Melhorando a Otimização por Enxame de Partículas Com Parâmetros Auto-adaptativos, Invariância Rotacional e Controle de Diversidade
Otimização por enxame de partículas. Ajuste adaptativo. Invariância Rotacional. Controle de diversidade.
Particle Swarm Optimization (PSO) é uma técnica de inteligência de enxame baseada no comportamento coletivo de cardume de peixes e bando de pássaros, que se mostra eficaz na resolução de problemas de otimização. Porém, possuem versões que são dependentes da rotação do sistema de coordenadas do problema, apresentando variância rotacional ou falta de diversidade direcional no movimento das partículas, além da sensibilidade elevada quanto à configuração de seus parâmetros e convergência prematura com perda rápida da diversidade do enxame. Este trabalho aborda essas questões, apresentando o Rotationally Invariant Attractive and Repulsive eXpanded PSO (RI-AR-XPSO) e Rotationally Invariant Semi-Autonomous eXpanded PSO (RI-SAXPSO) como melhorias das variantes Rotationally Invariant Semi-Autonomous PSO (RI-SAPSO) e eXpanded PSO (XPSO) respectivamente. São feitas avaliações na invariância rotacional dos algoritmos e no comportamento do enxame, utilizando funções clássicas da literatura e ambas propostas são testadas com os problemas de otimização do benchmark Congress on Evolutionary Computation (CEC) 2017. O estudo leva em conta testes de significância estatística dos resultados obtidos e mostra que utilizar estratégias, como realizar o controle de diversidade e ajustes automáticos de parâmetros durante a execução, bem como possuir diversidade direcional e invariância rotacional, resultam em melhorias de desempenho sem perda de eficiência da técnica.