IA013 Introduo Computao Natural

Departamento de Engenharia de Faculdade de Engenharia

Unicamp
Tpicos
Computao e Automao Industrial Eltrica e de Computao

Ant Colony Optimization e Swarm Intelligence

Swarm Intelligence Ant Colony Optimization ACO
Particle Swarm Optimization PSO
Ant Clustering Algorithms - ACA

Fabrcio Olivetti de Frana

olivetti@dca.fee.unicamp.br

CAMPINAS, SP BRASIL maro / 2007 1 2

Tpicos Swarm Intelligence

O que ?
Swarm Intelligence Algoritmos em que agentes atuam localmente realizando alguma
Ant Colony Optimization ACO interao com o grupo

Particle Swarm Optimization PSO Caractersticas:

Individualismo x Coletivo
Ant Clustering Algorithms - ACA
Cada agente interage localmente com o ambiente
Essa iterao causa um padro coerente de forma global resolvendo um
problema
No existe centralizao
Coordenao sem comunicao evidente
Algoritmos populares: Ant Colony Optimization e Particle Swarm
3 Optimization 4

Swarm Intelligence Swarm Intelligence

- Motivaes - - Na Natureza -
Na natureza, criaturas simples apresentam comportamentos Busca pelo menor caminho entre o ninho e a fonte de alimento
complexos
Organizao dos corpos de indivduos mortos e lixos dentro do
Os comportamentos destes so alterados com coerncia ninho
conforme o ambiente muda
Emigrao de um bando
Esse comportamento observado em:
Construo do ninho
insetos
Vo em grupo
pssaros
bactrias
e outros animais que vivem em bandos
5 6

1
 Swarm Intelligence
Tpicos
- No Dia a Dia -
Trnsito (a ao dos indivduos influi na organizao do todo) Swarm Intelligence
http://vwisb7.vkw.tu-dresden.de/~treiber/MicroApplet/ Ant Colony Optimization ACO
Atribuio de pequenas tarefas para uma equipe em um grande Particle Swarm Optimization PSO
projeto
Ant Clustering Algorithms - ACA
Linha de montagem
Cirurgia Mdica

7 8

Ant Colony Optimization Ant Colony Optimization

Goss, S., S. Aron e J. L. Deneubourg. Self-organized shortcuts in the Argentine ant.

Naturwissenschaften, v.76, p.579-581. 1989. 9 10

Ant Colony Optimization Ant Colony Optimization

Foi observado o comportamento das
formigas na busca pelos alimentos.
Inicialmente, cada formiga segue um
caminho aleatrio
Foi colocado um ninho de formigas em um aqurio com uma
fonte de alimentos na outra ponta.
Para chegar at esse alimento foram criados dois caminhos, sendo
um maior que o outro.

Aps algum tempo elas tendiam a seguir um nico caminho,

considerado timo
Cada formiga utiliza uma comunicao indireta para indicar
para as outras o quo bom foi o caminho que ela escolheu Como as formigas que escolheram o menor caminho faziam o percurso mais
rapidamente que as outras, elas acabavam depositando uma maior quantidade de
Para isso, elas espalham uma substncia chamada feromnio nesse caminho em relao ao outro, dado um intervalo de tempo.
feromnio
11
Logo, dado tempo suficiente, a intensidade de feromnio no caminho mais12curto
estar bem mais alta e atrair a maior parte das formigas (mas no todas).

2
 Ant Colony Optimization Ant Colony Optimization
Dado um grafo com n vrtices, colocar uma formiga artificial em
cada um destes.

Em 1992, Dorigo percebeu que as formigas resolviam um ?

problema muito similar ao TSP e, inspirado nesse comportamento,
resolveu model-lo no computador e verificar como se
comportava em algumas instncias conhecidas do problema.

13 14

Ant Colony Optimization Ant Colony Optimization

Cada formiga traa um caminho seguindo uma frmula Cada formiga traa um caminho seguindo uma frmula
probabilstica em funo do feromnio depositado em cada probabilstica em funo do feromnio depositado em cada
aresta do grafo. aresta do grafo.
? ?

15 16

Ant Colony Optimization Ant Colony Optimization

Aps a construo de todos os caminhos, a intensidade de As novas solues so ento construdas seguindo uma funo de
feromnio em cada aresta acrescida de acordo com a qualidade densidade de probabilidade proporcional ao nvel de feromnio
da soluo gerada. em cada aresta.
? ?

