Algoritmus optimalizace hejnem částic: vývoj a jeho aplikace

Abstract

Tato práce se zabývá přírodou inspirovaným stochastickým algoritmem Optimalizace hejnem částic, který hledá optimální řešení daného problému v globálním měřítku. Je zde popsáno několik jeho modifikací, které díky své robustnosti dokáží řešit širokou škálu problémů a zároveň stanovují požadavky pro nové varianty tohoto algoritmu. Hlavním přínosem této práce je implementace jednotlivých verzí v MATLABu a jejich srovnání na testovacích funkcích. Tyto funkce jsou charakteristické náročností nalezení jejich globálního extrému, a to zejména kvůli dimenzi definičního oboru a počtu lokálních extrémů, ve kterých mohou optimalizační algoritmy uvíznout. Proto jsou na závěr jednotlivé funkce rozděleny do skupin a ke každé této skupině je doporučena varianta algoritmu, která vykazuje nejlepší výsledky.

The thesis deals with biologically inspired stochastic Particle Swarm Optimization algorithm, which optimizes a given problem. Several of its modifications are described, which are, thanks to their complexity, able to solve many different types of problems as well as outlining demands for new versions of the algorithm. The MATLAB implementation of these particular versions and then application to benchmark functions is the main contribution of the thesis. The difficulty of optimizing these test functions is given mainly because of a domain's dimension and the amount of local extrema, where there is a tendency for optimization algorithms to stuck in. Thus, these functions are sorted into groups and for each of them the best-performing variant of the algorithm is recommended.