Optimización por enjambre de partículas

En informática, la optimización por nube de partículas u optimización por enjambre de partículas (conocida por sus siglas en
inglés: PSO, de «particle swarm optimization») hace referencia a una metaheurística que evoca el comportamiento de las partículas
en la naturaleza.

Los métodos PSO se atribuyen originalmente a los investigadores Kennedy, Eberhart1 y Shi.2 En un principio fueron concebidos
para elaborar modelos de conductas sociales,3 como el movimiento descrito por los organismos vivos en una bandada de aves o un
banco de peces. Posteriormente el algoritmo se simplificó y se comprobó que era adecuado para problemas de optimización. El libro
de Kennedy y Eberhart4 describe numerosos aspectos teóricos de la PSO y la inteligencia de enjambre. Un amplio estudio de las
aplicaciones de PSO se puede encontrar en Poli.5 6

PSO permite optimizar un problema a partir de una población de soluciones candidatas, denotadas como "partículas", moviendo éstas
por todo el espacio de búsqueda según reglas matemáticas que tienen en cuenta la posición y la velocidad de las partículas. El
movimiento de cada partícula se ve influido por su mejor posición local hallada hasta el momento, así como por las mejores
posiciones globales encontradas por otras partículas a medida que recorren el espacio de búsqueda. El fundamento teórico de esto es
hacer que la nube de partículas converja rápidamente hacia las mejores soluciones.

PSO es una metaheurística, ya que asume pocas o ninguna hipótesis sobre el problema a optimizar y puede aplicarse en grandes
espacios de soluciones candidatas. Sin embargo, como toda metaheurística, PSO no garantiza la obtención de una solución óptima en
todos los casos.

Índice
Analogía con la naturaleza
Algoritmo
Selección de parámetros
Topologías
Funcionamiento interno
Convergencia
Sesgos
Variantes
Simplificaciones
Optimización multiobjetivo
PSO binaria, discreta y combinatoria
Véase también
Referencias

Analogía con la naturaleza

Las abejas en busca de alimento tratan de localizar la región del espacio con mayor densidad de flores, ya que es allí donde
presumiblemente existe más cantidad de polen. Cada abeja vuela de modo errático por el espacio, recordando en todo momento cuál
es la región donde ha visto más flores. A su vez, el enjambre sabe colectivamente cuál es la región del espacio, de entre todas las
exploradas, donde se han encontrado más flores. Cada abeja variará individualmente su movimiento con arreglo a estas dos
direcciones, volando hacia algún lugar intermedio. Es posible que la abeja durante ese sobrevuelo encuentre una región con más
densidad de flores que la conocida hasta entonces (óptimo local), o incluso que la conocida por el enjambre (óptimo global); en este
último caso, todo el enjambre orientará la búsqueda hacia esa nueva dirección. Pasado un tiempo, si se descubre otra región con
mayor densidad floral, el enjambre reorientará nuevamente la búsqueda hacia allí, y así sucesivamente.

Algoritmo
Un algoritmo PSO trabaja con una población (llamada nube o enjambre) de soluciones candidatas (llamadas partículas). Dichas
partículas se desplazan a lo largo del espacio de búsqueda conforme unas simples reglas matemáticas. El movimiento de cada
partícula depende de su mejor posición obtenida, así como de la mejor posición global hallada en todo el espacio de búsqueda. A
medida que se descubren nuevas y mejores posiciones, éstas pasan a orientar los movimientos de las partículas. El proceso se repite
con el objetivo, no garantizado, de hallar en algún momento una solución lo suficientemente satisfactoria.

Lo descrito anteriormente puede formalizarse del siguiente modo: sea f: ℝn → ℝ la función de coste que se desea minimizar. La
función f toma como argumento una solución candidata, representada como un vector de números reales, y da como salida un número
real que indica el valor de la función objetivo para la solución candidata obtenida. Las mejores posiciones se corresponden con los
mejores valores de la función objetivo f. El objetivo es hallar una solución a que verifique f(a) ≤ f(b) para todo b en el espacio de
búsqueda, lo que implicaría que a es el mínimo global. El proceso inverso, útil en problemas de maximización, puede lograrse
considerando una funciónh = -f.

