particle swarm optimization

Angol

Főnév

particle swarm optimization (tsz. particle swarm optimizations)

(informatika) részecskeraj optimalizálás

Particle Swarm Optimization (PSO) – magyarul: részecske-raj optimalizáció – egy metaheurisztikus optimalizáló algoritmus, amelyet Kennedy és Eberhart dolgozott ki az 1990-es években. Az algoritmus természetes viselkedésen alapul, különösen azokon a mintákon, ahogyan madárcsapatok vagy halrajok közösen mozognak, és alkalmazkodnak a környezetükhöz.

🧠 1. Alapötlet

A PSO egy raj-intelligencián alapuló módszer, ahol minden „részecske” egy-egy lehetséges megoldást képvisel a keresési térben, és a raj közösen keresi a globális optimumot.

⚙️ 2. Alapfogalmak

Részecske (particle): egy lehetséges megoldás
Pozíció: a részecske aktuális állapota a keresési térben
Sebesség: irány és mérték, amellyel a részecske mozog
Személyes legjobb (pBest): a részecske eddigi legjobb megoldása
Globális legjobb (gBest): az összes részecske közül a legjobb megoldás

🔄 3. Működési mechanizmus (lépések)

Inicializálás: részecskék véletlenszerű helyeken a keresési térben
Minden részecske:
- Kiszámítja a célfüggvény értékét a pozíciójában
- Frissíti saját legjobbját (pBest)
A raj frissíti a globális legjobb megoldást (gBest)
A részecskék sebessége és pozíciója frissül:

$v_{i}^{(t+1)}=w\cdot v_{i}^{(t)}+c_{1}\cdot r_{1}\cdot (pBest_{i}-x_{i}^{(t)})+c_{2}\cdot r_{2}\cdot (gBest-x_{i}^{(t)})$

$x_{i}^{(t+1)}=x_{i}^{(t)}+v_{i}^{(t+1)}$

Ahol:

${\textstyle w}$ : tehetetlenségi súly
${\textstyle c_{1},c_{2}}$ : tanulási együtthatók
${\textstyle r_{1},r_{2}}$ : véletlen számok [0,1] intervallumból

Ismétlés az iterációs határig vagy konvergenciáig

📈 4. Vizualizációs kép

Képzelj el madarakat egy mező felett, akik keresik a táplálékot (optimum). Minden madár:

Emlékszik, hol talált eddig sokat
Figyeli a többieket, és azok irányába mozog
Közösen próbálják megtalálni a legjobb pontot

🧪 5. Felhasználási területek

🧬 Nemlineáris függvények optimalizálása
🔄 Neurális hálók súlyainak optimalizálása
📊 Clustering, jelfeldolgozás
🧠 Feature selection, gépi tanulás
⚙️ Ipari vezérlés és tuning (PID szabályozók optimalizálása)

🐍 6. Egyszerű Python példa (`pyswarm` könyvtárral)

from pyswarm import pso

def sphere(x):  # célfüggvény: minimuma x=0-nál
    return sum([xi**2 for xi in x])

lb = [-5, -5]  # alsó határok
ub = [5, 5]    # felső határok

best_position, best_value = pso(sphere, lb, ub)
print("Legjobb hely:", best_position)
print("Legjobb érték:", best_value)

⚖️ 7. Előnyök és hátrányok

✅ Előnyök:

Könnyen implementálható
Nem igényel derivált vagy gradiens
Párhuzamosítható
Jól működik komplex és többdimenziós keresési tereken

❌ Hátrányok:

Könnyen helyi minimumba ragadhat
Érzékeny a paraméterekre (sebesség, súly, c1, c2)
Nem garantált a globális optimum

🧾 8. Összefoglalás

A Particle Swarm Optimization (PSO):

Egy metaheurisztikus, inspirált optimalizáló algoritmus
Alapja a kollektív viselkedés: minden részecske tanul önmagától és társaitól
Hatékony megoldás nem konvex, többdimenziós, deriválható vagy nem deriválható problémákra
Számos mérnöki, tudományos és AI-alkalmazásban használható

További információk

particle swarm optimization - Szótár.net (en-hu)
particle swarm optimization - Sztaki (en-hu)
particle swarm optimization - Merriam–Webster
particle swarm optimization - Cambridge
particle swarm optimization - WordNet
particle swarm optimization - Яндекс (en-ru)
particle swarm optimization - Google (en-hu)
particle swarm optimization - Wikidata
particle swarm optimization - Wikipédia (angol)