17 18

3
 Ant Colony Optimization
Ant Colony Optimization
- build_solution() -
Para construir a soluo, cada formiga utiliza iterativamente uma funo
probabilstica para decidir se incluir ou no determinada aresta na soluo.
While it < max_it do,
i, j (t ) i , j
for each ant do, se j J k
pik, j (t ) = k i, j (t ) i , j
build_solution(); jJ
c.c.
0
endfor
Onde:
update_pheromone();
JK a lista de vrtices no visitados;
endwhile i,j a quantidade de feromnio na aresta (i,j);
i,j a informao de qualidade dessa aresta (geralmente determinada pelo inverso
da distncia)
e so parmetros que definem o grau de importncia de e , respectivamente.
Dorigo, M. Optimization, Learning and Natural Algorithms. Politecnico di Milano, Italy, 1992.
19 20

Ant Colony Optimization

Tpicos
- update_pheromone() -
Para atualizar a trilha de feromnio nas arestas, calculada inicialmente a
quantidade a ser depositada em cada uma delas, proporcional qualidade das Swarm Intelligence
solues a que elas pertencem.
Ant Colony Optimization ACO
i , j (t + 1) = (1 ) i , j (t ) + ij Aplicaes
Particle Swarm Optimization PSO
1 se (i, j ) S
i , j = f ( S ) Ant Clustering Algorithms - ACA
0 c.c.
Onde:

a taxa de evaporao do feromnio;

i,j a quantidade de feromnio que ser depositada na aresta (i,j);
f(S) o custo total da soluo S 21 22

Aplicaes Aplicaes
TSP Sequential Ordering Problem
Dorigo M., V. Maniezzo & A. Colorni (1996). Ant System: Optimization by a colony of cooperating agents.
IEEE Transactions on Systems, Man, and Cybernetics-Part B, 26(1):29-41

Colorni A., M.Dorigo, F.Maffioli, V. Maniezzo, G. Righini, M. Trubian (1996). Heuristics from Nature for Hard
Combinatorial Problems. International Transactions in Operational Research, 3(1):1-21.

Dorigo M. & L.M. Gambardella (1997). Ant Colony System: A Cooperative Learning Approach to the Traveling
Salesman Problem. IEEE Transactions on Evolutionary Computation, 1(1):53-66. (Also Tecnical Report
TR/IRIDIA/1996-5, IRIDIA, Universit Libre de Bruxelles.)

Dorigo M. & L.M. Gambardella (1997). Ant Colonies for the Traveling Salesman Problem. BioSystems, 43:73-
81. Also Tecnical Report TR/IRIDIA/1996-3, IRIDIA, Universit Libre de Bruxelles:
Similar ao TSP, mas com restrio de precedncia (deve-se
Bullnheimer B., R. F. Hartl & C. Strauss (1999). A New Rank Based Version of the Ant System: A visitar um certo vrtice k antes de passar pelo vrtice l)
Computational Study. Central European Journal for Operations Research and Economics, 7(1):25-38, 1999.
Also available as Working paper POM 3/97, Institute of Management Science, University of Vienna, Austria:
23 24

4
 Aplicaes Aplicaes
Sequential Ordering Problem Sequential Ordering Problem
Considere um grafo G = (V, E), com V sendo o conjunto de vrtices Esse problema pode ser escrito como um caso geral do ATSP
e E o conjunto de arestas. (asymmetric traveling salesman problem).

Os vrtices correspondem s tarefas que devem ser realizadas
sequencialmente.
A cada aresta (i,j) associado um custo tij que representa o tempo
necessrio para o incio da tarefa j aps a concluso de i.
Basta definir as distncias dij de uma aresta do TSP como sendo
dij = tij + pj.
Com isso podemos usar o ACO sem muitas alteraes.

Para cada vrtice i, associado um custo pi que representa o tempo nica diferena que devemos lidar: a lista tabu deve proibir
necessrio para a concluso dessa tarefa. arestas que no obedeam restrio de precedncia.

As restries de precedncia so feitas a partir de um segundo grafo

P=(V, R), onde uma aresta (i,j) R se a tarefa i tem que preceder j.
25 26

Aplicaes Aplicaes
Sequential Ordering Problem Vehicle Routing

Gambardella L. M. and M. Dorigo (1997). HAS-SOP: An Hybrid Ant System for the Sequential
Ordering Problem. Tech. Rep. No. IDSIA 97-11, IDSIA, Lugano, Switzerland.

