торі положення, яке постійно змінюється при знаходженні частками більш вигідних положень.
Алгоритм
Для кожної частки i=1, ..., S зробити:
· Згенерувати початкове положення частки за допомогою випадкового вектора xi ~ U (b lo, b up), що має багатовимірне рівномірний розподіл. b lo і b up - нижня і верхня межі простору рішень відповідно.
· Присвоїти кращому відомому положенню частки його початкове значення: pi? x i.
· Якщо (f (pi)
· Присвоїти значення швидкості частинки: vi ~ U (- (b up-b lo), (b up-b lo)).
· Поки не виконано критерій зупинки (наприклад, досягнення заданого числа ітерацій або необхідного значення цільової функції), повторювати:
· Для кожної частки i=1, ..., S зробити:
· Згенерувати випадкові вектори rp, rg ~ U (0,1).
· Оновити швидкість частинки: vi? ? v i +? p r p? (P i-x i) +? g r g? (G-x i), де операція? означає покомпонентное множення.
· Оновити положення частки перенесенням xi на вектор швидкості: xi? x i + v i. Зауважимо, що цей крок виконується незалежно від поліпшення значення цільової функції.
· Якщо (f (xi)
· Оновити найкраще відоме положення частинки: pi? x i.
· Якщо (f (pi)
· Тепер g містить найкраще з знайдених рішень.
Параметри?,? p, і? g вибираються обчислювачем і визначають поведінку і ефективність методу в цілому. Ці параметри становлять предмет багатьох досліджень
Список використаної літератури
1. Субботін С. О., Олійник А. О., Олійник О. О. Неітератівні, еволюційні та мультіагентні методи синтезу нечіткологічніх и нейромережніх моделей: Монографія / Під заг. ред. С. О. Субботіна.- Запоріжжя: ЗНТУ, 2009. - 375 с.
2. # «Justify">. Genetic and Evolutionary Algorithms G. Jones - Wiley
. Back T. Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming, Genetic Algorithms
. gotai/documents/doc-ga - 005.aspx
