2 Copyright (C) 2008-2023 EDF R&D
4 This file is part of SALOME ADAO module.
6 This library is free software; you can redistribute it and/or
7 modify it under the terms of the GNU Lesser General Public
8 License as published by the Free Software Foundation; either
9 version 2.1 of the License, or (at your option) any later version.
11 This library is distributed in the hope that it will be useful,
12 but WITHOUT ANY WARRANTY; without even the implied warranty of
13 MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
14 Lesser General Public License for more details.
16 You should have received a copy of the GNU Lesser General Public
17 License along with this library; if not, write to the Free Software
18 Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA
20 See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
22 Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
24 .. index:: single: ParticleSwarmOptimization
25 .. index:: single: Essaim particulaire (Optimisation par)
26 .. _section_ref_algorithm_ParticleSwarmOptimization:
28 Algorithme de calcul "*ParticleSwarmOptimization*"
29 --------------------------------------------------
31 .. ------------------------------------ ..
32 .. include:: snippets/Header2Algo00.rst
34 .. ------------------------------------ ..
35 .. include:: snippets/Header2Algo01.rst
37 Cet algorithme réalise une estimation de l'état d'un système par minimisation
38 d'une fonctionnelle d'écart :math:`J` en utilisant une méthode évolutionnaire
39 d'essaim particulaire. C'est une méthode qui n'utilise pas les dérivées de la
40 fonctionnelle d'écart. Elle est basée sur l'évolution d'une population (appelée
41 "essaim") d'états (chaque individu étant appelé une "particule" ou un insecte).
42 Elle entre dans la même catégorie que les
43 :ref:`section_ref_algorithm_DerivativeFreeOptimization`,
44 :ref:`section_ref_algorithm_DifferentialEvolution` ou
45 :ref:`section_ref_algorithm_TabuSearch`.
47 C'est une méthode d'optimisation mono-objectif, permettant la recherche du
48 minimum global d'une fonctionnelle d'erreur :math:`J` quelconque de type
49 :math:`L^1`, :math:`L^2` ou :math:`L^{\infty}`, avec ou sans pondérations,
50 comme décrit dans la section pour :ref:`section_theory_optimization`. La
51 fonctionnelle d'erreur par défaut est celle de moindres carrés pondérés
52 augmentés, classiquement utilisée en assimilation de données.
54 Il existe diverses variantes de cet algorithme. On propose ici les formulations
55 stables et robustes suivantes :
58 pair: Variant ; CanonicalPSO
60 pair: Variant ; SPSO-2011
62 - "CanonicalPSO" (Canonical Particule Swarm Optimisation, voir [ZambranoBigiarini13]_), algorithme classique dit "canonique" d'essaim particulaire, robuste et définissant une référence des algorithmes d'essaims particulaires,
63 - "OGCR" (Simple Particule Swarm Optimisation), algorithme simplifié d'essaim particulaire sans bornes sur les insectes ou les vitesses, déconseillé car peu robuste, mais parfois beaucoup plus rapide,
64 - "SPSO-2011" (Standard Standard Particle Swarm Optimisation 2011, voir [ZambranoBigiarini13]_), algorithme de référence 2011 d'essaim particulaire, robuste, performant et défini comme une référence des algorithmes d'essaims particulaires.
66 Voici quelques suggestions pratiques pour une utilisation efficace de ces
69 - La variante recommandée de cet algorithme est le "SPSO-2011" même si
70 l'algorithme "CanonicalPSO" reste par défaut le plus robuste des deux.
71 - Le nombre de particules ou d'insectes usuellement recommandé varie entre 40
72 et 100 selon l'algorithme, à peu près indépendamment de la dimension de
74 - Le nombre recommandé de générations, lors de l'évolution de la population,
75 est souvent de l'ordre de 50, mais il peut facilement varier entre 25 et 500.
76 - Le nombre maximal d'évaluation de la fonction de simulation doit usuellement
77 être limité entre quelques milliers et quelques dizaines de milliers de fois
78 la dimension de l'espace des états.
79 - La fonctionnelle d'erreur décroît usuellement par pallier (donc avec une
80 progression nulle de la valeur de fonctionnelle à chaque génération lorsque
81 l'on reste dans le palier), rendant non recommandé un arrêt sur critère de
82 décroissance de la fonction-coût. Il est normalement plus judicieux d'adapter
83 le nombre d'itérations ou de générations pour accélérer la convergence des
85 - Si le problème est contraint, il faut définir les bornes des variables (par
86 la variable "*Bounds*"). Si le problème est totalement non contraint, il est
87 indispensable de définir des bornes d'incrément (par la variable
88 "*BoxBounds*") pour circonscrire la recherche optimale de manière utile. De
89 manière similaire, si le problème est partiellement contraint, il est
90 recommandé (mais pas indispensable) de définir des bornes d'incrément. Dans
91 le cas où ces bornes d'incréments ne sont pas définies, ce sont les bornes
92 des variables qui seront utilisées comme bornes d'incréments.
