Capítulo 3: Estado del arte, PSO

494 views

Published on

Capítulo 3: Estado del arte del algoritmo PSO. Qué es, como se implementa y algunas aplicaciones en algoritmos de aprendizaje (redes neuronales, SVM, K-Means)

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
494
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
20
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Capítulo 3: Estado del arte, PSO

  1. 1. Estado del Arte: PSO Ignacio Salas DonosoIng. Civil Informática, UTFSM
  2. 2. TemarioPSOResumen
  3. 3. PSOPSO (Particle Swarm Optimization) Busca resolver problemas con el comportamiento de enjambres Velocidad Cada partícula se desplaza en el dominio, e interactúa con las demás partículas Además de tener posición y velocidad, pueden recordar su mejor posición También pueden conocer la mejor posición Posición de otra partícula en la vecindad
  4. 4. PSOModifica de la velocidad y laposición de cada partícula Velocidad Actual Velocidad ¿Qué tan lejos Final estoy de mi mejor posición? ¿Qué tan lejos estoy de la Posición Posición posición de las Final Actual demás partículas?
  5. 5. PSOLa velocidad y posición de cada partícula se modifican con lassiguientes expresiones Mejor posiciónVelocidad Factor Posición de la partícula i Factor Social actual Cognitivo actual Factores Mejor posición aleatorios global
  6. 6. PSOVelocidad máxima Inercia V MAX
  7. 7. PSOFactor de ConstricciónAsegura la convergencia a un mínimo global evitando que laspartículas detengan su movimientoSe puede considerar como un caso especial del factor de inercia
  8. 8. PSOPSO binario Posición actual de la partícula 1 0 1 1 0 0 0 0 1 1Existe una probabilidad P de que un bit se convierta en 1 Velocidad 0.2 0.1 0.30 0.9 0.5 0.7 0.3 0.8 0.1 0.4 actual de la partículaLa modificación de la posición de la partícula se da de la siguientemanera
  9. 9. PSOSistema de recomendación con PSO Ponderación de las 22 Calculado con A características del producto PSO para el usuario objetivo Preferencia Se calcula el fitness de cada ítem de dos Distancia usuarios por Euclideana el mismo Fitness(i) = producto Voto estimado – Voto real El Fitness del usuario es el A promedio de los fitness de los productos
  10. 10. PSOPSO cooperativo (CPSO) para entrenar Redes Neuronales Enjambre 1 Enjambre 2 Enjambre 3 Solución Capa de entrada Capa oculta Capa de salidaCPSO ajusta lasponderaciones entrenodos de la red neuronal
  11. 11. PSOPSO y SVM (Support Vector Machine) en la selección decaracterísticas Atrib. 1 Atrib. 2 Atrib. 3 Atrib. 4 Atrib. 5 Atrib. 6 Atrib. 7 Atrib. 8 Atrib. 9 1 0 0 1 1 1 0 1 1Se usó un PSO binario, el 1 indica que se utiliza el atributoEl rendimiento de la solución seprueba con SVMSVM busca un hiperplano quesepare un conjunto en dos,maximizando el margen
  12. 12. PSOPSO y K-Means para agrupar documentosCada punto es un vector, donde cada elemento es la importanciade un término en un documento Minimizar Un enjambre representa una cantidad de agrupamientos posibles para la colección de documentos Maximizar Cada partícula mantiene una matriz, con los centroides de cada grupo
  13. 13. ResumenPSO se basa en la idea de tener un conjunto de partículas quesimulan el comportamiento de los enjambresPara evaluar el cambio de velocidad, se considera la variación de laposición con respecto a la experiencia personal y grupalExisten mejoras con respecto a la velocidad, ya sea para controlar suavance, como para controla la dirección de la partícula, que mejoranel rendimiento de PSOPSO aplicado a algoritmos de aprendizaje, como redes neuronales,SVM o K-Means, muestran resultados interesantes

×