Schwarmintelligenz und evolutionäre Algorithmen in ...

3.2 Particle Swarm Optimization
Abbildung 3.12: Zwei exemplarische soziale Netze in Schwärmen. Links Ring, rechts Stern.
mit der Nachbarschaft definiert als
N i = {y i−nNi (t), y i−nNi +1(t), · · · , y i−1(t) (t), y i (t), y i+1 (t), · · · , y i+nNi (t)}
für Nachbarschaften der Größe n. Die persönlich beste Position wird wie beim global best PSO
bestimmt.
Untersuchungen der Partikelflugbahnen des bisher vorgestellten, klassischen PSO haben gezeigt,
dass dieser nicht immer zum globalen Optimum konvergiert [23]. Daher wurden eine
Reihe von Erweiterungen vorgeschlagen, die eine schnellere und zuverlässigere Konvergenz
sicherstellen sollen.
Velocity Clamping Ein wichtiger Aspekt eines Optimierungsalgorithmus ist der Kompromiss
zwischen Exploration und Exploitation des Suchraums. Exploration ist die weitläufige
Suche im gesamten Raum, während Exploitation die genauere lokale Suche beschreibt. Für
einen erfolgreichen Optimierungsalgorithmus sollte beides ungefähr gleichmäßig vorhanden
sein [23].
Wenn in den Gleichungen 3.2 und 3.1 die Geschwindigkeitsvektoren berechnet werden,
kann es vorkommen, dass vor allem für weit außerhalb der lokalen und globalen Optima
des Schwarms liegende Partikel ein sehr großes Positionsupdate berechnet wird. Das hat die
Folge, das Partikel aus dem Suchraum heraus fliegen. Dieses Verhalten kann man verhindern,
indem man eine Schranke V max für die maximale Positionsänderung einführt:
v i (t + 1) =
{
v i (t + 1)
if v i (t + 1) < V max
V max if v i (t + 1) ≥ V max
37