Consiste em, dado um depsito central e n clientes e m

caminhes de transporte, distribuir a mercadoria nos n clientes
atendendo suas demandas utilizando dos m caminhes
27 28
respeitando sua capacidade e sempre partindo do depsito.

Aplicaes Aplicaes
Vehicle Routing Vehicle Routing
Nesse problema: Ento, para adaptar o ACO a esse problema, basta fazer com
Cada cliente visitado uma nica vez por exatamente um que cada formiga gere o caminho iterativamente conforme o
veculo algoritmo padro e, ao violar uma das restries, volte ao
todas as rotas de cada veculos iniciam e terminam no depsito e inicie uma nova rota com outro veculo.
depsito
cada rota a demanda total no pode exceder a capacidade
do veculo
o comprimento total de cada rota no excede um dado
limitante L

fcil perceber que, aps escolher quais clientes cada veculo

ir atender, o problema se torna um TSP.
29 30

5
 Aplicaes Aplicaes
Vehicle Routing Telecommunications

Bullnheimer B., R.F. Hartl and C. Strauss (1999). An Improved Ant system Algorithm for the Vehicle
Routing Problem. Paper presented at the Sixth Viennese workshop on Optimal Control, Dynamic Games,
Nonlinear Dynamics and Adaptive Systems, Vienna (Austria), May 21-23, 1997, to appear in: Annals of
Operations Research (Dawid, Feichtinger and Hartl (eds.): Nonlinear Economic Dynamics and Control, 1999.

Bullnheimer B., R.F. Hartl and C. Strauss (1999). Applying the Ant System to the Vehicle Routing
Problem. In: Voss S., Martello S., Osman I.H., Roucairol C. (eds.), Meta-Heuristics: Advances and Trends in
Local Search Paradigms for Optimization, Kluwer:Boston.
Bullnheimer B. (1999). Ant Colony Optimization in Vehicle Routing. Doctoral thesis, University of Vienna,
January 1999.

Balanceamento de dados em uma rede.

Um problema em gerenciar o balano de carga que passa pelos
ns de uma rede (ex.: chamadas em uma rede telefonica).
31 32

Aplicaes Aplicaes
Telecommunications Telecommunications

Para utilizar o ACO nesse caso, a tabela de roteamento de dados

necessrio gerar um caminho sempre que requisitada uma substituda por uma tabela de feromnios, onde cada n ter
ligao entre dois ns, baseado na carga aplicada na rede. uma tabela de feromnios contendo cada possvel destino na
rede e cada tabela contm uma entrada com o nvel de
33 34
feromnio da aresta que liga esse n com seus vizinhos.

Aplicaes Aplicaes
Telecommunications Telecommunications
vizinhos vizinhos
2 2
2 4 2 4
1
3
2 0.95 0.05 1
3
2 0.95 0.05
destino

destino

3 0.49 0.51 3 0.49 0.51

4 4
4 0.05 0.95 4 0.05 0.95

O algoritmo funciona basicamente como para o caso do TSP. A

Como exemplo, vamos visualizar a tabela do n 1 para uma rede cada iterao uma formiga colocada na rede com uma origem
com 4 ns. Nela podemos observar quais as probabilidades de e um destino aleatrios.
uma formiga tomar os dois caminhos possveis (2 e 4) para os Utilizando das tabelas de feromnio, essa formiga traa um
trs destinos finais (2, 3 e 4). trajeto probabilisticamente e, ao final, atualiza essas tabelas de
35 36
acordo com a qualidade da soluo.

6
 Aplicaes Aplicaes
Telecommunications Telecommunications
Schoonderwoerd R., O. Holland, J. Bruten and L. Rothkrantz (1997). Ant-based Load Balancing in
vizinhos Telecommunications Networks. Adaptive Behavior, 5(2):169-207.
2
2 4 Schoonderwoerd R., O. Holland and J. Bruten (1997). Ant-like Agents for Load Balancing in
Telecommunications Networks. Proceedings of Agents'97, Marina del Rey, CA, ACM Press, 209-216.
1
3
2 0.95 0.05 Di Caro G. and M. Dorigo (1997). AntNet: A Mobile Agents Approach to Adaptive Routing. Tech. Rep.

destino
IRIDIA/97-12, Universit Libre de Bruxelles, Belgium.
3 0.49 0.51
Di Caro G. and M. Dorigo (1998). Mobile Agents for Adaptive Routing. Proceedings of the 31st Hawaii
4
4 0.05 0.95 International Conference on System, IEEE Computer Society Press, Los Alamitos, CA, 74-83.