Sea S el número de partículas en la nube, cada una de las cuales tiene una posición xi ∈ ℝn en el espacio de búsqueda y una
velocidad vi ∈ ℝn. Sea pi la mejor posición conocida de una partícula i, y g la mejor posición global conocida. Un algoritmo PSO
básico podría describirse como sigue:

Para cada partícula :

Inicializar la posición de la partícula mediante un vector aleatorio uniformemente distribuido: ,

donde y son respectivamente el límite inferior y el límite superior del espacio de búsqueda.
Inicializar la mejor posición conocida de la partícula a su posición inicial: .
Si actualizar la mejor posición global conocida: .
Inicializar la velocidad de la partícula: .
Mientras no se cumpla el criterio de parada (por.ej. límite máximo de iteraciones, encontrada una solución
satisfactoria), repetir:

Para cada partícula :

Para cada dimensión :

Elegir números aleatorios: .

Actualizar la velocidad de la partícula: .
Actualizar la posición de la partícula: .
Si entonces:

Actualizar la mejor posición conocida de la partícula: .

Si actualizar la mejor posición global: .

Devolver como la mejor solución encontrada.

Los parámetros y son definidos por un especialista y regulan el comportamiento y la eficacia del método PSO, como se
expone a continuación.

Selección de parámetros
En PSO, la elección de los parámetros es un aspecto determinante en el desempeño del algoritmo de optimización. Por ende,
seleccionar un conjunto de parámetros que favorezcan un buen rendimiento del algoritmo es y ha sido objeto de abundantes
investigaciones.7 8 9 10 11 12 13 14 15
De manera intuitiva, puede imaginarse que la función objetivo da lugar a una
hipersuperficie de dimensionalidad equivalente al número de parámetros a optimizar
(variables de búsqueda). La irregularidad de dicha hipersuperficie dependerá,
obviamente, del problema en particular. Asimismo, la calidad de la búsqueda
dependerá de cuán exhaustiva sea ésta, en función de los parámetros escogidos. Para
obtener soluciones con una hipersuperfie "poco irregular" en general se necesitan
pocas partículas e iteraciones; en cambio, para conseguir soluciones de
hipersuperficie "más irregular" se requiere una búsqueda más a fondo, que involucre
Gráfica bidimensional que muestra el
mayor cantidad de partículas e iteraciones. Este comportamiento es análogo al
rendimiento de una variante PSO
observado en situaciones reales, como por ej. la búsqueda de los mejores pastos ante un benchmark de problemas en
llevada a cabo por la ganadería trashumante, donde grandes rebaños han de atravesar función de dos parámetros.
terrenos difíciles y abruptos para alcanzar los mejores prados (léase óptimo global),
mientras que rebaños más pequeños pueden bastarse con terrenos menos densos en
vegetación (óptimo local), usando pocas iteraciones.

En PSO, los parámetros pueden asimismo ajustarse para diversos escenarios de optimización15 16 17 utilizando un optimizador
"superpuesto", un concepto conocido comometaoptimización.18 19 20

Topologías
La PSO básica suele incurrir fácilmente en óptimos locales. Esta convergencia prematura puede evitarse ignorando la mejor posición
global g conocida, y atendiendo en su lugar a la mejor posición l conocida del sub-enjambre "circundante" a la partícula en
movimiento. Este sub-enjambre puede definirse geométricamente –por ej. "las m partículas más cercanas"– o bien de forma social, es
decir, como un conjunto de partículas relacionadas, con independencia de la distancia que las separ
a.

Si suponemos que existe un vínculo de información entre cada partícula y sus adyacentes, el conjunto de estos vínculos constituye un
grafo, una red de comunicación, denominadatopología. Una topología social muy frecuente es el anillo, en donde cada partícula tiene
sólo dos partículas adyacentes, pero hay muchas otras.21 La topología no es necesariamente fija, puede ser adaptativa según el caso
(SPSO,22 estrella estocástica,23 TRIBES,24 Cyber Swarm,25 C-PSO26 ).

Funcionamiento interno
Hay diversas interpretaciones en cuanto a cómo y por qué un algoritmo de PSO es capaz de optimizar variables.

