현재 "입자 군대 최적화"에서 소프트 컴퓨팅 알고리즘을 읽고 있습니다. 일반적으로이 기법을 이해하고 있지만, 수학이나 물리학 부분에서 멈추었습니다. 어떻게 작동하는지 이해할 수 없거나 이해할 수 없습니다. 또는이 비행에 미치는 영향, 그 부분은 갱신 방정식의 첫 번째 부분 인 "관성 요소" 라고 속도 전체 업데이트 속도 방정식은 다음과 내가 2.3 절에서 하나 개의 문서에서 읽기 " Ineteria Factor ":입자 무리 최적화 관성 모멘트
"이 변형 알고리즘은 두 가지 가능한 PSO 경향을 균형있게 조율하는 것을 목표로합니다 (de- 매개 변수화에 매달려 있음) 알려진 솔루션 주변의 영역을 악용하거나 검색 공간의 새로운 영역을 탐색 할 수 있습니다. 그렇게하기 위해이 변형은 입자 속도 방정식 2의 운동량 성분 인 에 초점을 맞 춥니 다. 이 구성 요소를 제거하면 입자의 이동에 큰 방향의 움직임이 전혀 기억되지 않으며 항상 가까운 거리를 탐색합니다 찾아낸 해결책에. 한편, 속도 구성 요소가 사용되거나 심지어 aw가 곱해진 경우 (관성 무게, 운동량 구성 요소의 중요성을 조정 함) 요소 입자는 을 쉽게 변경할 수 없기 때문에 검색 공간의 새 영역을 탐색하는 경향이 있습니다 최상의 솔루션을 향한 속도. 그것은 먼저 " "의 운동량을 상쇄해야합니다. 따라서 새로운 모험을 할 때 "이전 운동량"에 대항하여 시간을 소비하는 새로운 영역을 탐색 할 수 있습니다. .이
전체 PDF에서 " ATION가, w 무게 값으로 이전 속도 성분을 곱하여 달성 vari- : https://www.google.com.eg/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&ved=0CDIQFjAA&url=http%3A%2F%2Fweb.ist.utl.pt%2F~gdgp%2FVA%2Fdata%2Fpso.pdf&ei=0HwrUaHBOYrItQbwwIDoDw&usg=AFQjCNH8vChXHXWz_ydHxJKAY0cUa94n-g
하지만 난 방법도 physicaly 상상할 수없는 또는 수치이 무슨 일이 생긴한다 그리고이 요소가 탐험 단계에서 착취 단계에 어떻게 영향을 미치는지 알아 보려면 숫자가 필요한 예가 필요합니다. 어떻게 작동하는지보고 상상해보십시오.
또한 유전자 알고리즘에는 GA 성공의 증거 인 스키마 정리가 있습니다. 최적의 솔루션을 찾는 데는 PSO에 대한 그러한 장점이 있습니다