Académique Documents
Professionnel Documents
Culture Documents
Dans le but de crer des systmes autonomes, robustes et volutifs, une nouvelle forme d'ingnierie trouve son inspiration dans les systmes naturels complexes Par exemple, pour concevoir des systmes scuriss contre les intrusions, il est possible d'imaginer de nouveaux mcanismes inspirs des dfenses immunitaires Doivent tre pens comme des entits autoorganises, adaptatives et distribues
PhilippeCollard.com
30/04/09
Contact
3
http://PhilippeCollard.com/
PhilippeCollard.com
30/04/09
Bibliographie / source
4
Machine Nature: The Coming Age of Bio-Inspired Computing, by Moshe Sipper, McGraw-Hill, New York, 2002 Les systmes complexes : mathmatiques & biologie, H. P. Zwirn, ed. Odile Jacob Loptimisation par essaims particulaires, M. Clerc, Ed. Hermes Outil de simulation : http://ccl.northwestern.edu/netlogo Rseau National de Sciences de la Complexit : http://complexsystems.lri.fr/RNSC http://fr.wikipedia.org/
30/04/09
PhilippeCollard.com
Bibliographie / source
5
http://www.cnrs.fr/Cnrspresse/n386/html/ n386a09.htm E. Bonabeau, M. Dorigo and G. Theraulaz. Inspiration for optimization from social insect behaviour. Nature, Vol. 406, juillet 2000, pp. 39-42 Bonabeau, E. & Theraulaz, G. (2000). Swarm Smarts. Scientific American, 282 (3): pp. 72-79 E. Bonabeau, M. Dorigo and G. Theraulaz. (1999) Swarm Intelligence : From Natural to Artificial Systems. Oxford University Press
30/04/09
PhilippeCollard.com
Informatique bio-inspire
6
La bio-inspiration est un changement de paradigme qui amne les ingnieurs s'inspirer de la nature pour dvelopper de nouveaux systmes artificiels Concerne
vgtaux animaux champignons, bactries, virus, aronautique, Pharmacie, matriaux composites, intelligence (vie) artificielle, nanotechnologies,
30/04/09
PhilippeCollard.com
chaque individu ne possde qu'une connaissance partielle de l'environnement et n'a pas conscience de la totalit des lments qui influencent le groupe chaque individu obit un ensemble restreint de rgles simples par rapport au comportement du systme global chaque individu est en relation avec seulement un ou plusieurs autres individus du groupe
PhilippeCollard.com
30/04/09
Les oiseaux migrateurs doivent parcourir de trs longues distances, dans des conditions parfois difficiles Optimiser leur dplacement en terme d'nergie dpense
Le prix payer :
un individu seul vole en moyenne 24% plus vite qu'une vole Donc il y a une perte en vitesse
PhilippeCollard.com
30/04/09
PhilippeCollard.com
30/04/09
Programme
PhilippeCollard.com
30/04/09
Comprendre ces phnomnes et la coordination des mouvements (parfois trs brusques) de ces populations Chaque boid se dplace selon sa propre perception de l'environnement avec des rgles simples :
rgle
Ces trois rgles de bases, permettent l'attraction et la rpulsion de chacun des individus et permet la stabilit de l'ensemble
30/04/09
PhilippeCollard.com
Sparation : ne pas heurter ses voisins en s'loignant des proches Alignement : se dplacer dans la mme direction que l'ensemble en moyennant les vitesses et les directions Cohsion : se maintenir dans le groupe en se dplaant vers le centre peru de la formation
PhilippeCollard.com
30/04/09
+ de nouvelles rgles
atteindre
un but (perchoir, arbre, nourriture, ) en PSO chaque entit est une solution et le but global est de se rapprocher de la meilleure
PhilippeCollard.com
30/04/09
Particle Swarm Optimization (PSO) Russel Eberhart (ingnieur) Jim Kennedy (socio-psychologue)
Principes :
Agents
avec des capacits de perception, mmorisation et calcul limites dynamique induite par des interactions locales observation de comportements globaux mergents
PhilippeCollard.com 30/04/09
Une population dagents (ici particules) Coopration plutt que Comptition Efficace sur un espace de recherche continu Dynamiques dfinis sur un espace temps discret
Maurice Clerc (ingnieur R&D France Telecom) http://www.particleswarm.info/
PhilippeCollard.com
Bibliographie / source
16
Swarm Intelligence, J. Kennedy, R. Eberhart et Y Shi, ed. Morgan Kaufman, 2001 MtaHeuristiques pour loptimisation difficile, J. Dro, et al., ed. Eyrolles, 2003 Loptimisation par essaims particulaires, M. Clerc, ed. Hermes, 2005
30/04/09
PhilippeCollard.com
Mime le comportement dune nue doiseaux (ou banc de poissons) bas sur les rgles qui permettent de soudain changement de direction, dispersion, regroupement, etc
position (reprsente une solution du problme) vitesse (direction pour un future dplacement)
Comportement :
se dplacer dans lespace de recherche dans le but de se positionner sur des solutions optimales
PhilippeCollard.com
30/04/09
: suivre sa propre voie conservateur : revenir en arrire panurgien : suivre le meilleur de tous
PhilippeCollard.com 30/04/09
19
Un dplacement est finalement une combinaison pondre des trois types de mouvement ; pris en compte de :
ltat
instantan : position & vitesse (mmoire propre court terme) perf. personnelle (mmoire propre long terme) perf. des voisins (mmoire partage)
Initialisation
20
1 Particule = 1 solution du problme doptimisation Pour chaque particule : 1. fixer sa position au hasard dans lespace de recherche 2. fixer sa vitesse au hasard 3. dfinir son voisinage
