PSO
Posición
Velocidad
PSO (Particle Swarm Optimization)
Busca resolver problemas con el comportamiento de enjambres
Cada partícula se desplaza en el dominio, e interactúa con las demás partículas
Además de tener posición y velocidad, pueden recordar su mejor posición
También pueden conocer la mejor posición de otra partícula en la vecindad
PSO
Velocidad Final
Velocidad Actual
¿Qué tan lejos estoy de mi
mejor posición?
¿Qué tan lejos estoy de la
posición de las demás partículas?
Modifica de la velocidad y la posición de cada partícula
Posición Final
Posición Actual
PSO
La velocidad y posición de cada partícula se modifican con las siguientes expresiones
Velocidad actual
Factores aleatorios
Posición actual
Factor Cognitivo Factor Social
Mejor posición de la partícula i
Mejor posición global
PSO
Factor de Constricción
Asegura la convergencia a un mínimo global evitando que las partículas detengan su movimiento
Se puede considerar como un caso especial del factor de inercia
PSO
PSO binario
1 0 1 1 0 0 0 0 1 1
Posición actual de la partícula
Existe una probabilidad P de que un bit se convierta en 1
0.2 0.1 0.30 0.9 0.5 0.7 0.3 0.8 0.1 0.4Velocidad
actual de la partícula
La modificación de la posición de la partícula se da de la siguiente manera
PSO
Sistema de recomendación con PSO
A
A
Preferencia de dos usuarios por el mismo producto
Distancia Euclideana
Ponderación de las 22 características del producto para el usuario objetivo
Calculado con PSO
Se calcula el fitness de cada ítem
Fitness(i) = Voto estimado – Voto real
El Fitness del usuario es el promedio de los fitness de los productos
PSO
PSO cooperativo (CPSO) para entrenar Redes Neuronales
Solución
Enjambre 3Enjambre 2Enjambre 1
Capa de entrada Capa oculta
Capa de salida
CPSO ajusta las ponderaciones entre nodos de la red neuronal
PSO
PSO y SVM (Support Vector Machine) en la selección de características
Atrib. 1 Atrib. 2 Atrib. 3 Atrib. 4 Atrib. 5 Atrib. 6 Atrib. 7 Atrib. 8 Atrib. 9
1 0 0 1 1 1 0 1 1
Se usó un PSO binario, el 1 indica que se utiliza el atributo
El rendimiento de la solución se prueba con SVM
SVM busca un hiperplano que separe un conjunto en dos, maximizando el margen
PSO
PSO y K-Means para agrupar documentos
Minimizar
Maximizar
Cada punto es un vector, donde cada elemento es la importancia de un término en un documento
Un enjambre representa una cantidad de agrupamientos posibles para la colección de documentos
Cada partícula mantiene una matriz, con los centroides de cada grupo
Resumen
PSO se basa en la idea de tener un conjunto de partículas que simulan el comportamiento de los enjambres
Para evaluar el cambio de velocidad, se considera la variación de la posición con respecto a la experiencia personal y grupal
Existen mejoras con respecto a la velocidad, ya sea para controlar su avance, como para controla la dirección de la partícula, que mejoran el rendimiento de PSO
PSO aplicado a algoritmos de aprendizaje, como redes neuronales, SVM o K-Means, muestran resultados interesantes
Top Related