Una noción comúnmente aceptada por los investigadores es que el "comportamiento de enjambre" varía entre un "comportamiento de
exploración" (de búsqueda en una amplia región del espacio de soluciones) y un "comportamiento de explotación" (de búsqueda local
que se aproxima rápidamente hacia un óptimo, posiblemente local). Este es el criterio predominante desde los inicios de la
PSO,2 3 7 11 y sostiene que el algoritmo de PSO y sus parámetros han de ser cuidadosamente seleccionados para lograr un equilibrio
idóneo entre exploración y explotación, a fin de evitar una convergencia prematura hacia óptimos locales, y, al mismo tiempo,
asegurar una buena tasa de convergencia al óptimo global. Esta interpretación ha dado pie a numerosas variantes dentro de la PSO,
como se expone más adelante.

Otra perspectiva aduce que aún no se ha logrado comprender exactamente cómo afecta el comportamiento del enjambre a la calidad
del proceso de optimización, especialmente en problemas de optimización con espacios de búsqueda multidimensionales,
discontinuos o variables en el tiempo. Desde este punto de vista, bastaría con encontrar algoritmos y parámetros que en la práctica
den como resultado un buen rendimiento, independientemente de qué balance entre exploración y explotación adopte el enjambre.
Este planteamiento ha llevado a simplificar los algoritmos de PSO, como se explica
en un apartado posterior.

Convergencia
En el contexto de la PSO, el término "convergencia" suele emplearse con dos significados (a veces considerados erróneamente como
sinónimos):

Convergencia puede referirse a la mejor posición global g conocida, que se aproxima (converge) al óptimo del
problema, independientemente de cómo se comporte el enjambre.
Convergencia puede referirse a una concentración del enjambre, donde todas las partículas confluyen hacia un
punto del espacio de búsqueda, que puede o no ser el óptimo.
En la literatura especializada pueden encontrarse algunos intentos de analizar matemáticamente la convergencia en PSO.10 11 12
Estos análisis han servido para establecer pautas de selección de los parámetros que determinarían la convergencia, divergencia u
oscilación de las partículas del enjambre, lo que a la postre ha propiciado nuevas variantes en la PSO. No obstante, estos análisis han
20 toda vez que asumen que el enjambre posee una sola partícula, sin
sido objeto de críticas al ser considerados demasiado simplistas,
variables aleatorias, y que la mejor posición p conocida de la partícula y la mejor posición global g del enjambre permanecen
constantes durante el proceso de optimización. Asimismo, ciertos análisis admiten un número infinito de iteraciones en la
optimización, lo cual no es posible en un escenario real. Por tanto, el estudio de las características de convergencia de los diversos
algoritmos de PSO y sus parámetros asociados está fuertemente ligado a los resultados empíricos.

Sesgos
A medida que el algoritmo de PSO avanza, dimensión por dimensión, el punto solución es más fácil de encontrar si se halla en un eje
27 28
del espacio de búsqueda, en una diagonal o, aún más fácil, si está justo en el centro.

Una primera forma de evitar este sesgo, permitiendo hacer comparaciones más ponderadas, es por ejemplo tomar como referencia
problemas no sesgados, y luego rotarlos o desplazarlos.29 Otra opción es modificar el propio algoritmo para hacerlo menos sensible
al sistema de coordenadas.30 31

Variantes
Incluso un algoritmo básico de PSO puede dar lugar a numerosas variantes. Por ejemplo, hay diferentes formas de inicializar las
partículas y sus velocidades, de regular la velocidad, de actualizar p y g una vez que todo el enjambre ha sido actualizado, etc.
9
Algunas de estas opciones y su impacto potencial en el rendimiento han sido discutidos en la literatura especializada.

Como resultado, constantemente surgen nuevas y más sofisticadas variantes de PSO con el fin de mejorar el rendimiento del proceso
de optimización. En la investigación llevada a cabo pueden distinguirse ciertas tendencias; una es lograr un método de optimización
híbrido que combine PSO con otros mecanismos optimizadores,32 33 por ej. incorporando un método eficaz de aprendizaje.34 Otra
vía de investigación trata de contrarrestar la convergencia prematura (es decir, el estancamiento de la búsqueda en un óptimo local),
por ej. invirtiendo o perturbando el movimiento de las partículas.14 35 36 Otro de los enfoques propone lidiar con la convergencia
prematura mediante el uso de múltiples enjambres (optimización multi-enjambre); esta estrategia multi-enjambre también es
aplicable a la optimización multiobjetivo.37 Asimismo, se han producido avances en la adaptación de los parámetros de
comportamiento durante la optimización.17

Simplificaciones
Como se apuntó anteriormente, existe una corriente de opinión que considera que la PSO debe simplificarse tanto como sea posible,
mientras no afecte al rendimiento, en aplicación de la navaja de Occam. La simplificación de la PSO fue propuesta originalmente por
Kennedy,3 y desde entonces ha sido ampliamente estudiada.13 19 20 38 Con su puesta en práctica se han observado mejoras en el
rendimiento, mayor facilidad para ajustar los parámetros y un comportamiento más consistente ante distintos problemas de
optimización.

