Sistemas Adaptativos: Evidencia 6: diagramas de flujo para PSO y ACO

Objetivo

Analizar las técnicas de ajuste y auto-ajuste paramétrico mediante el análisis de algoritmos que requieren ajuste de parámetros y las técnicas más apropiadas para el correcto funcionamiento de las mismas.

Introducción
Se trata de profundizar en los temas de Optimización por Enjambre de Partículas (Particle Swarm Optimization o PSO) y Optimización por Colonia de Hormigas (Ant Colony Optimization o ACO). Para ello, consulta las filminas sobre el tema y el material de apoyo que se proporciona en la página (puedes también buscar información extra).

Desarrollo

Resuelve las preguntas que se plantean y construye diagramas de flujo para el algoritmo de PSO y el algoritmo de ACO.

Conclusiones
Preguntas:

1. ¿Qué es "swarm intelligence"? La inteligencia de enjambre (SI) es el comportamiento colectivo de las descentralizadas , autogestionadas sistemas, naturales o artificiales. El concepto se emplea en los trabajos sobre inteligencia artificial. La expresión se introdujo por Gerardo Beni y Jing Wang en 1989, en el contexto de los sistemas robóticos celulares.

2. ¿Qué significa PSO? En ciencias de la computación, se refiere a la optimización por enjambre de partículas ( particle swarm optimization - PSO)

3. ¿Cuáles son las características principales de una partícula? Cada partícula evoluciona teniendo en cuenta la mejor solución encontrada en su recorrido y al líder. En cada iteración, las partículas modifican su velocidad hacia la mejor solución de su entorno teniendo en cuenta la información del líder.
Existen dos versiones diferentes de PSO, el algoritmo normal y una versión binaria. En el primero, las partículas pueden tomar valores reales en cada una de las dimensiones. En el algoritmo binario, cada dimensión de las partículas solo pueden tomar el valor 0 o 1.

4. ¿Cuáles son los dos valores que influyen en la posición de la partícula? La posición de una partícula i cualquiera la denotaremos por Xi, donde Xi es un vector que almacena cada una de las posiciones que tiene la partícula en cada una de las dimensiones que comprende el espacio de búsqueda. Además, denotaremos por Vi a la velocidad de la partícula i, la cual también es un vector, el cual contiene cada una de las velocidades que tiene la partícula en cada dimensión. Esta velocidad es añadida a la posición de la partícula, para mover la partícula desde un tiempo t-1 a un tiempo t .

5. ¿Qué parámetros involucra el algoritmo de PSO? El espacio de búsqueda; La posición la velocidad de la i-ésima partícula; La mejor posición anterior; La velocidad de la partícula; Posición actual; Coeficiente de inercia.

6. ¿Qué tipo de problemas pueden resolverse con PSO? Las ventajas atribuidas a las técnicas inteligentes de optimización son su paralelismo intrínseco, su capacidad para resolver problemas complejos, de gran tamaño, y con un mínimo conocimiento del sistema que se está identificando.

7. ¿Qué significa ACO? En ciencias de la computación y la investigación de operaciones, la optimización del algoritmo de la colonia de hormigas (ACO) es una técnica probabilística para la solución de problemas computacionales que pueden reducirse a la búsqueda de buenos caminos a través de los gráficos .

8. ¿Qué metáfora es la que se sigue en la ACO? Tal como el comportamiento de una colonia de hormigas. Para la resolución de problemas de optimización y búsqueda.

9. ¿Qué papel juega la feromona en la ACO? En las hormigas sirve para volver al nido y para tener una forma probabilística en las bifurcaciones para elegir el siguiente camino. En el ACO funciona de una forma similar en la cual se seleccionan los caminos más prometedores en las bifurcaciones para obtener la mejor combinación de caminos.

10. ¿Qué tipo de problemas pueden resolverse con ACO? Se pueden aplicar a cualquier problema que se pueda modelar como un grafo.

Diagrama PSO