Di Caro G. & Dorigo M. (1998). AntNet: Distributed Stigmergetic Control for Communications
Networks. Journal of Artificial Intelligence Research (JAIR), 9:317-365.

Navarro Varela G. and M.C. Sinclair (1999). Ant Colony Optimisation for Virtual-Wavelength-Path
Routing and Wavelength Allocation. Proceedings of the Congress on Evolutionary Computation (CEC'99),
Essa aplicao diferente das outras abordagens pois ele nunca Washington DC, USA, July 1999.
converge (nunca para), sendo que a rede sofre constantes Ducatelle, F., G. Di Caro and L. M. Gambardella (2005). Using Ant Agents to Combine Reactive and
alteraes. Proactive Strategies for Routing in Mobile Ad Hoc Networks. International Journal of Computational
Intelligence and Applications (IJCIA), Special Issue on Nature-Inspired Approaches to Networks and
Telecommunications, Volume 5, Number 2, Pages 169-184, June 2005
37 38

Aplicaes Aplicaes
Quadratic Assigment Problem Quadratic Assigment Problem
A formulao desse problema descrita a seguir:

s.a.:

Esse um problema de permutao, onde necessrio encontrar a melhor

combinao de alocaes (i,j) onde cada cliente i est alocado apenas um
Dados p pontos denominados centros, alocar n pontos para centro j.
um centro de forma a minimizar a distncia total percorrida.
39 40
Ex.: redes de distribuio de uma fbrica.

Aplicaes Aplicaes
Quadratic Assigment Problem Quadratic Assigment Problem
Maniezzo V., A. Colorni and M. Dorigo (1994). The Ant System Applied to the Quadratic
Assignment Problem. Tech. Rep. IRIDIA/94-28, Universit Libre de Bruxelles, Belgium.

Maniezzo V., L. Muzio, A. Colorni and M. Dorigo (1994). Il sistema formiche applicato al
Para resolv-lo utilizando ACO, basta fazer com que cada formiga, ao problema dell'assegnamento quadratico. Technical Report No. 94-058, Politecnico di Milano,
invs de traar um caminho, escolha seqencialmente um par (i,j) at Italy, in Italian.

completar uma soluo.
A lista de movimentos tabu definida como (i,j) para cada elemento i que
j foi alocado e para cada centro j. Adicionalmente, a varivel ij
construda utilizando algum limitante inferior (limitantes de Gilmore e
Lawler) definido para este problema, servindo como indicativo da
qualidade de cada pedao da soluo.
Taillard E. and L. M. Gambardella (1997). An Ant Approach for Structured Quadratic
Assignment Problems. 2nd Metaheuristics International Conference (MIC-97), Sophia-Antipolis,
France - July 21-24, 1997.
Maniezzo V. (1998). Exact and approximate nondeterministic tree-search procedures for the
quadratic assignment problem. Research Report CSR 98-1, Scienze dell'Informazione,
Universit^ di Bologna, Sede di Cesena, Italy.
Gambardella L. M., E. Taillard and M. Dorigo (1999). Ant Colonies for the Quadratic
Assignment Problem. Journal of the Operational Research Society, 50:167-176.

Maniezzo V. and A. Colorni (1999). The Ant System Applied to the Quadratic Assignment
Problem. IEEE Transactions on Knowledge and Data Engineering, to appear.

Sttzle T. and M. Dorigo (1999). ACO Algorithms for the Quadratic Assignment Problem. In
41 D. Corne, M. Dorigo and F. Glover, editors, New Ideas in Optimization, McGraw-Hill. 42

7
 Aplicaes Aplicaes
P-Medianas P-Medianas
Nesse caso deve-se resolver dois problemas: primeiro encontrar um grupo
de p centros e, em seguida, alocar todos os clientes esses centros.

A formulao desse problema fica:

s.a.:

O mesmo problema anterior mas tambm necessrio escolher

a localizao dos centros. 43 44
Ex.: planejamento de instalaes de novas fbricas

Aplicaes Aplicaes
P-Medianas P-Medianas
Onde: Para aplicar o ACO a esse problema, o feromnio deixa de ser matriz e
n = nmero de ns em um grafo passa a ser um vetor i representando a probabilidade de um n ser escolhido
ai = demanda do n i para fazer parte do conjunto de medianas.
cj = capacidade da mediana j
dij = distncia entre ns i e j As formigas ento escolhem seqencialmente, pela equao probabilstica,
p = nmero de medianas a serem alocadas se um dado n far parte da soluo ou no at que uma soluo seja
formada.