Otro argumento a favor de la simplificación es que sólo puede probarse empíricamente la eficacia de una metaheurística haciendo
ensayos sobre un número finito de problemas de optimización. Esto significa que una metaheurística como PSO no puede validarse,
lo que aumenta el riesgo de cometer errores en su descripción e implementación. Una buena muestra de ello39 fue una variante
prometedora de un algoritmo genético (otra popular metaheurística), que más tarde se reveló defectuosa al presentar una búsqueda de
40
optimización fuertemente sesgada; el sesgo se debía a un error de programación, que ya ha sido corregido.

Si se desea inicializar la velocidad asociada a las partículas se requieren entradas adicionales. Una variante simple es la "optimización
con enjambre de partículas aceleradas" (APSO),41 que permite acelerar la convergencia en muchas aplicaciones. Un sencillo código
de ejemplo de APSO está disponibleon-line.42

Optimización multiobjetivo
La PSO también se ha aplicado a problemas multiobjetivo,43 44 en los que la evaluación de la función objetivo tiene en cuenta la
"dominancia de Pareto" al mover las partículas, de manera que las soluciones no-dominadas son aproximadas al frente de Pareto.

PSO binaria, discreta y combinatoria

Como las ecuaciones usadas en PSO operan con números reales, un método común a la hora de resolver problemas discretos es
mapear el espacio de búsqueda a un dominio continuo, para aplicar PSO clásica, y luego desmapear el resultado. El proceso de
45
mapeo puede consistir en una conversión muy simple (por ej. redondeo de valores) o, por el contrario, bastante compleja.

Sin embargo, las ecuaciones de movimiento hacenuso de operadores que controlan cuatro acciones:

calcular la diferencia entre dos posiciones (el resultado define un desplazamiento)

multiplicar una velocidad por un coeficiente numérico
sumar dos velocidades
aplicar una velocidad a una posición
Generalmente, la posición y la velocidad están representadas por n números reales, y los operadores básicos son -, *, +. Pero tales
entidades matemáticas pueden definirse de una manera completamente diferente, a fin de hacer frente a problemas binarios (o
discretos, en un sentido más amplio), e incluso combinatorios.46 47 48 .49 Una estrategia es redefinir los operadores como basados
en conjuntos.50

Véase también
Inteligencia de enjambre
Optimización multi-enjambre
Filtro de partículas

