« Ejercicios de Autómat… « || Inicio || » Algoritmos de hormiga… »

PSO: Optimización por enjambres de partículas

Última modificación: 18 de Noviembre de 2016, y ha tenido 5598 vistas

Etiquetas utilizadas: || || ||

La Optimización por Enjambres de Partículas (conocida como PSO, por sus siglas en inglés, Particle Swarm Optimization) es una técnica de optimización/búsqueda. Aunque normalmente el PSO se usa en espacios de búsqueda con muchas dimensiones, los ejemplos que se mostrarán aquí harán uso de un espacio bidimensional, con el fin de facilitar la visualización, y porque nuestro objetivo es puramente didáctico, esperando que el interesado no encuentre dificultades en extenderlo a otros casos.

Este método  fue descrito alrededor de 1995 por James Kennedy y Russell C. Eberhart (Kennedy, J. & Eberhart, R. (1995), 'Particle swarm optimization', Neural Networks, 1995. Proceedings., IEEE International Conference), y se inspira en el comportamiento de los enjambres de insectos en la naturaleza. En concreto, podemos pensar en un enjambre de abejas, ya que éstas a la hora de buscar polen buscan la región del espacio en la que existe más densidad de flores, porque la probabilidad de que haya polen es mayor. La misma idea fue trasladada al campo de la computación en forma de algoritmo y se emplea en la actualidad en la optimización de distintos tipos de sistemas.

Formalmente hablando, se supone que tenemos una función desconocida, \(f(x,y)\), que podemos evaluar en los puntos que queramos pero a modo de caja negra, por lo que no podemos conocer su expresión. El objetivo es el habitual en optimización, encontrar valores de \(x\) e \(y\) para los que la función \(f(x,y)\) sea máxima (o mínima, o bien verifica alguna relación extremal respecto a alguna otra función). Como ya hemos visto en otras entradas similares, a \(f(x,y)\) se le suele llamar función de fitness, ya que va a determinar cómo de buena es la posición actual para cada partícula (a la función de fitness a veces también se le llama "paisaje de fitness", ya que puede verse como un paisaje con valles y colinas formados por los valores que toma la función).

Una primera aproximación para resolver este problema de calcular valores extremales de una función bidimensional podría ser la selección aleatoria de valores de \(x\) e \(y\), y almacenar el mayor de los resultados encontrados, lo que se conoce como una búsqueda aleatoria. Para muchos espacios de búsqueda (normalmente, todos aquellos interesantes) este método es altamente ineficiente, por lo que es imprescindible encontrar otros métodos más "inteligentes" que, a pesar de el desconocimiento de la función a optimizar, ofrezcan más posibilidades de éxito que la simple búsqueda azarosa.

La idea que vamos a seguir en PSO comienza con un inicio similar, situando partículas al azar en el espacio de búsqueda, pero dándoles la posibilidad de que se muevan a través de él de acuerdo a unas reglas que tienen en cuenta el conocimiento personal de cada partícula y el conocimiento global del enjambre. Veremos que proporcionándoles una capacidad simple de movimiento por este paisaje y de comunicación entre ellas pueden llegar a descubrir valores particularmente altos para \(f(x,y)\) gastando pocos recursos computacionales (cálculos, memoria y tiempo). 

¿Cómo funciona?

Cada partícula (individuo) tiene una posición, \(\vec{p}\) (que en 2 dimensiones vendrá determinado por un vector de la forma \((x, y)\)), en el espacio de búsqueda y una velocidad, \(\vec{v}\) (que en 2 dimensiones vendrá determinado por un vector de la forma \((v_x, v_y)\)), con la que se mueve a través del espacio. Además, como partículas de un mundo real físico, tienen una cantidad de inercia, que los mantiene en la misma dirección en la que se movían, así como una aceleración (cambio de velocidad), que depende principalmente de dos características:

  1. Cada partícula es atraída hacia la mejor localización que ella, personalmente, ha encontrado en su historia (mejor personal).
  2. Cada partícula es atraída hacia la mejor localización que ha sido encontrada por el conjunto de partículas en el espacio de búsqueda (mejor global).
 
La fuerza con que las partículas son empujadas en cada una de estas direcciones depende de dos parámetros  que pueden ajustarse (atracción-al-mejor-personal y atracción-al-mejor-global), de foma que a medida que las partículas se alejan de estas localizaciones mejores, la fuerza de atracción es mayor. También se suele incluir un factor aleatorio que influye en cómo las partículas son empujadas hacia estas localizaciones.

