Parçacık Sürü Optimizasyonu (PSO)
Particle Swarm Optimization (PSO) · Ayrıca şöyle bilinir: PSO, swarm intelligence optimization, Parçacık Sürü Optimizasyonu (PSO)
Parçacık Sürü Optimizasyonu (PSO), 1995 yılında Kennedy ve Eberhart tarafından tanıtılan, kuş sürüleri ve balık okullarının kolektif hareketinden esinlenen popülasyon tabanlı bir meta-sezgisel algoritmadır. Her bir aday çözüm – parçacık olarak adlandırılır – kendi en iyi deneyimine ve tüm sürünün en iyi deneyimine dayanarak hızını ve konumunu güncelleyerek arama uzayında hareket eder, bu da sürekli optimizasyon problemlerinde hızlı yakınsamayı sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+25 tane daha
Ne zaman kullanılır
PSO, uygunluk fonksiyonunun arama uzayının herhangi bir noktasında değerlendirilebildiği ancak türevlenemeyen, çok modlu veya analitik olarak hesaplanması pahalı olabilen sürekli optimizasyon problemleri için uygundur. Herhangi bir normal varsayımına ve minimum örneklem büyüklüğüne ihtiyaç duymaz, bu da onu alanlar arasında uygulanabilir kılar. Yöntem, arama uzayı sınırları önceden bilindiğinde, atalet ağırlığı ve ivme katsayıları dikkatlice ayarlandığında ve yeterli sayıda iterasyon ayrıldığında en iyi şekilde çalışır. İterasyon sayısı çok düşükse (önemsiz olmayan problemler için birkaç yüzden az), erken yakınsama olasıdır ve Bayes optimizasyonu daha güvenli bir alternatif olabilir.
Güçlü yönler & sınırlılıklar
- Birçok popülasyon tabanlı yönteme kıyasla sürekli arama uzaylarında hızlı yakınsama.
- Ayarlanacak çok az parametre – öncelikle atalet ağırlığı ve iki ivme katsayısı.
- Gradyan veya türev bilgisi gerektirmez, bu da onu türevlenemeyen ve kara kutu uygunluk fonksiyonları için uygulanabilir kılar.
- Yüksek boyutlu sürekli problemlere doğal olarak ölçeklenir.
- Kavramsal olarak basittir ve uygulaması kolaydır.
- Sürekli arama uzayları için tasarlanmıştır; modifikasyon olmadan ayrık veya kombinatoryal problemlere doğrudan uygulanamaz.
- Erken yakınsama bilinen bir risktir: atalet ağırlığı ve katsayılar kötü seçilirse sürü yerel bir optimum etrafında kümelenebilir.
- Yakınsama hızı ve çözüm kalitesi, atalet ağırlığı ve ivme katsayılarının seçimine duyarlıdır.
- Sonlu sayıda iterasyonda küresel optimumu bulma konusunda teorik bir garanti yoktur.
SSS
PSO, genetik algoritmadan nasıl farklıdır?
Her ikisi de optimizasyon için popülasyon tabanlı meta-sezgisel yöntemlerdir, ancak mekanizmalarında farklılık gösterirler. Genetik algoritma, biyolojik evrimden esinlenen seçilim, çaprazlama ve mutasyon operatörleri aracılığıyla bir popülasyonu geliştirir. PSO bunun yerine parçacıkları kişisel ve sosyal hafızaya dayalı olarak hızları güncelleyerek sürekli bir uzayda hareket ettirir – çaprazlama veya mutasyon yoktur. PSO tipik olarak ayarlanacak daha az parametreye sahiptir ve sürekli problemler üzerinde genellikle daha hızlı yakınsar, oysa genetik algoritmalar ayrık veya kombinatoryal uzaylara daha doğal bir şekilde uyarlanabilir.
Temel parametreler nelerdir ve nasıl ayarlanmalıdır?
Üç temel parametre, önceki hızın ne kadarının korunduğunu kontrol eden atalet ağırlığı (w), bir parçacığın kişisel en iyisine doğru çekimi ölçeklendiren bilişsel katsayı (c1) ve küresel en iyisine doğru çekimi ölçeklendiren sosyal katsayıdır (c2). Literatürden yaygın bir başlangıç noktası, w'nin yaklaşık 0.7–0.9, c1 ve c2'nin ise yaklaşık 1.5–2.0 olmasıdır. Atalet ağırlığı genellikle iterasyonlar boyunca doğrusal olarak azaltılır, böylece sürü başlangıçta keşiften daha sonra sömürüye doğru kaydırılır.
PSO ayrık veya kombinatoryal problemleri işleyebilir mi?
Standart PSO sürekli arama uzayları için tanımlanmıştır ve reel değerli koordinatları varsayan hız ve konum güncellemelerini uygular. İkili PSO gibi ayrık veya kombinatoryal varyantlar mevcuttur – ancak bunlar güncelleme denklemlerine önemli modifikasyonlar gerektirir. Rota belirleme veya zamanlama gibi tamamen kombinatoryal problemler için Karınca Kolonisi Optimizasyonu genellikle daha doğal bir seçimdir.
Sürünün erken yakınsadığını nasıl anlarım?
Küresel en iyi uygunluk değerini iterasyonlar boyunca izleyin. Eğri, iterasyon bütçesi tükenmeden uzun süre önce düzleşirse ve bildirilen çözüm tatmin edici değilse, muhtemelen erken yakınsama meydana gelmiştir. Yaygın çözümler arasında atalet ağırlığını artırmak, sürüyü yeni rastgele konumlardan yeniden başlatmak veya sürü boyutunu artırmak yer alır. Hesaplama bütçesi daha fazla iterasyona izin vermiyorsa, Bayes optimizasyonu daha verimli bir alternatif olabilir.
Kaynaklar
- Kennedy, J. & Eberhart, R. (1995). Particle Swarm Optimization. IEEE International Conference on Neural Networks (ICNN), 1942-1948. DOI: 10.1109/ICNN.1995.488968 ↗
- Shi, Y. & Eberhart, R. (1998). A Modified Particle Swarm Optimizer. IEEE Congress on Evolutionary Computation (CEC). link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Particle Swarm Optimization (PSO). ScholarGate. https://scholargate.app/tr/optimization/particle-swarm-optimization
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karınca Kolonisi OptimizasyonuOptimizasyon↔ karşılaştır
- Bayesçi OptimizasyonOptimizasyon↔ karşılaştır
- Differential EvolutionOptimizasyon↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Grey Wolf OptimizerOptimizasyon↔ karşılaştır
- Simulated AnnealingOptimizasyon↔ karşılaştır