Referencias
1. Kennedy, J.; Eberhart, R. (1995). «Particle Swarm
Optimization» (http://www.engr.iupui.edu/~shi/Coferenc
e/psopap4.html). Proceedings of IEEE International
Conference on Neural Networks (https://web.archive.or
g/web/20110719215312/http://www.engr.iupui.edu/~sh
i/Coference/psopap4.html) IV. pp. 1942-1948.
doi:10.1109/ICNN.1995.488968 (http://dx.doi.org/10.1109%2FIC
NN.1995.488968). Archivado desde
original|urlarchivo= requiere |url= (ayuda) el 19
de julio de 2011.
2. Shi, Y.; Eberhart, R. (1998). «A modified particle swarm
optimizer». Proceedings of IEEE International
Conference on Evolutionary Computation. pp. 69-73.
3. Kennedy, J. (1997). «The particle swarm: social
adaptation of knowledge». Proceedings of IEEE
International Conference on Evolutionary Computation.
pp. 303-308.
4. Kennedy, J.; Eberhart, R.C. (2001). Morgan Kaufmann,
ed. Swarm Intelligence. ISBN 1-55860-595-9.
5. Poli, R. (2007). «An analysis of publications on particle
swarm optimisation applications» (http://cswww.essex.
ac.uk/technical-reports/2007/tr-csm469.pdf). En
Department of Computer Science, University of Essex,
UK. Technical Report CSM-469.
el 6. Poli, R. (2008). «Analysis of the publications on the
applications of particle swarm optimisation» (http://dow
nloads.hindawi.com/archive/2008/685175.pdf) . Journal
of Artificial Evolution and Applications 2008: 1-10.
doi:10.1155/2008/685175 (http://dx.doi.org/10.1155%2F2008%2
F685175).
7. Shi, Y.; Eberhart, R.C. (1998). «Parameter selection in
particle swarm optimization». Proceedings of
Evolutionary Programming VII (EP98). pp. 591-600.
8. Eberhart, R.C.; Shi, Y. (2000). «Comparing inertia
weights and constriction factors in particle swarm
 optimization». Proceedings of the Congress on
Evolutionary Computation1. pp. 84-88.
9. Carlisle, A.; Dozier, G. (2001). «An Off-The-Shelf
PSO». Proceedings of the Particle Swarm Optimization
Workshop. pp. 1-6.
10. van den Bergh, F. (2001). University of Pretoria,
Faculty of Natural and Agricultural Science, ed. An
Analysis of Particle Swarm Optimizers(PhD thesis).
11. Clerc, M.; Kennedy, J. (2002). «The particle swarm -
explosion, stability, and convergence in a
multidimensional complex space». IEEE Transactions
on Evolutionary Computation 6 (1): 58-73.
doi:10.1109/4235.985692 (http://dx.doi.org/10.1109%2F4235.98
5692).
12. Trelea, I.C. (2003). «The Particle Swarm Optimization 26. Elshamy, W.; Rashad, H.; Bahgat, A. (2007). «Clubs-
Algorithm: convergence analysis and parameter
selection». Information Processing Letters 85 (6): 317-
325. doi:10.1016/S0020-0190(02)00447-7 (http://dx.doi.org/10.1
016%2FS0020-0190%2802%2900447-7).
13. Bratton, D.; Blackwell, T. (2008). «A Simplified
Recombinant PSO». Journal of Artificial Evolution and
Applications.
14. Evers, G. (2009). The University of Texas - Pan
American, Department of Electrical Engineering, ed. 27. Monson, C. K. & Seppi, K. D. (2005). Exposing Origin-
An Automatic Regrouping Mechanism to Deal with
Stagnation in Particle Swarm Optimization (http://www. 28. Spears, W. M., Green, D. T. & Spears, D. F. (2010).
georgeevers.org/publications.htm)(Master's thesis).
15. Rocca, P.; Benedetti, M.; Donelli, M.; Franceschini, D.;
Massa, A. (2009). «Evolutionary optimization as
applied to inverse scattering problems». Inverse 29. Suganthan, P. N., Hansen, N., Liang, J. J., Deb, K.;
Problems 25: 1-41. doi:10.1088/0266-5611/25/12/123003 (htt
p://dx.doi.org/10.1088%2F0266-5611%2F25%2F12%2F123003).
16. Pedersen, M.E.H. (2010). «Good parameters for
particle swarm optimization» (http://www.hvass-labs.or
g/people/magnus/publications/pedersen10good-pso.pd 30. Wilke, D. N., Kok, S. & Groenwold, A. A. (2007).
f). En Hvass Laboratories.Technical Report HL1001.
17. Zhan, Z-H.; Zhang, J.; Li, Y; Chung, H.S-H. (2009).
«Adaptive Particle Swarm Optimization» (http://userwe