En el modelo que puedes encontrar en los recursos del curso de IA, y solo a modo de ejemplo, se intenta optimizar una función que viene determinada por los valores sobre una malla. El paisaje se obtiene asignando aleatoriamente valores a cada uno de los puntos de la malla, para posteriormente aplicar un proceso de difusión que suaviza los valores obtenidos, lo que proporciona un espacio con numerosos mínimos locales (valles) y máximos locales (colinas), por lo que su optimización por medios más clásicos (como el ascenso de la colina) es dificultosa. Esta función ha sido creada así solo con fines ilustrativos, ya que habitualmente en aplicaciones reales del PSO la posición de las partículas pueden corresponderse con parámetros diversos del problema (por ejemplo, de predicción de un mercado de valores), y la función no tendrá las restricciones ni características que aquí se imponen (en el mismo ejemplo, podría evaluarse por medio de los datos históricos).

Particle Swarm Optimization

El algoritmo que sigue PSO se esboza a grandes rasgos en el siguente código. Si quieres ver cómo funciona con más detalle, puedes mirar la ayuda y código de los modelos referenciados anteriormente:

Asignar posiciones y velocidades aleatorias iniciales a las partículas
Repetir
    Cada partícula:
        Actualizar su velocidad considerando:
            Inercia de la partícula (la hace seguir con la misma velocidad)
            Atracción al mejor personal
            Atracción al mejor global
        Actualizar la posición de la partícula
        Calcular el valor de fitness en la nueva posición
        Actualizar su mejor personal
    Actualizar el mejor global del sistema
Devolver el mejor global

Lo intersante de este modelo es que cada partícula solo hace operaciones vectoriales básicas (para actualizar las velocidades y posiciones basta realizar algunas sumas de vectores), y como la experiencia muestra que hacen falta pocas partículas y el número de iteraciones es bajo, la complejidad del proceso se centra sobre todo en la evaluación del fitness de cada partícula en cada iteración, algo que no puede evitarse y que depende exclusivamente del problema específico que se quiera optimizar.

En consecuencia, este método de optimización es especialmente adecuado cuando el coste de la función de fitness es muy elevado, pues requiere pocas evaluaciones para encontrar valores cercanos al óptimo. Como inconveniente, no podemos estar seguros de alcanzar el óptimo global, como pasa en todo este tipo de metaheurísticas (problema que comparten todos los métodos de optimización que trabajan con cajas negras).

Posibles variantes en la metodología

Una primera posibilidad, que se implementa en algunos de los algoritmos que se engloban dentro de los PSO, y que es fácil de implementar en el modelo anterior, consiste en añadir una fuerza repulsiva entre las partículas para intentar prevenir que todas ellas converjan prematuramente a una pequeña zona del espacio de búsqueda (lo que supone acabar prematuramente en un máximo local, y con pocas opciones de escapar de él para encontrar mejores optimizaciones). Realmente, se puede enriquecer el modelo añadiendo comportamientos diversos a los individuos-partículas, ya sea inspirándose en comportamientos observados en la naturaleza o puramente abstractos.

Multi-swarm Particle Swarm Optimization

Otra opción es no considerar el máximo global que se va encontrando, sino dividir las partículas en familias y considerar máximos globales por familias. De esta forma, cada familia puede trabajar en paralelo y cada partícula solo ha de tener conocimiento acerca de lo que "sucede" en su familia, no en el conjunto global de individuos. Además, existen variantes en las que estas familias son dinámicas, de forma que las partículas pueden is cambiando de familia a medida que el algoritmo se ejecuta (o incluso pertenecer a más de una familia, lo que permite que haya comunicaciones a larga distancia entre muchas partículas aunque no pertenezcan a la misma familia).

Por último, ¿qué pasa si la función que intenta ser optimizada cambia en el tiempo?, es decir, en el caso en que sea una búsqueda dinámica, en la que la variación de la función durante el tiempo de ejecución haga que los extremos se vayan desplazando por el espacio de búsqueda. No resulta difícil modificar el modelo anterior para que se genere una función cambiante en el tiempo y poder así experimentar bajo qué condiciones las partículas el enjambre siguen el movimiento de los máximos a medida que se trasladan por el espacio.

Para saber más...

Swarm Intelligence

Universidad Carlos III Madrid: Particle Swarm Intelligence

« Ejercicios de Autómat… « || Inicio || » Algoritmos de hormiga… »