Optimização por enxame de partículas

A optimização por enxame de partículas (em inglês: particle swarm optimization ou PSO) é um ramo da inteligência artificial também classificado por alguns autores como um ramo da computação evolucionária (CE), que otimiza um problema iterativamente ao tentar melhorar a solução candidata com respeito a uma dada medida de qualidade. O método do enxame de partículas foi proposto por Kennedy e Eberhart em 1995.

Swarm Typologies. (a) Melhor Global. (b) Topologia em Anel. (c)Topologia Circular. (d)Topologia em Pirâmide. (e) Topologia Von Neumann.

Para outros autores, ela não pode ser classificado como computação evolucionária, por não possuir os operadores de seleção, recombinação e mutação, que são características sine quibus non da CE. Mas se aproxima desta quanto ao quesito enxames ou inteligência em enxames. Por outro lado, parece-se mais com o método da colônia de formigas (em inglês: ant colony optimization ou ACO) e pode-se, então, finalmente classificá-lo como um ramo da família da swarm intelligence .

Método

O método “particle swarming optimization”, criado por James Kennedy e Russell Eberhart, encontra-se, atualmente, entre as meta-heurísticas de algoritmos de otimização baseadas em padrões da natureza (como a representação do movimento de cada individuo dentro de um bando de pássaros ou de um cardume de peixes) mais populares nesta área, e surge como sendo o algoritmo mais promissor para a resolução de diversos problemas de otimização, quer na área das ciências, quer das engenharias. Desde a sua criação, já foram desenvolvidas muitas variantes para a resolução de problemas práticos relativos à otimização.

PSO é inspirado pelo comportamento social e cooperativo exibido por várias espécies de forma a realizar as suas necessidades no espaço de pesquisa (“search-space”). Além disso, PSO é uma meta-heurística, pois realiza poucas ou nenhumas premissas sobre o problema que está a ser otimizado e pode procurar soluções candidatas em espaços de grandes dimensões. No entanto, algumas meta-heurísticas como PSO não garantem que uma solução ideal seja encontrada. Em termos gerais, o algoritmo guia-se por experiência pessoal (Pbest), experiência geral (Gbest) e o movimento das partículas atual para decidir as posições seguintes no espaço de pesquisa. O PSO resolve um problema criando uma população de soluções candidatas, também conhecidas como partículas, e movendo estas partículas em torno do espaço de pesquisa, de acordo com fórmulas matemáticas simples sobre a posição e velocidade da partícula. O movimento de cada partícula é influenciado pela sua posição do local mais conhecida, mas, também é guiado em direção às posições mais conhecidas do espaço de pesquisa, que são atualizadas como posições melhores quando encontradas por outras partículas. Isto é espectável, quando o intuito é mover o enxame em direção da melhor solução.

Aplicações

Planeamento de otimização do desenvolvimento do campo de hidrocarbonetos

Muitos dos problemas de otimização em ciências e engenharia envolvem funções objetivo não-lineares. O PSO tem sido aplicado na otimização dos planeamentos de otimização do petróleo e campos de gás, e em sistemas fotovoltaicos (PV).

Modelização Individual

Modelização Individual é uma técnica computacional que modeliza um problema ao tentar alcançar uma solução ótima em relação a um conjunto de dados de entrada especificados ou consulta.