روش بهینه سازی ازدحام ذرات ( به انگلیسی: Particle swarm optimization ) یا به اختصار PSO، یک روش سراسری بهینه سازی است که با استفاده از آن می توان با مسائلی که جواب آن ها یک نقطه یا سطح در فضای n بعدی می باشد، برخورد نمود. در اینچنین فضایی، فرضیاتی مطرح می شود و یک سرعت ابتدایی به آن ها اختصاص داده می شود، همچنین کانال های ارتباطی بین ذرات در نظر گرفته می شود. سپس این ذرات در فضای پاسخ حرکت می کنند، و نتایج حاصله بر مبنای یک «ملاک شایستگی» پس از هر بازهٔ زمانی محاسبه می شود. با گذشت زمان، ذرات به سمت ذراتی که دارای ملاک شایستگی بالاتری هستند و در گروه ارتباطی یکسانی قرار دارند، شتاب می گیرند. علی رغم اینکه هر روش در محدوده ای از مسائل به خوبی کار می کند، این روش در حل مسائل بهینه سازی پیوسته موفقیت بسیاری از خود نشان داده است.
الگوریتم PSO یک الگوریتم جستجوی جمعی است که از روی رفتار اجتماعی دسته های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز هم زمان پرندگان و تغییر ناگهانی مسیر آن ها و تغییر شکل بهینهٔ دسته به کار گرفته شد. در PSO، ذرات در فضای جستجو جاری می شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است؛ بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر می گذارد. نتیجهٔ مدل سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می کنند. ذرات از یکدیگر می آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی اش وجود دارد، تنظیم می کند.
راه حل یک مسأله یک فرد در نظر گرفته می شود، یک انسانی که بال دارد و می تواند پرواز کند. یک انسان بال دار که در فضای مسئله، فضایی که در آن کلی راه حل وجود دارد از راه حل خوب خوب هست تا راه حل بد بد می تواند پرواز کند. [ ۱]
هوش جمعی خاصیتی است سیستماتیک که در این سیستم، عامل ها به طور محلی با هم همکاری می نمایند و رفتار جمعی تمام عامل ها باعث یک همگرایی در نقطهای نزدیک به جواب بهینه سراسری می شود نقطه قوت این الگوریتم ها عدم نیاز آن ها به یک کنترل سراسری می باشد. هر ذره ) عامل ) در این الگوریتم ها خود مختاری نسبی دارد که می تواند در سراسر فضای جواب ها حرکت کند و می بایست با سایر ذرات ( عامل ها ) همکاری داشته باشد. دو الگوریتم مشهور هوش جمعی، بهینه سازی لانه مورچگان و بهینه سازی توده ذرات می باشند. از هر دو این الگوریتم ها می توان برای تعلیم شبکه های عصبی بهره برد [ ۲] .
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفالگوریتم PSO یک الگوریتم جستجوی جمعی است که از روی رفتار اجتماعی دسته های پرندگان مدل شده است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز هم زمان پرندگان و تغییر ناگهانی مسیر آن ها و تغییر شکل بهینهٔ دسته به کار گرفته شد. در PSO، ذرات در فضای جستجو جاری می شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است؛ بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر می گذارد. نتیجهٔ مدل سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می کنند. ذرات از یکدیگر می آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته است و بهترین مکانی که در کل همسایگی اش وجود دارد، تنظیم می کند.
راه حل یک مسأله یک فرد در نظر گرفته می شود، یک انسانی که بال دارد و می تواند پرواز کند. یک انسان بال دار که در فضای مسئله، فضایی که در آن کلی راه حل وجود دارد از راه حل خوب خوب هست تا راه حل بد بد می تواند پرواز کند. [ ۱]
هوش جمعی خاصیتی است سیستماتیک که در این سیستم، عامل ها به طور محلی با هم همکاری می نمایند و رفتار جمعی تمام عامل ها باعث یک همگرایی در نقطهای نزدیک به جواب بهینه سراسری می شود نقطه قوت این الگوریتم ها عدم نیاز آن ها به یک کنترل سراسری می باشد. هر ذره ) عامل ) در این الگوریتم ها خود مختاری نسبی دارد که می تواند در سراسر فضای جواب ها حرکت کند و می بایست با سایر ذرات ( عامل ها ) همکاری داشته باشد. دو الگوریتم مشهور هوش جمعی، بهینه سازی لانه مورچگان و بهینه سازی توده ذرات می باشند. از هر دو این الگوریتم ها می توان برای تعلیم شبکه های عصبی بهره برد [ ۲] .
