Partikelschwarmoptimierung

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
Ein Partikelschwarm sucht ein globales Minimum einer Funktion

Als Partikelschwarmoptimierung (PSO) wird ein naturanaloges Optimierungsverfahren bezeichnet, das nach dem Vorbild des biologischen Schwarmverhaltens eine Lösung für ein Optimierungsproblem sucht. Analog zum natürlichen Phänomen wird eine Population von Lösungskandidaten durch den Suchraum bewegt, um eine gute Lösung für das Problem zu erhalten. In jedem Rechenschritt wird dazu die Position jedes Individuums neu berechnet. Die PSO ist eine Metaheuristik, sie wurde 1995 von Kennedy und Eberhart vorgeschlagen.[1][2]

Analogie zu natürlichen Schwärmen[Bearbeiten | Quelltext bearbeiten]

Ein Schwarm von Staren

Das Verhalten natürlicher Schwärme von Tieren unterliegt gewissen Gesetzmäßigkeiten. So versuchen die Individuen innerhalb eines Schwarms stets bei der Gruppe zu bleiben, der Gruppenbewegung zu folgen und einen gewissen Mindestabstand zu anderen Individuen einzuhalten. Diese Gesetzmäßigkeiten setzte Craig Reynolds zur Simulation von Tierschwärmen in Filmen und Computerspielen ein. Die einzelnen Individuen eines Schwarms nannte er Boids. Heppner und Grenander erweiterten das Modell von Reynolds um das Bedürfnis der Boids, einen Rastplatz zu finden. Das Bedürfnis zu rasten steigt dabei mit Annäherung an einen Rastplatz. Somit wird das Schwarmverhalten auch durch die Eigenschaften des Raums beeinflusst.[3] Die Suche nach einem optimalen Rastplatz eines Vogelschwarms kann somit als eine Art Partikelschwarmoptimierung betrachtet werden.

Einzelnachweise[Bearbeiten | Quelltext bearbeiten]

  1. Russell, C. Eberhart, Yuhui Shi: Computational Intelligence: Concepts to Implementations, Seite 87.
  2. Russell Eberhart, James Kennedy: A New Optimizer Using Particle Swarm Theory. 1995, abgerufen am 12. Januar 2016 (PDF, englisch).
  3. Marcel Röber: Multikriterielle Optimierungsverfahren für rechenzeitintensive technische Aufgabenstellungen. 31. März 2010, abgerufen am 11. Januar 2017 (PDF).