Inteligence skupiny
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
P
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Záměrem disertační práce je aplikovaný výzkum skupinové ( kolektivní ) inteligence . K prokázání použitelnosti inteligence skupiny je zkoumán algoritmus na bázi roje částic ( Particle Swarm Optimization PSO ), v němž je problém inteligence skupiny převeden na matematickou optimalizaci, kdy roj částic ( particle swarm ) hledá globální optimum ve vymezeném prostoru problému a prohledávání je řízeno podle předem nadefinované účelové funkce ( objective function ), která zastupuje řešený problém. Byla navržena a experimentálně ověřena strategie prohledávání, v níž částice průběžně přizpůsobují své chování charakteristikám prostoru řešeného problému, a bylo experimentálně zjištěno, jak se vliv řídící účelové funkce zastupující řešený problém projevuje v chování částic. Výsledky experimentování s navrženou strategií prohledávání byly porovnány s výsledky experimentů s referenční verzí algoritmu PSO . Experimenty ukázaly, že klasické prohledávání, kde jedinou podmínkou je stabilní trajektorie, po níž se částice pohybuje v prostoru řešeného problému, a kde je ve výsledku eliminován vliv řídící účelové funkce, může selhat a že dynamická stabilita trajektorií částic sama o sobě není ukazatelem prohledávacích schopností algoritmu ani konvergence algoritmu ke správnému, globálnímu řešení. Byl navržen způsob prohledávání prostoru řešeného problému, v němž algoritmus PSO reguluje stabilitu algoritmu průběžným přizpůsobováním chování částic charakteristikám prostoru problému. Navržený algoritmus usměrňoval vývoj prohledávání prostoru problému tak, že vzrostla pravděpodobnost úspěšnosti řešení.
The intention of the dissertation is the applied research of the collective ( group ) ( swarm ) intelligence . To demonstrate the applicability of the collective intelligence, the Particle Swarm Optimization ( PSO ) algorithm has been studied in which the problem of the collective intelligence is transferred to mathematical optimization in which the particle swarm searches for a global optimum within the defined problem space, and the searching is controlled according to the pre-defined objective function which represents the solved problem. A new search strategy has been designed and experimentally tested in which the particles continuously adjust their behaviour according to the characteristics of the problem space, and it has been experimentally discovered how the impact of the objective function representing a solved problem manifests itself in the behaviour of the particles. The results of the experiments with the proposed search strategy have been compared to the results of the experiments with the reference version of the PSO algorithm. Experiments have shown that the classical reference solution, where the only condition is a stable trajectory along which the particle moves in the problem space, and where the influence of a control objective function is ultimately eliminated, may fail, and that the dynamic stability of the trajectory of the particle itself is not an indicator of the searching ability nor the convergence of the algorithm to the true global solution of the solved problem. A search strategy solution has been proposed in which the PSO algorithm regulates its stability by continuous adjustment of the particles behaviour to the characteristics of the problem space. The proposed algorithm influenced the evolution of the searching of the problem space, so that the probability of the successful problem solution increased.
The intention of the dissertation is the applied research of the collective ( group ) ( swarm ) intelligence . To demonstrate the applicability of the collective intelligence, the Particle Swarm Optimization ( PSO ) algorithm has been studied in which the problem of the collective intelligence is transferred to mathematical optimization in which the particle swarm searches for a global optimum within the defined problem space, and the searching is controlled according to the pre-defined objective function which represents the solved problem. A new search strategy has been designed and experimentally tested in which the particles continuously adjust their behaviour according to the characteristics of the problem space, and it has been experimentally discovered how the impact of the objective function representing a solved problem manifests itself in the behaviour of the particles. The results of the experiments with the proposed search strategy have been compared to the results of the experiments with the reference version of the PSO algorithm. Experiments have shown that the classical reference solution, where the only condition is a stable trajectory along which the particle moves in the problem space, and where the influence of a control objective function is ultimately eliminated, may fail, and that the dynamic stability of the trajectory of the particle itself is not an indicator of the searching ability nor the convergence of the algorithm to the true global solution of the solved problem. A search strategy solution has been proposed in which the PSO algorithm regulates its stability by continuous adjustment of the particles behaviour to the characteristics of the problem space. The proposed algorithm influenced the evolution of the searching of the problem space, so that the probability of the successful problem solution increased.
Description
Citation
WINKLEROVÁ, Z. Inteligence skupiny [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. .
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Výpočetní technika a informatika
Comittee
Date of acceptance
2015-12-04
Defence
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení