PSO: Optimización por enjambres de partículas

La Optimización por Enjambres de Partículas (conocida como PSO, por sus

siglas en inglés, Particle Swarm Optimization) es una técnica de
optimización/búsqueda. Aunque normalmente el PSO se usa en espacios de
búsqueda con muchas dimensiones, los ejemplos que se mostrarán aquí harán
uso de un espacio bidimensional, con el fin de facilitar la visualización, y
porque nuestro objetivo es puramente didáctico, esperando que el interesado
no encuentre dificultades en extenderlo a otros casos.
Este método fue descrito alrededor de 1995 por James Kennedy y Russell C.
Eberhart (Kennedy, J. & Eberhart, R. (1995), 'Particle swarm optimization',
Neural Networks, 1995. Proceedings., IEEE International Conference), y se
inspira en el comportamiento de los enjambres de insectos en la naturaleza.
En concreto, podemos pensar en un enjambre de abejas, ya que éstas a la hora
de buscar polen buscan la región del espacio en la que existe más densidad de
flores, porque la probabilidad de que haya polen es mayor. La misma idea fue
trasladada al campo de la computación en forma de algoritmo y se emplea en
la actualidad en la optimización de distintos tipos de sistemas.

Formalmente hablando, se supone que tenemos una función desconocida,

f(x,y), que podemos evaluar en los puntos que queramos pero a modo de caja
negra, por lo que no podemos conocer su expresión. El objetivo es el habitual
en optimización, encontrar valores de x e y para los que la función f(x,y) sea
máxima (o mínima, o bien verifica alguna relación extremal respecto a alguna
otra función). Como ya hemos visto en otras entradas similares, a f(x,y) se le
suele llamar función de fitness, ya que va a determinar cómo de buena es la
posición actual para cada partícula (a la función de fitness a veces también se
le llama "paisaje de fitness", ya que puede verse como un paisaje con valles y
colinas formados por los valores que toma la función).

Una primera aproximación para resolver este problema de calcular valores

extremales de una función bidimensional podría ser la selección aleatoria de
valores de x e y, y almacenar el mayor de los resultados encontrados, lo que
se conoce como una búsqueda aleatoria. Para muchos espacios de búsqueda
(normalmente, todos aquellos interesantes) este método es altamente
ineficiente, por lo que es imprescindible encontrar otros métodos más
"inteligentes" que, a pesar del desconocimiento de la función a optimizar,
ofrezcan más posibilidades de éxito que la simple búsqueda azarosa.

La idea que vamos a seguir en PSO comienza con un inicio similar, situando
partículas al azar en el espacio de búsqueda, pero dándoles la posibilidad de
que se muevan a través de él de acuerdo a unas reglas que tienen en cuenta
el conocimiento personal de cada partícula y el conocimiento global del
enjambre. Veremos que proporcionándoles una capacidad simple de
movimiento por este paisaje y de comunicación entre ellas pueden llegar a
descubrir valores particularmente altos para f(x,y) gastando pocos recursos
computacionales (cálculos, memoria y tiempo).

¿Cómo funciona?
Cada partícula (individuo) tiene una posición, p⃗ (que en 2 dimensiones vendrá
determinado por un vector de la forma (x,y)), en el espacio de búsqueda y una
velocidad, v⃗ (que en 2 dimensiones vendrá determinado por un vector de la
forma (vx,vy)), con la que se mueve a través del espacio. Además, como
partículas de un mundo real físico, tienen una cantidad de inercia, que los
mantiene en la misma dirección en la que se movían, así como una aceleración
(cambio de velocidad), que depende principalmente de dos características:
1. Cada partícula es atraída hacia la mejor localización que ella,
personalmente, ha encontrado en su historia (mejor personal).
2. Cada partícula es atraída hacia la mejor localización que ha sido
encontrada por el conjunto de partículas en el espacio de búsqueda
(mejor global).
La fuerza con que las partículas son empujadas en cada una de estas
direcciones depende de dos parámetros que pueden ajustarse (atracción-al-
mejor-personal y atracción-al-mejor-global), de forma que a medida que las
partículas se alejan de estas localizaciones mejores, la fuerza de atracción es
mayor. También se suele incluir un factor aleatorio que influye en cómo las
partículas son empujadas hacia estas localizaciones.
El paisaje se obtiene asignando aleatoriamente valores a cada uno de los
puntos de la malla, para posteriormente aplicar un proceso de difusión que
suaviza los valores obtenidos, lo que proporciona un espacio con numerosos
mínimos locales (valles) y máximos locales (colinas), por lo que su optimización
por medios más clásicos (como el ascenso de la colina) es dificultosa. Esta
función ha sido creada así solo con fines ilustrativos, ya que habitualmente en
aplicaciones reales del PSO la posición de las partículas pueden
corresponderse con parámetros diversos del problema (por ejemplo, de
predicción de un mercado de valores), y la función no tendrá las restricciones
ni características que aquí se imponen (en el mismo ejemplo, podría evaluarse
por medio de los datos históricos).
El algoritmo que sigue PSO se esboza a grandes rasgos en el siguiente código:

Lo intersante de este modelo es que cada partícula solo hace operaciones

vectoriales básicas (para actualizar las velocidades y posiciones basta realizar
algunas sumas de vectores), y como la experiencia muestra que hacen falta
pocas partículas y el número de iteraciones es bajo, la complejidad del proceso
se centra sobre todo en la evaluación del fitness de cada partícula en cada
iteración, algo que no puede evitarse y que depende exclusivamente del
problema específico que se quiera optimizar.
En consecuencia, este método de optimización es especialmente adecuado
cuando el coste de la función de fitness es muy elevado, pues requiere pocas
evaluaciones para encontrar valores cercanos al óptimo. Como inconveniente,
no podemos estar seguros de alcanzar el óptimo global, como pasa en todo
este tipo de metaheurísticas (problema que comparten todos los métodos de
optimización que trabajan con cajas negras).

Referencia:
http://www.cs.us.es/~fsancho/?e=70