Ao escolher as medianas, aplicado uma heurstica construtiva para

resolver o problema de alocao gerado.

A varivel i calculada a partir de uma frmula de densidade definida

como a razo entre o nmero de ns mais prximos a i que podem ser
alocados sem que desrespeite a demanda e a soma da distncia total
percorrida.
45 46

Aplicaes Aplicaes
P-Medianas Scheduling (escalonamento)

De Frana, F. O., F. J. Von Zuben e L. N. de Castro. Definition of Capacited p-Medians by a Modified

Max Min Ant System with Local Search. ICONIP - 2004 11th International Conference on Neural
Information Processing - SPECIAL SES-SION ON ANT COLONY AND MULTI-AGENT
SYSTEMS, v.3316, 2004, p.1094-110. 2004a.

De Frana, F. O., F. J. Von Zuben e L. N. de Castro. A Max Min Ant System Applied To The
Capacitated Clustering Problem. 2004 IEEE Workshop on Machine Learning for Signal Processing.
So Luiz, Brasil: Proceedings of the 2004 IEEE International Workshop on Machine Learning for
Signal Processing, 2004b. 755-764 p.

De Frana, F. O., F. J. Von Zuben e L. N. de Castro. Max Min Ant System and Capacitated p-Medians:
Extensions and Improved Solutions. Informatica, v.29, n.2, p.163-171. 2005.

Dividir n tarefas para m mquinas de forma a obter o mximo

aproveitamento ou menor tempo de processamento possvel.
47
Ex.: escalonamento de processos em uma CPU, diviso de48
projetos em uma empresa.

8
 Aplicaes Aplicaes
Scheduling (escalonamento) Scheduling (escalonamento)
Para utilizarmos o ACO nesse problema, precisamos primeiro A outra matriz a matriz P, onde cada elemento pij determina
represent-lo na forma de grafo. o tempo gasto para executar a tarefa i na mquina j.
Primeiramente, deve-se definir duas matrizes, a matriz T =
{tij} onde cada elemento indica que a mquina tij deve ser Com essas duas matrizes, podemos montar um grafo onde
utilizada pela tarefa i na j-sima seqncia. Ex.: cada n representa um elemento da matriz T e o peso das arestas
so os elementos da matriz P em relao ao n destino (Ex.:
M1 M2 M3 caso a aresta indique que, aps alocar a tarefa 1 mquina 1
T = M3 M1 M2 devemos alocar a tarefa 2 mquina 3, ento o peso da aresta
ser p23).
M2 M1 M3
A lista de movimentos tabus definida como os elementos j
Na tabela T, podemos verificar que na tarefa 2 devemos usar as
escolhidos e os que no desrespeitam a precedncia de
mquinas M3, M1 e M2 nessa seqncia.
alocaes de mquinas de determinada tarefa.
49 50

Aplicaes
Scheduling
Colorni A., M. Dorigo, V. Maniezzo and M. Trubian (1994). Ant system for Job-shop Scheduling.
JORBEL - Belgian Journal of Operations Research, Statistics and Computer Science, 34(1):39-53.
Forsyth P. and A. Wren (1997). An Ant System for Bus Driver Scheduling. Presented at the 7th
International Workshop on Computer-Aided Scheduling of Public Transport, Boston, August 1997.
ACO para problemas contnuos
Uma forma de utilizar os conceitos de ACO para otimizao em
ambientes contnuos transformar a trilha de feromnio em uma
distribuio normal de probabilidade.
Como, na realidade, a trilha de feromnio deixada pelas formigas tem
uma intensidade crescente e contnua em direo fonte de alimento,
podemos dizer que a intensidade do feromnio tende a aumentar quando
caminhando em direo varivel x tima.

O feromnio ento se torna:

Onde xmin o ponto x onde foi obtido o menor valor at o momento e

a varivel que define a disperso.
51 52

ACO para problemas contnuos

ACO para problemas contnuos
- evoluo do nvel de feromnio -
A atualizao do feromnio feita em cima da varivel : 1 1 1

0.98 0.9
0.8

0.96 0.8
0.6

0.94
0.7
0.4
0.92
0.6
0.2
0.9
0.5

0
0.88
0.4
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x x

Onde: fj o valor da funo-objetivo obtido pela formiga j e fmin o

1

valor da menor soluo obtida at o momento.