PhilippeCollard.com
Gographique
ncessite une notion de distance doit tre mis a jour chaque dplacement donc
dynamique cot computationnel
Social
PhilippeCollard.com
PhilippeCollard.com
23
Ma position actuelle x La meilleure perf. de mes voisins Vitesse actuelle PhilippeCollard.com 30/04/09 g
Mettre jour la vitesse v(t+1) = c1.v(t) + c2.(p-x(t)) + c3.(g-x(t)) Mettre jour la position x(t+1) = x(t) + v(t+1)
critique
>> 1 favorise lexploration de lespace de recherche << 1 favorise une convergence prmature
c2 reprsente lattraction vers sa meilleure position : mmoire propre une particule c3 reprsente lattraction vers la meilleure de ses voisines : mmoire partage
Il existe des variantes PSO bases sur une mise jour dynamique The value of the inertia weight is decreased during a run (proposed by Shi and Eberhart)
PhilippeCollard.com 30/04/09
c1 constante
valeur
critique autour de 1
Points essentiels
27
Inspir par les interactions sociales ou les dplacements dun groupe danimaux Pour chaque particule :
Persistance
court
: dure de vie illimite (cf. EA) Capacits de mmorisation de son tat propre
terme long terme
Capacit
au
Points essentiels
28
particule mme actuellement mdiocre est conserve elle permettra peut-tre le succs futur du fait quelle sort de sentiers battus
Cooprer plutt que comptitionner Chacun est producteur et consommateur dinformation Chacun est teacher and learner
PhilippeCollard.com
30/04/09
29
courante : vecteur x(t) = (x1,..,xD) Vitesse courante : vecteur v(t) = (v1,..,vD) Meilleure position visite : p(t) = (p1,..,pD) Meilleure position parmi les informatrices :
g(t)
= (g1,..,gD)
Paramtres
30
Nombre N de particules
compromis
Il existe des versions adaptatives qui vitent de fixer a priori la valeur des paramtres (cf. TRIBES)
30/04/09
PhilippeCollard.com
0 < c1 <= 1
sinon
comportement intressant merge dun compromis entre individualit et sociabilit Relation trouve exprimentalement, puis confirme mathmatiquement cmax=(c1+1)2/2
PhilippeCollard.com 30/04/09
Valeurs classiques
#particules
20 30 3 5
#informatrices
(c1,cmax)=(0.7
ou
, 1.47)
(0.8 , 1.62) ou
PhilippeCollard.com
30/04/09
Confinement dintervalle
33
Problme
viter
quune particule lors dun dplacement sorte de lespace de recherche Possible erreurs dexcution du programme
Solution
la
Exemple
Espace : [xmin,xmax]D
Algorithme de base
34
Initialiser Repeat
for
calculer
PhilippeCollard.com
Variantes
35
c est le facteur de constriction de valeur fixe propos par par Clerc & Kennedy amliore grandement les performances
particule est attire par chaque particule de son voisinage Propos par Mendes et al.
PhilippeCollard.com 30/04/09
Quite often, researchers claim to compare their version of PSO with the "standard one", but the "standard one" itself seems to vary! Thus, it is important to define a real standard that would stay unchanged for at least one year This PSO version does not intend to be the best one on the market (in particular, there is no adaptation of the swarm size nor of the coefficients) This is simply very near to the original version with just a few improvements based on some recent works
30/04/09
(1995),
PhilippeCollard.com
Each particle chooses a few informants at random, selects the best one from this set, and takes into account the information given by the chosen particle. If it finds no particle better than itself, then the "reasoning" is:
"I
am the best, so I just take my current velocity and my previous best position into account"
PhilippeCollard.com
30/04/09
Parameters/Options
38
clamping := true/false => whether to use clamping positions or not randOrder:= true/false => whether to avoid the bias due to the loop on particles "for s = 1 to swarm_size ..." or not rotation := true/false => whether the algorithm is sensitive to a rotation of the landscape or not You may also modify the following ones, although suggested values are either hard coded or automatically computed:
S := swarm size K := maximum number of particles _informed_ by a given one w := first cognitive/confidence coefficient c := second cognitive/confidence coefficient
PhilippeCollard.com
30/04/09
Equations
39
where
v(t) := velocity at time t x(t) := position at time t p(t) := best previous position of the particle g(t) := best position amongst the best previous positions of the informants of the particle R(c) := a number coming from a random distribution, which depends on c in this standard, the distribution is uniform on [0,c]
PhilippeCollard.com
30/04/09
Equations
40
Note 1:
When
the particle has no informant better than itself, it implies p(t) = g(t) Equation 1 gets modified to: v(t+1) = w*v(t) + R(c)*(p(t)-x(t))
Therefore,
PhilippeCollard.com
30/04/09
// ----------------------------------------------- PROBLEM functionCode = 0; /* (see problemDef( ) for precise definitions) 0 Parabola (Sphere) 1 Griewank 2 Rosenbrock (Banana) 3 Rastrigin 4 Tripod (dimension 2) 5 Ackley 100 Shifted Parabola 99 Test */
PhilippeCollard.com
30/04/09
Fonction Rosenbrock
42
PhilippeCollard.com
30/04/09
Fonction dAckley
43
PhilippeCollard.com
30/04/09