Enxame de Partículas

Junior Reis
Introdução

 Otimização por enxame de partículas (do inglês: Particle Swarm Optmization - PSO) é
um algoritmo heurístico baseado no comportamento social de um bando de pássaros. O
método foi proposto por Eberhart e Kennedy em 1995, e tem como objetivo buscar a
solução ótima, em um espaço de busca, através da troca de informações entre
indivíduos de uma população determinando qual trajetória cada um deles deverá tomar
no espaço de busca.
O enxame de pássaros

 No PSO, as partículas são os indivíduos da população. Fazendo uma analogia, são os

pássaros de um bando. Esses pássaros exploram uma região, determinado pela função
objetiva (ou fitness), a fim de encontrar a solução ótima para o problema. A posição da
melhor partícula da população será a melhor posição individual, como exemplificado
na Figura
O enxame de pássaros

 A grande vantagem de utilizar o PSO é a sua fácil implementação, usando somente

estruturas primitivas e operadores matemáticos sem grande custo computacional.
Obviamente, como toda heurística, o PSO não garante a solução ótima e é comum o
método cair em mínimos locais. Por conta disso, existem diversas modificações no
algoritmo canônico do PSO (mas nenhuma garante o ótimo, apenas aumenta a chance
de sair dele). A versão apresentada a seguir é o algoritmo padrão.
O algoritmo do PSO

 O algoritmo do PSO é simples e são necessários poucos parâmetros para ajustes. O

primeiro dele é o tamanho da população. Normalmente é utilizado uma população 10x
a dimensão do problema, por exemplo, se estivermos otimizando a curva da Figura
abaixo, uma boa escolha da população será 30, pois a função a ser otimizada possui 3
dimensões, (x,y,z).
Topologias

 Existem duas formas básicas de organizar a população.

 Na topologia global, todas as partículas, representadas pelas bolinhas da figura, possuem

informações sobre todas as demais. Já na topologia local, uma partícula só possui informações
de sua vizinha esquerda e direita. A escolha da topologia pode evitar que o algoritmo caia
em mínimos locais. Por exemplo, se a função a ser otimizada é multimodal, ou seja, possui
muitos máximos e/ou mínimos, uma topologia global pode convergir para um
mínima/máximo local de maneira mais fácil do que a topologia local.
Equacionamento
Equacionamento
Passo a passo do algoritmo
Referências

 Eberhart, R. C. and Kennedy, J. (1995). A new optimizer using particle swarm theory.
In Proceedings of the sixth international symposium on micro machine and human
science, volume 1, pages 39–43. New York, NY.