1

0.8 0.8

Dessa forma, a cada iterao a altura da funo de distribuio aumenta 0.6 0.6

e sua largura diminui, convergindo para uma soluo no espao de 0.4 0.4

busca. 0.2 0.2

Na figura a seguir, pode-se observar o comportamento do nvel de 0 0

feromnio em torno de uma das variveis de um problema de otimizao 0 1 2 3 4 5

x
6 7 8 9 10 0 1 2 3 4 5
x
6 7 8 9 10

durante cinco iteraes. 53 54

9
 ACO para problemas contnuos Tpicos

Swarm Intelligence
Ant Colony Optimization ACO
Seid H. Pourtakdoust, Hadi Nobahari: An Extension of Ant Colony System to Continuous Optimization
Problems. ANTS Workshop 2004: 294-301 . Particle Swarm Optimization PSO
Mathur, M., Karale, S.B., Priye, S., Jayaraman, V.K., and Kulkarni, B.D. Ant Colony Approach to
Continuous Function Optimization. Ind. Eng. Chem. Res., 39, 10, 3814 - 3822,
Ant Clustering Algorithms - ACA
2000, 10.1021/ie990700g

55 56

Particle Swarm Optimization - PSO Particle Swarm Optimization - PSO

Craig Reynolds percebeu que a
movimentao de bandos de pssaros e
cardumes de peixes eram sincronizados sem
existir um controle central.

Ele ento criou um modelo do movimento de bandos de

pssaros composto apenas por 4 regras:

Separao: para evitar que cada pssaro colidisse com um outro

Alinhamento: para fazer com que cada pssaro seguisse a mesma
direo de seus vizinhos
Coeso: para que cada pssaro seguisse a mesma posio de seus
vizinhos
57
Desvio: para que cada pssaro desviasse de obstculos frente 58

Particle Swarm Optimization -

Particle Swarm Optimization - PSO
PSO
Em 1995, James Kennedy and Russell
Eberhart seguiram o modelo de Reynolds
para resolver problemas de otimizao
contnua.

Para isso, eles utilizaram as regras de alinhamento e coeso e

criaram um sistema de partculas denominado Particle Swarm
Optimization (PSO)

Inicialmente, no algoritmo, diversas partculas so espalhadas

59 aleatoriamente no espao de busca. 60

10
 Particle Swarm Optimization - Particle Swarm Optimization -
PSO PSO
(x-g)
v = .v + c1.r.(x-xl) + c2.r.(x-g)
(x-xl)
x=x+v

Iterativamente cada partcula utiliza a informao de sua E ento ela se move em uma combinao linear desses dois
melhor posio no passado (em cinza) e da melhor posio 61
vetores, com pesos diferentes, em uma nova posio. 62
atual entre seus vizinhos.

PSO PSO
- Por dentro das frmulas - - Algoritmo -
x = initialize()
fx = eval(x)
For it = 1 to max_it do,
x=x+v For i = 1 to n do,
v = . v + c1.r.(x-xl) + c2.r.(x-g) For j = 1 to m do,
Onde: vij = w*vij + c1*rand()*(xij xlij) + c2*rand()*(xij gij)
xij = xij + vij
x a posio da partcula
End
xl a melhor posio j visitada por essa partcula
End
g a melhor partcula da vizinhana
fx = eval(x)
v a velocidade (direo) de caminhada da partcula
End
o coeficiente de desacelerao
c1 e c2 so
Onde:
r uma varivel aleatria entre [0;1]
n o nmero de partculas
m a dimenso do problema

63 64

Particle Swarm Optimization - Tpicos

PSO
Swarm Intelligence
Eberhart, R. C. and Kennedy, J. A new optimizer using particle swarm theory. Proceedings of the
Sixth International Symposium on Micromachine and Human Science, Nagoya, Japan. pp. 39-43, Ant Colony Optimization ACO
1995
Particle Swarm Optimization PSO
Kennedy, J. and Eberhart, R. C. Particle swarm optimization. Proceedings of IEEE International
Conference on Neural Networks, Piscataway, NJ. pp. 1942-1948, 1995 Ant Clustering Algorithms - ACA
Kannan, S., Slochanal, S. M. R., Subbaraj, P., and Padhy, N. P., "Application of particle swarm
optimization technique and its variants to generation expansion planning problem," Electric Power
Systems Research, vol. In Press, Corrected Proof 2004.

Onwubolu, G. C. and Clerc, M., "Optimal path for automated drilling operations by a new heuristic
approach using particle swarm optimization," International Journal of Production Research, vol. 4
pp. 473-491, 2004.

65 66

11
Ant Clustering Algorithm

67

12