0.67 0.94
P3 0.45 0.89
P3 1.86 4.18

Postition X1 X2 Postition X1 X2
(t) (t+1)
P1 1 2 P1 4.49 3.01
P2 4.5 4 P2 3.83 4.94
P3 3 0.5 P3 4.86 4.68
 CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

04 CALCUL DE FITNESS

 On reclacule la fitness de chaque

particules en fontions des nouvelles
X(i):

Particule (i) Fitness (t+1)

P1 1.787
P2 1.755
P3 1.991
 CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

05 UPDATE OF Pbest and

Gbest  En comparant les résutlat
de fitness de 2 dernières
itirations , on détermine
Particule (i) Fitness (t) Pi(t+1) et G(t+1) :
P1 0.5
P2 1.871
P3 -0.268
Particule (i) Pbest (t+1)
P1 1.787
P2 1.871
Particule (i) Fitness (t+1) P3 1.991
P1 1.787
P2 1.755
P3 1.991 New Gbest
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

AVANTAGES

Simplicité Robustesse Adaptabilité Parallélisme

 CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

LIMITES

Sensibilité Dépendance
Risque CONVERGENCE
d’
Aux LENTE initialisation
Paramètres
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY ADDITIONAL TEXT

PARTIE MATLAB
PRATIQUE
PROBLEM JAVA

PYTHON SCOPE
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

MATLAB
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

JAVA
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

PYTHON
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY
CHANGE LOGO N TEXT WITH YOUR UNIVERSITY

CONCLUSION

• En conclusion, l'algorithme PSO (Particle Swarm Optimization) offre

une approche fascinante et puissante pour résoudre des problèmes
d'optimisation complexes avec une implitation simple. En utilisant
des idées inspirées du comportement collectif des essaims
d'oiseaux, PSO parvient à explorer efficacement l'espace des
solutions pour trouver des solutions optimales.
REFERENCE
• https://youtube.com/playlist?
list=PLgH3sgdvgO4T5avSC2R_7734FOU5O
p8f9&si=PWUkoYkKTdtndkIb

• https://youtu.be/2fPc14lcesQ?si=9oOws-
H6N-_bYFoD