b.eng.gla.ac.uk/yun.li/ga_demo/). IEEE Transactions
on Systems, Man, and Cybernetics 39 (6): 1362-1381.
doi:10.1109/TSMCB.2009.2015956 (http://dx.doi.org/10.1109%2 31. SPSO 2011, Particle Swarm Central (http://www.particl
FTSMCB.2009.2015956).
18. Meissner, M.; Schmuker, M.; Schneider, G. (2006). 32. Lovbjerg, M.; Krink, T. (2002). «The LifeCycle Model:
«Optimized Particle Swarm Optimization (OPSO) and
its application to artificial neural network training» (http
s://www.ncbi.nlm.nih.gov/pmc/articles/PMC1464136).
BMC Bioinformatics 7: 125. PMC 1464136 (https://www.ncb
i.nlm.nih.gov/pmc/articles/PMC1464136). PMID 16529661 (http
s://www.ncbi.nlm.nih.gov/pubmed/16529661). doi:10.1186/1471-
2105-7-125 (http://dx.doi.org/10.1186%2F1471-2105-7-125).
19. Pedersen, M.E.H. (2010). University of Southampton,
School of Engineering Sciences, Computational
Engineering and Design Group, ed. Tuning &
Simplifying Heuristical Optimization (http://www.hvass-l
abs.org/people/magnus/thesis/pedersen08thesis.pdf)
(PhD thesis).
20. Pedersen, M.E.H.; Chipperfield, A.J. (2010).
«Simplifying particle swarm optimization» (http://www.h
vass-labs.org/people/magnus/publications/pedersen08
simplifying.pdf). Applied Soft Computing 10 (2): 618-
628. doi:10.1016/j.asoc.2009.08.029 (http://dx.doi.org/10.1016%
2Fj.asoc.2009.08.029).
21. Mendes, R. (2004). Population Topologies and Their
Influence in Particle Swarm Performance (PhD thesis).
Universidade do Minho.
22. SPSO, Particle Swarm Central (http://www.particleswar
m.info)
23. Miranda, V., Keko, H. and Duque, Á. J. (2008).
Stochastic Star Communication Topology in
Evolutionary Particle Swarms (EPSO). International
Journal of Computational Intelligence Research
(IJCIR), Volume 4, Number 2, pp. 105-116
24. Clerc, M. (2006). Particle Swarm Optimization. ISTE
(International Scientific and Technical Encyclopedia),
2006
25. Yin, P., Glover, F., Laguna, M., & Zhu, J. (2011). A
Complementary Cyber Swarm Algorithm. International
Journal of Swarm Intelligence Research (IJSIR), 2(2),
22-41
based Particle Swarm Optimization» (http://people.cis.
ksu.edu/~welshamy/pubs/ieee_sis07.pdf). IEEE
Swarm Intelligence Symposium 2007 (SIS2007) (http
s://web.archive.org/web/20131023025232/http://peopl
e.cis.ksu.edu/~welshamy/pubs/ieee_sis07.pdf) .
Honolulu, HI. pp. 289-296. Archivado desde el
original|urlarchivo= requiere |url= (ayuda) el 23
de octubre de 2013.
Seeking Bias in PSO GECCO'05, pp. 241-248
Biases in Particle Swarm Optimization. International
Journal of Swarm Intelligence Research, Vol. 1(2), pp.
34-57
Chen, Y. P., Auger, A. & Tiwari, S. (2005). Problem
definitions and evaluation criteria for the CEC 2005
Special Session on Real Parameter Optimization.
Nanyang Technological University
Comparison of linear and classical velocity update
rules in particle swarm optimization: notes on scale
and frame invariance. International Journal for
Numerical Methods in Engineering, John Wiley &
Sons, Ltd., 70, pp. 985-1008
eswarm.info)
combining particle swarm optimisation, genetic
algorithms and hillclimbers». Proceedings of Parallel
Problem Solving from Nature VII (PPSN). pp. 621-630.
33. Niknam, T.; Amiri, B. (2010). «An efficient hybrid
approach based on PSO, ACO and k-means for cluster
analysis». Applied Soft Computing 10 (1): 183-197.
doi:10.1016/j.asoc.2009.07.001 (http://dx.doi.org/10.1016%2Fj.a
soc.2009.07.001).
34. Zhan, Z-H.; Zhang, J.; Li, Y; Shi, Y-H. (2011).
«Orthogonal Learning Particle Swarm Optimization» (h
ttp://eprints.gla.ac.uk/44801/1/44801.pdf). IEEE
Transactions on Evolutionary Computation 15 (6): 832-
847. doi:10.1109/TEVC.2010.2052054 (http://dx.doi.org/10.110
9%2FTEVC.2010.2052054).
35. Lovbjerg, M.; Krink, T. (2002). «Extending Particle
Swarm Optimisers with Self-Organized Criticality».
