06.11.2013 Aufrufe

Schwarmintelligenz und evolutionäre Algorithmen in ...

Schwarmintelligenz und evolutionäre Algorithmen in ...

Schwarmintelligenz und evolutionäre Algorithmen in ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

4 Recommender mit <strong>Schwarm<strong>in</strong>telligenz</strong> <strong>und</strong> <strong>evolutionäre</strong>n <strong>Algorithmen</strong><br />

Erberhart et al. [21] schlägt e<strong>in</strong>e schrittweise l<strong>in</strong>eare Verr<strong>in</strong>gerung von 0.9 nach 0.4 für w vor,<br />

die folgendermaßen umgesetzt werden kann:<br />

w(t) = (w(0) − w(n t )) (n t − t)<br />

n t<br />

+ w(n t ) (4.3)<br />

mit n t als Gesamtanzahl der Iterationen des entsprechenden Laufs, w(0) als Startwert <strong>und</strong><br />

w(n t ) als Endwert für w.<br />

E<strong>in</strong>e weitere Möglichkeit ist die zufällige Anpassung von w. Entweder wird w aus e<strong>in</strong>er<br />

Gauss’schen Normalverteilung N(0.72, σ) gezogen, mit σ kle<strong>in</strong> genug das w deutlich größer<br />

1 ist. Der Erwartungswert von 0.72 entspricht dem Vorschlag von Clerc [16], mehr dazu im<br />

weiteren Verlauf dieses Abschnitts. Oder w wird über die Zufallszahlen <strong>und</strong> Konstanten des<br />

wie folgt PSO berechnet:<br />

w = (c 1 r 1 + c 2 r 2 ). (4.4)<br />

Clerc [16] schlägt <strong>in</strong> se<strong>in</strong>er Arbeit e<strong>in</strong>e Alternative zum Trägheitsgewicht vor, bei dem die<br />

Geschw<strong>in</strong>digkeiten im PSO durch e<strong>in</strong>en Faktor χ beschränkt werden. Diese Faktor stellt die<br />

Konvergenz des Partikelschwarms sicher <strong>und</strong> wird wie folgt berechnet:<br />

v ij (t + 1) = χ[v ij (t) + c 1 r 1j (t)(y ij (t) − x ij (t)) + c 2 r 2j (t)(ŷ j (t) − x ij (t))] (4.5)<br />

wobei<br />

mit φ = c 1 r 1 + c 2 r 2 <strong>und</strong> κ ∈ [0, 1].<br />

χ =<br />

2κ<br />

|2 − φ − √ φ(φ − 4)|<br />

Eberhart et al. [21] nutzen diese Theorie <strong>und</strong> geben konkrete Werte für w, c 1 <strong>und</strong> c 2 an:<br />

0.5 + rand<br />

w =<br />

2.0<br />

(4.6)<br />

c 1 = c 2 = 1.494 (4.7)<br />

mit rand als Zufallszahl im Intervall [0.5, 1.0] mit Erwartungswert 0.75, was <strong>in</strong> etwa den oben<br />

genannten Untersuchungen von Clerc entspricht.<br />

Beschleunigungskoeffizienten Für die Beschleunigungskoeffizienten c 1 <strong>und</strong> c 2 <strong>in</strong> Formel<br />

3.1 wählt Ujj<strong>in</strong> et. al. jeweils den Wert 1.494. Diese beiden Koeffizienten bestimmen,<br />

wie stark die Partikel <strong>in</strong> Richtung der globalen <strong>und</strong> lokalen besten Position gezogen werden.<br />

Niedrige Werte erlauben, dass sich die Partikel weiter von der Zielposition entfernen dürfen,<br />

höhere Werte bewirken, dass sich Partikel schnell <strong>in</strong> Richtung des Ziels bewegen. Die Wahl<br />

des Wertes 1.494 stützt sich auf die Untersuchungen von Eberhart et al. [21] bzw. Clerc [16],<br />

dessen Beschränkungsfaktor schon besprochen wurde. E<strong>in</strong> Nebenprodukt der Berechnung<br />

dieses Faktors s<strong>in</strong>d konkrete Werte für c 1 <strong>und</strong> c 2 , die laut Eberhart [21] problemunabhängig<br />

e<strong>in</strong>gesetzt werden können <strong>und</strong> empirisch gute Lösungen ergeben haben.<br />

50

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!