94 Ces conseils sont à utiliser comme des indications expérimentales, et pas comme
95 des prescriptions, car ils sont à apprécier ou à adapter selon la physique de
96 chaque problème que l'on traite.
98 Le décompte du nombre d'évaluations de la fonction à simuler lors de cet
99 algorithme est déterministe, à savoir le "*nombre d'itérations ou de
100 générations*" multiplié par le "*nombre d'individus de la population*". Avec
101 les valeurs par défaut, il faut entre `40x50=2000` et `100*50=5000` évaluations
102 par défaut. C'est pour cette raison que cet algorithme est usuellement
103 intéressant lorsque la dimension de l'espace des états est grande, ou que les
104 non-linéarités de la simulation rendent compliqué, ou invalide, l'évaluation du
105 gradient de la fonctionnelle par approximation numérique. Mais il est aussi
106 nécessaire que le calcul de la fonction à simuler ne soit pas trop coûteuse
107 pour éviter une temps d'optimisation rédhibitoire.
109 .. ------------------------------------ ..
110 .. include:: snippets/Header2Algo02.rst
112 .. include:: snippets/Background.rst
114 .. include:: snippets/BackgroundError.rst
116 .. include:: snippets/Observation.rst
118 .. include:: snippets/ObservationError.rst
120 .. include:: snippets/ObservationOperator.rst
122 .. ------------------------------------ ..
123 .. include:: snippets/Header2Algo03AdOp.rst
125 .. include:: snippets/BoundsWithNone.rst
127 .. include:: snippets/BoxBounds.rst
129 .. include:: snippets/CognitiveAcceleration.rst
131 .. include:: snippets/InertiaWeight.rst
133 .. include:: snippets/InitializationPoint.rst
135 .. include:: snippets/MaximumNumberOfFunctionEvaluations.rst
137 .. include:: snippets/MaximumNumberOfIterations_50.rst
139 .. include:: snippets/NumberOfInsects.rst
141 .. include:: snippets/QualityCriterion.rst
143 .. include:: snippets/SetSeed.rst
145 .. include:: snippets/SocialAcceleration.rst
147 StoreSupplementaryCalculations
148 .. index:: single: StoreSupplementaryCalculations
150 *Liste de noms*. Cette liste indique les noms des variables supplémentaires,
151 qui peuvent être disponibles au cours du déroulement ou à la fin de
152 l'algorithme, si elles sont initialement demandées par l'utilisateur. Leur
153 disponibilité implique, potentiellement, des calculs ou du stockage coûteux.
154 La valeur par défaut est donc une liste vide, aucune de ces variables n'étant
155 calculée et stockée par défaut (sauf les variables inconditionnelles). Les
156 noms possibles pour les variables supplémentaires sont dans la liste suivante
157 (la description détaillée de chaque variable nommée est donnée dans la suite
158 de cette documentation par algorithme spécifique, dans la sous-partie
159 "*Informations et variables disponibles à la fin de l'algorithme*") : [
165 "CurrentIterationNumber",
170 "SimulatedObservationAtBackground",
171 "SimulatedObservationAtCurrentState",
172 "SimulatedObservationAtOptimum",
176 ``{"StoreSupplementaryCalculations":["CurrentState", "Residu"]}``
178 .. include:: snippets/SwarmTopology.rst
180 .. include:: snippets/Variant_PSO.rst
182 .. include:: snippets/VelocityClampingFactor.rst
184 .. ------------------------------------ ..
185 .. include:: snippets/Header2Algo04.rst
187 .. include:: snippets/Analysis.rst
189 .. include:: snippets/CostFunctionJ.rst
191 .. include:: snippets/CostFunctionJb.rst
193 .. include:: snippets/CostFunctionJo.rst
195 .. ------------------------------------ ..
196 .. include:: snippets/Header2Algo05.rst
198 .. include:: snippets/Analysis.rst
200 .. include:: snippets/BMA.rst
202 .. include:: snippets/CostFunctionJ.rst
204 .. include:: snippets/CostFunctionJb.rst
206 .. include:: snippets/CostFunctionJo.rst
208 .. include:: snippets/CurrentIterationNumber.rst
210 .. include:: snippets/CurrentState.rst
212 .. include:: snippets/Innovation.rst
214 .. include:: snippets/OMA.rst
216 .. include:: snippets/OMB.rst
218 .. include:: snippets/SimulatedObservationAtBackground.rst
220 .. include:: snippets/SimulatedObservationAtCurrentState.rst
222 .. include:: snippets/SimulatedObservationAtOptimum.rst
224 .. ------------------------------------ ..
225 .. _section_ref_algorithm_ParticleSwarmOptimization_examples:
227 .. include:: snippets/Header2Algo06.rst
229 - :ref:`section_ref_algorithm_DerivativeFreeOptimization`
230 - :ref:`section_ref_algorithm_DifferentialEvolution`
231 - :ref:`section_ref_algorithm_TabuSearch`
233 .. ------------------------------------ ..
234 .. include:: snippets/Header2Algo07.rst
237 - [ZambranoBigiarini13]_