Rastgele Parçacık Sürü Optimizasyonu — Rastgele Sürü Tabanlı Küresel Arama
Stochastic Particle Swarm Optimization (Stochastic PSO) · Ayrıca şöyle bilinir: Stochastic PSO, SPSO, Randomized PSO, Probabilistic PSO
Rastgele Parçacık Sürü Optimizasyonu (Rastgele PSO), standart PSO çerçevesini, yerel optimumlardan kaçmak ve arama boyunca popülasyon çeşitliliğini korumak için açık rastgelelik unsurları — rastgele atalet ağırlıkları, olasılıksal hız sıfırlamaları veya gürültü enjeksiyonları — ekleyerek genişleten bir sürü zekası meta-sezgisidir. Mühendislik, operasyon araştırması ve simülasyon tabanlı tasarım alanlarındaki sürekli, karma ve gürültülü optimizasyon problemlerine yaygın olarak uygulanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Arama manzarası çok modlu, gürültülü veya yüksek boyutlu olduğunda ve standart PSO erken yakınsamaya eğilim gösterdiğinde Rastgele PSO kullanın. Özellikle hedef fonksiyonunun rastgele veya değerlendirilmesinin pahalı olduğu simülasyon tabanlı optimizasyon ve birçok yerel minimuma sahip mühendislik tasarım problemleri için uygundur. Çeşitlilik bakımının kritik olduğu durumlarda deterministik varyantlara tercih edin. Düz, tek modlu bir hedefe sahip ve ucuz değerlendirmeleri olan problemler için KULLANMAYIN — gradyan tabanlı veya kesin yöntemler daha hızlı ve daha doğru olacaktır. Ayrıca, rastgele bir tohum politikası olmaksızın her çalıştırmanın tekrarlanabilirliğinin önemli olduğu durumlarda, rastgele gürültünün kesin tekrarlamayı karmaşıklaştırması nedeniyle bundan kaçının.
Güçlü yönler & sınırlılıklar
- Kontrollü rastgelelik yoluyla popülasyon çeşitliliğini korur, standart PSO'ya kıyasla erken yakınsamayı önemli ölçüde azaltır.
- Gradyan bilgisi gerektirmez ve pürüzsüz olmayan, süreksiz veya kara kutu hedef fonksiyonlarını işler.
- Kolayca paralelleştirilebilir: her parçacık değerlendirmesi bir yineleme içinde bağımsızdır.
- Esnektir: rastgelelik derecesi (gürültü seviyesi, atalet dağılımı) keşif ve sömürü arasında denge kurmak için ayarlanabilir.
- Değerlendirmelerin doğal olarak gürültü taşıdığı rastgele veya simülasyon tabanlı fitness fonksiyonlarını doğal olarak işler.
- Kavramsal olarak az sayıda hiperparametre ile basittir (sürü boyutu N, bilişsel c1, sosyal c2 katsayıları ve gürültü parametreleri).
- Hiperparametre hassasiyeti: gürültü parametreleri ve atalet ağırlığı dağılımı yakınsama hızını ve çözüm kalitesini güçlü bir şekilde etkiler.
- Keyfi dışbükey olmayan problemler için sonlu zamanda küresel optimumu bulma garantisi yoktur.
- Rastgele yeniden başlatmalar umut vadeden parçacıkları atabilir, ara sıra fitness değerlendirmelerini boşa harcayabilir.
- Performans, problem özelindeki yöntemlere kıyasla çok yüksek boyutlu uzaylarda (boyutluluk laneti) düşer.
- Çözüm kalitesine güven oluşturmak için birden fazla çalıştırma gerekebilir, bu da toplam hesaplama maliyetini artırır.
SSS
Rastgele PSO, standart PSO'dan nasıl farklıdır?
Standart PSO zaten her yinelemede üniform olarak çekilen rastgele r1 ve r2 katsayılarını kullanır. Rastgele PSO, daha güçlü çeşitlilik bakımı sağlamak için bu rastgeleliği kasıtlı olarak yapılandırır veya artırır — örneğin, her yinelemede atalet ağırlığı omega'yı bir olasılık dağılımından örnekleyerek, parçacık konumlarına Gauss gürültüsü ekleyerek veya durağan parçacıkları olasılıksal olarak yeniden başlatarak.
Kaç parçacık kullanmalıyım?
Yaklaşık 30 boyuta kadar olan problemler için yaygın bir başlangıç noktası 20-50 parçacıktır. Daha büyük sürülerin (50-200) yüksek boyutlu veya yüksek derecede çok modlu uzaylarda kapsama alanını iyileştirmesi, yineleme başına daha fazla fonksiyon değerlendirmesi maliyetiyle mümkündür.
Rastgele pertürbasyonlar için gürültü varyansını nasıl seçmeliyim?
Problem sınıfınızın temsili bir örneği üzerinde kalibre edin. Pratik bir sezgi, eklenen gürültünün standart sapmasını boyut başına arama uzayı genişliğinin kabaca %1-5'i olarak ayarlamak ve ardından yakınsama tanılarına göre ayarlamaktır — çeşitlilik metriği, bütçe tükenmeden sıfıra yakın çökmemelidir.
Neden Rastgele PSO'yu Diferansiyel Evrim veya Genetik Algoritmalar yerine tercih etmeliyim?
Rastgele PSO, sürekli, düşük ila orta boyutlu problemler üzerinde daha hızlı yakınsama eğilimindedir ve uygulaması çok basittir. Diferansiyel Evrim ve Genetik Algoritmalar genellikle kombinatoryal veya ayrık yapıları daha iyi işler. Probleminiz tamamen sürekli ve çok modlu ise, Rastgele PSO güçlü bir ilk tercihtir.
Rastgele PSO çok amaçlı problemler için uygun mudur?
Burada açıklanan tek amaçlı varyant, çok amaçlı problemler için doğrudan tasarlanmamıştır. Bunlar için, Pareto-non-dominant çözümlerin açık bir arşivini koruyan Çok Amaçlı PSO (MOPSO) veya NSGA-II kullanın.
Kaynaklar
- Kennedy, J., Eberhart, R. (1995). Particle swarm optimization. Proceedings of ICNN'95 - International Conference on Neural Networks, Vol. 4, pp. 1942-1948. IEEE. DOI: 10.1109/ICNN.1995.488968 ↗
- Clerc, M., Kennedy, J. (2002). The particle swarm - explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation, 6(1), 58-73. DOI: 10.1109/4235.985692 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Stochastic Particle Swarm Optimization (Stochastic PSO). ScholarGate. https://scholargate.app/tr/simulation/stochastic-particle-swarm-optimization
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çok Amaçlı Parçacık Sürü Optimizasyonu (MOPSO)Simülasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır
- Rastgele Evrimsel Optimizasyon AramaSimülasyon↔ karşılaştır
- Belirsizlik Altında Stokastik Çok Amaçlı OptimizasyonSimülasyon↔ karşılaştır