Particle Swarm Optimization: differenze tra le versioni

Versione delle 09:34, 1 set 2011

Versione delle 13:44, 13 ott 2011

Riga 1:

{{F|informatica|luglio 2011}}

In [[informatica]], la '''particle swarm optimization''' ('''PSO'''), traducibile come "ottimizzazione con sciami di particelle", è un [[algoritmo]] di ottimizzazione e appartiene ad una particolare classe di algoritmi utilizzati in diversi campi, tra cui l'[[intelligenza artificiale]]. È un metodo [[euristico]] di ricerca ed ottimizzazione, ispirato al movimento degli [[sciame|sciami]].

{{W|informatica|marzo 2011}}

In [[informatica]], la '''particle swarm optimization''' (PSO, traducibile come "ottimizzazione con sciami di particelle") è un [[algoritmo]] computazionale iterativo per l'ottimizzazione di problemi. Ad ogni iterazione, l'algoritmo identifica un nuovo "candidato all'ottimo" nello spazio di ricerca, sulla base di una specifica [[misura di qualità]] (fitness). La PSO rientra nell'egida delle meta-euristiche, poiché non fa alcuna assunzione sul problema e consente l'esplorazione di larghissimi spazi di soluzioni. Per come è strutturato l'algoritmo, tuttavia, non c'è alcuna garanzia che la soluzione ottima verrà mai trovata.

La particle swarm optimizationL'algoritmo non fa uso di un gradiente nel corso dell'ottimizzazione, dunque non è richiesta la differenziabilità del problema da analizzare, cosa che invece avviene nei metodi di ottimizzazione tradizionali come la [[discesa del gradiente]]. Per questa ragione, può essere utilizzata con successo in problemi di ottimizzazione irregolari, rumorosi, variabili nel tempo, eccetera.

La PSO ottimizza un problema utilizzando una popolazione di soluzioni candidate (dette "particelle", le ''particle'') che si spostano nello spazio di ricerca sulla base di semplici formule, che tengono in considerazione la loro velocità di spostamento corrente, le loro conoscenze dello spazio di fitness (ovvero la migliore soluzione che hanno esplorato finora) e la conoscenza condivisa (cioè la miglior soluzione generale identificata). L'algoritmo consente di pesare queste tre componenti (inerzia, cognitiva e sociale) e utilizza dei piccoli jittering casuali per minimizzare la possibilità di intrappolamento in minimi locali.

Riga 12:

==Note==

<references/>

{{Portale|matematica}}

[[Categoria:Intelligenza artificiale]]

[[Categoria:Apprendimento automatico]]

[[Categoria:Algoritmi di ottimizzazione]]

[[Categoria:Matematica per la genetica]]

[[cs:Optimalizace hejnem částic]]