Proceedings of the Fourth Congress on Evolutionary
Computation (CEC) 2. pp. 1588-1593.
36. Xinchao, Z. (2010). «A perturbed particle swarm
algorithm for numerical optimization». Applied Soft
Computing 10 (1): 119-124. doi:10.1016/j.asoc.2009.06.010
(http://dx.doi.org/10.1016%2Fj.asoc.2009.06.010).
37. Nobile, M.; Besozzi, D.; Cazzaniga, P.; Mauri, G.;
Pescini, D. (2012). «A GPU-Based Multi-Swarm PSO
Method for Parameter Estimation in Stochastic
Biological Systems Exploiting Discrete-Time Target
Series» (http://link.springer.com/chapter/10.1007%2F9
78-3-642-29066-4_7). Evolutionary Computation,
Machine Learning and Data Mining in Bioinformatics.
Lecture Notes in Computer Science.7264. pp. 74-85.
38. Yang, X.S. (2008). Luniver Press, ed. Nature-Inspired
Metaheuristic Algorithms. ISBN 978-1-905986-10-1.
39. Tu, Z.; Lu, Y. (2004). «A robust stochastic genetic
algorithm (StGA) for global numerical optimization».
IEEE Transactions on Evolutionary Computation 8 (5):
456-470. doi:10.1109/TEVC.2004.831258 (http://dx.doi.org/10.
1109%2FTEVC.2004.831258).
40. Tu, Z.; Lu, Y. (2008). «Corrections to "A Robust
Stochastic Genetic Algorithm (StGA) for Global
Numerical Optimization». IEEE Transactions on
Evolutionary Computation 12 (6): 781-781.
doi:10.1109/TEVC.2008.926734 (http://dx.doi.org/10.1109%2FT
EVC.2008.926734).
41. X. S. Yang, S. Deb and S. Fong, Accelerated particle
swarm optimization and support vector machine for 49. Jarboui, B., Damak, N., Siarry, P., and Rebai, A.R.
business optimization and applications, NDT 2011,
Springer CCIS 136, pp. 53-66 (2011).
42. Xin-She Yang. «Accelerated Particle Swarm
Optimization» (http://www.mathworks.com/matlabcentr
al/fileexchange/?term=APSO).
43. Parsopoulos, K.; Vrahatis, M. (2002). «Particle swarm
optimization method in multiobjective problems» (http://
doi.acm.org/10.1145/508791.508907). Proceedings of
the ACM Symposium on Applied Computing (SAC).
pp. 603-607.
44. Coello Coello, C.; Salazar Lechuga, M. (2002).
«MOPSO: A Proposal for Multiple Objective Particle
Swarm Optimization» (http://portal.acm.org/citation.cf
m?id=1252327). Congress on Evolutionary
Computation (CEC'2002). pp. 1051-1056.
45. Roy, R., Dehuri, S., & Cho, S. B. (2012). A Novel
Particle Swarm Optimization Algorithm for Multi-
Objective Combinatorial Optimization Problem.
'International Journal of Applied Metaheuristic
Computing (IJAMC)', 2(4), 41-57
46. Kennedy, J. & Eberhart, R. C. (1997). A discrete binary
version of the particle swarm algorithm, Conference on
Systems, Man, and Cybernetics, Piscataway, NJ: IEEE
Service Center, pp. 4104-4109
47. Clerc, M. (2004). Discrete Particle Swarm
Optimization, illustrated by the Traveling Salesman
Problem, New Optimization Techniques in Engineering,
Springer, pp. 219-239
48. Clerc, M. (2005). Binary Particle Swarm Optimisers:
toolbox, derivations, and mathematical insights, Open
Archive HAL (http://hal.archives-ouvertes.fr/hal-001228
09/en/)
(2008). A combinatorial particle swarm optimization for
solving multi-mode resource-constrained project
scheduling problems. In Proceedings of Applied
Mathematics and Computation, pp. 299-308.
50. Chen, Wei-neng; Zhang, Jun (2010). «A novel set-
based particle swarm optimization method for discrete
optimization problem». IEEE Transactions on
Evolutionary Computation14 (2): 278-300.

Obtenido de «https://es.wikipedia.org/w/index.php?title=Optimización_por_enjambre_de_partículas&oldid=111488110
»

Esta página se editó por última vez el 23 oct 2018 a las 20:07.

El texto está disponible bajo laLicencia Creative Commons Atribución Compartir Igual 3.0 ; pueden aplicarse cláusulas
adicionales. Al usar este sitio, usted acepta nuestrostérminos de uso y nuestra política de privacidad.
Wikipedia® es una marca registrada de laFundación Wikimedia, Inc., una organización sin ánimo de lucro.