1 Introducción
Particle Swarm Optimization (PSO) como método
estocástico de optimización global inicia con estudios
realizados por Kennedy y Eberhart (1995), quienes se
fijan como objetivo inicial simular gráficamente el
movimiento sincronizado e impredecible de grupos
tales como los bancos de peces o las bandadas de aves,
intrigados por la capacidad de estos grupos para
separarse, reagruparse o encontrar alimento.
Dentro de esta misma línea, con trabajos previos en el
ámbito de la biología y de la sociología, que
concluyen que el comportamiento, inteligencia y
movimiento de estas agrupaciones, entre las cuales se
podría incluir con un cierto grado de abstracción a los
seres humanos, está relacionado directamente con la
capacidad de los individuos para compartir
información y aprovecharse de la experiencia
semejante acumulada.
Kennedy y Eberhart (1995), modelan dicho
comportamiento de forma matemática utilizando
expresiones simples que revelan su potencial como
método de optimización. En la terminología utilizada
en PSO, Kennedy y Eberhart (1995, 2001) introducen
el término general partícula o agente para representar
a los peces, pájaros, abejas, hormigas o cualquier otro
tipo de individuos que exhiban un comportamiento
social como grupo, en forma de una colección de
agentes que interactúan entre sí.
De acuerdo con los fundamentos teóricos del método,
el movimiento de cada una de estas partículas hacia un
objetivo común en dos dimensiones está condicionado
por dos factores básicos, la memoria autobiográfica de
la partícula o nostalgia y la influencia social de todo el
enjambre. A nivel computacional, como método de
optimización, esta filosofía puede extenderse a un
espacio N-dimensional de acuerdo con el problema
bajo análisis. La posición instantánea de cada una de
las partículas de la población en el espacio N-
dimensional representa una solución potencial, siendo
N el número de incógnitas del problema original.
Básicamente, el proceso evolutivo se reduce a mover
cada partícula dentro del espacio de soluciones con
una velocidad que variará de acuerdo a su velocidad
actual, a la memoria de la partícula y a la información
global que comparte el resto del enjambre, utilizando
una función de fitness para cuantificar la calidad de
cada partícula en función de la posición que ésta
ocupe, más allá de la propia naturaleza del método, los
esquemas existentes para la implementación son muy
diversos.
En la investigación realizada por Carlisle y Dozier
(2001) se muestran variantes dependiendo de cómo se
actualicen las posiciones de las partículas surgen las
versiones síncrona y asíncrona del algoritmo.
Adicionalmente, dependiendo de cómo se haga influir
la experiencia acumulada por el enjambre sobre el
movimiento de cada una de las partículas que lo
integran, se puede distinguir entre PSO local y global,
como lo indican Eberhart y Shi (2001). Son muy
extensas las variantes que los propios autores e
investigadores plantean, con el propósito de mejorar
el rendimiento del algoritmo original en aplicaciones
concretas.
Trasladando la filosofía de PSO al campo de la vida
artificial y del cómputo evolutivo, entre las múltiples
áreas donde ha sido aplicado con éxito, destacan por
su importancia: optimización de funciones y
resolución de problemas matemáticos complejos
(Laskari et al., 2002), (Hu et al., 2003), optimización
de pronóstico sobre algoritmos clásicos (Barba y
Rodríguez, 2015), entrenamiento de redes neuronales
(Ismail y Engelbrecht, 2000), (Srinivasan et al., 2003),
(Eberhart, Hu, 1999), (Wang et al., 2004),
optimización de sistemas dinámicos (Hu y Eberhart,
2002), (Vesterstrom y Riget, 2002), procesado de
señal (Zhao y Zheng, 2004), (Lu y Yan, 2004),
gestión, planificación y optimización de recursos en
redes de distribución de energía eléctrica (Naka et al.,
2001), (Koay y Srinivasan, 2003), (Naka et al., 2003),
(Miranda y Fonseca, 2002), (Gaing, 2003), (Chang y
Lu, 2002), gestión de redes de sensores
(Veeramachaneni y Osadciw, 2004a),
(Veeramachaneni y Osadciw, 2004b), planificación de
red en servicios de telecomunicación (Yangyang et
al., 2004), gestión empresarial (Tasgetiren y Liang,
2003) y teoría de juegos (Franken y Engelbrecht,
2004), entre otros.
En las aplicaciones en el ámbito de la vida artificial se
deben respetar cinco principios básicos sobre la
inteligencia de grupo (Kennedy y Eberhart, 1995),
(Millonas, 1994), estos principios son: proximidad,
calidad, diversidad de respuesta, estabilidad y
adaptabilidad.
Con base en lo anteriormente expuesto, se plantea un
estudio comparativo que muestra los cambios en las
constantes de aceleración c
1
y c
2
en la actualización de
la posición de las partículas en PSO, con lo que se
resolverá un problema de estimación de costos,
mediante una Red Neuronal Artificial tipo
feedforward sigmoidal con aprendizaje PSO. El
documento está estructurado de la siguiente manera.
La sección 2 se describe la metodología a utilizar, en
la sección 3 se presentan los resultados y discusión, y
en la sección 4 se muestran las conclusiones.