Роевые и муравьиные алгоритмы

11.4. Основные параметры роевых алгоритмов

Эффективность РА зависит от ряда параметров, к которым относятся: размерность задачи, число частиц, коэффициенты ускорения, вес инерции, тип и размер соседнего окружения, число итераций, кооэффициенты, определяющие вклад когнитивной и социальной компонент. В случае наложения ограничений на возможные скорости частиц необходимо также определить максимальне значения и некоторые коэффициенты. Далее рассмотрим основне параметры РА.

Размер роя, число частиц , играет большую роль: чем больше частиц, тем больше разнообразие потенциальных решений (при хорошей схеме инициализации, обеспечивающей однородное распределение частиц). Большое число частиц позволяет покрыть большую часть пространства поиска за итерацию. С другой стороны большое число частиц повышает вычислительную сложность итерации и при этом РА может выродиться в случайный параллельный поиск. Хотя бывают случаи, что большее число частиц ведет к уменьшению числа итераций при поиске хороших решений. Экспериментально показано, что РА способны находить оптимальное решение с малым размером роя от 10 до 30 частиц [3]. В общем случае оптимальный размер роя зависит от решаемой задачи и определяется экспериментально.

Размер соседнего окружения определяет степень влияния социальной компоненты в локальных РА. Чем меньше соседей у частицы, тем меньше ее взаимодействие с окружением. Малый размер определяет малую скорость сходимости, но дает большую надежность поиска оптимума. Чем меньше размер окружения, тем меньше чувствительность к локальным экстремумам. Для использования преимуществ малого и большого размера окружения часто стартуют с малым размером соседней окрестности и далее в процессе поиска размер окружения увеличивают пропорционально числу выполненных итераций. Такой подход обеспечивает хорошее начальное разнообразие и быструю сходимость частиц к перспективной области поиска.

Число итераций, обеспечивающее нахождение хорошего решения, зависит от решаемой задачи. При малом числе процесс поиска может не успеть сойтись. С другой стороны, большое число итераций, естественно, повышает вычислительную сложность.

Коэффициенты ускорения и вместе со случайными векторами и определяют вклад когнитивной и социальной компонент в результирующую скорость частицы. При частицы летают с прежней скоростью пока не достигнут (по инерции) границы пространства поиска. Если и , частица не зависит от остальных особей. Каждая частица находит свою лучшую позицию в своем окружении путем замены лучшей позиции в том случае, если текущая позиция лучше. В случае и , весь рой стремится к одной точке . Эксперименты показывают, что эффективность поиска увеличивается при балансе этих коэффициентов, т.е. при . Если , то частицы стремятся к средней точке между и . Часто при решении задач полагают , но в общем случае отношение этих коэффициентов зависит от решаемой задачи. При каждая частица больше стремится к своей лучшей позиции, что в результате ведет к чрезмерному блужданию частиц. Наоборот определяет большее стремление частиц к глобальному экстремуму. Обычно значения в процессе поиска постоянны, но иногда используются адаптивные схемы, когда величины изменяются [3].