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/Header2Algo01.rst
34 Cet algorithme réalise une estimation de l'état d'un système par minimisation
35 d'une fonctionnelle d'écart :math:`J` en utilisant une méthode évolutionnaire
36 d'essaim particulaire. C'est une méthode qui n'utilise pas les dérivées de la
37 fonctionnelle d'écart. Elle est basée sur l'évolution d'une population (appelée
38 "essaim") d'états (chaque individu étant appelé une "particule" ou un insecte).
39 Elle entre dans la même catégorie que les
40 :ref:`section_ref_algorithm_DerivativeFreeOptimization`,
41 :ref:`section_ref_algorithm_DifferentialEvolution` ou
42 :ref:`section_ref_algorithm_TabuSearch`.
44 C'est une méthode d'optimisation mono-objectif, permettant la recherche du
45 minimum global d'une fonctionnelle d'erreur :math:`J` quelconque de type
46 :math:`L^1`, :math:`L^2` ou :math:`L^{\infty}`, avec ou sans pondérations,
47 comme décrit dans la section pour :ref:`section_theory_optimization`. La
48 fonctionnelle d'erreur par défaut est celle de moindres carrés pondérés
49 augmentés, classiquement utilisée en assimilation de données.
51 Il existe diverses variantes de cet algorithme. On propose ici les formulations
52 stables et robustes suivantes :
55 pair: Variant ; CanonicalPSO
57 pair: Variant ; SPSO-2011
58 pair: Variant ; AIS PSO
61 - "CanonicalPSO" (Canonical Particule Swarm Optimisation, voir
62 [ZambranoBigiarini13]_), algorithme classique dit "canonique" d'essaim
63 particulaire, robuste et définissant une référence des algorithmes d'essaims
65 - "OGCR" (Simple Particule Swarm Optimisation), algorithme simplifié d'essaim
66 particulaire sans bornes sur les insectes ou les vitesses, déconseillé car
67 peu robuste, mais parfois beaucoup plus rapide,
68 - "SPSO-2011" ou "SPSO-2011-AIS" (Standard Particle Swarm Optimisation 2011,
69 voir [ZambranoBigiarini13]_), algorithme de référence 2011 d'essaim
70 particulaire, robuste, performant et défini comme une référence des
71 algorithmes d'essaims particulaires. Cet algorithme est parfois appelé
72 ":math:`\omega`-PSO" ou "Inertia PSO" car il intègre une contribution dite
73 d'inertie, ou encore appelé "AIS" (pour "Asynchronous Iteration Strategy") ou
74 "APSO" (pour "Advanced Particle Swarm Optimisation") car il intègre la mise à
75 jour évolutive des meilleurs éléments, conduisant à une convergence
76 intrinsèquement améliorée de l'algorithme.
77 - "SPSO-2011-SIS" (Standard Particle Swarm Optimisation 2011 with Synchronous
78 Iteration Strategy), très similaire à l'algorithme de référence 2011 et avec
79 une mise à jour synchrone, appelée "SIS", des particules.
80 - "SPSO-2011-PSIS" (Standard Particle Swarm Optimisation 2011 with Parallel
81 Synchronous Iteration Strategy), similaire à l'algorithme "SPSO-2011-SIS"
82 avec mise à jour synchrone et parallélisation, appelée "PSIS", des
85 Voici quelques suggestions pratiques pour une utilisation efficace de ces
88 - La variante recommandée de cet algorithme est le "SPSO-2011" même si
89 l'algorithme "CanonicalPSO" reste par défaut le plus robuste. Dans le cas où
90 l'évaluation de l'état peut être réalisé en parallèle, on peut utiliser
91 l'algorithme "SPSO-2011-PSIS" même si sa convergence est parfois un peu moins
93 - Le nombre de particules ou d'insectes usuellement recommandé varie entre 40
94 et 100 selon l'algorithme, à peu près indépendamment de la dimension de
95 l'espace des états. En général, les meilleurs performances sont obtenues pour
96 des populations de 70 à 500 particules. Même si la valeur par défaut de ce
97 paramètre de base provient d'une expérience étendue sur ces algorithmes, il
98 est recommandé de l'adapter à la difficulté des problèmes traités.
99 - Le nombre recommandé de générations, lors de l'évolution de la population,
100 est souvent de l'ordre de 50, mais il peut facilement varier entre 25 et 500.
101 - Le nombre maximal d'évaluation de la fonction de simulation doit usuellement
102 être limité entre quelques milliers et quelques dizaines de milliers de fois
103 la dimension de l'espace des états.
104 - La fonctionnelle d'erreur décroît usuellement par pallier (donc avec une
105 progression nulle de la valeur de fonctionnelle à chaque génération lorsque
106 l'on reste dans le palier), rendant *non recommandé* un arrêt sur critère de
107 décroissance de la fonction-coût. Il est normalement plus judicieux d'adapter
108 le nombre d'itérations ou de générations pour accélérer la convergence des
110 - Si le problème est contraint, il faut définir les bornes des variables (par
111 la variable "*Bounds*"). Si le problème est totalement non contraint, il est
112 indispensable de définir des bornes d'incrément (par la variable
113 "*BoxBounds*") pour circonscrire la recherche optimale de manière utile. De
114 manière similaire, si le problème est partiellement contraint, il est
115 recommandé (mais pas indispensable) de définir des bornes d'incrément. Dans
116 le cas où ces bornes d'incréments ne sont pas définies, ce sont les bornes
117 des variables qui seront utilisées comme bornes d'incréments.
119 Ces conseils sont à utiliser comme des indications expérimentales, et pas comme
120 des prescriptions, car ils sont à apprécier ou à adapter selon la physique de
121 chaque problème que l'on traite.
123 Le décompte du nombre d'évaluations de la fonction à simuler lors de cet
124 algorithme est déterministe, à savoir le "*nombre d'itérations ou de
125 générations*" multiplié par le "*nombre d'individus de la population*". Avec
126 les valeurs par défaut, il faut entre `40x50=2000` et `100*50=5000` évaluations
127 par défaut. C'est pour cette raison que cet algorithme est usuellement
128 intéressant lorsque la dimension de l'espace des états est grande, ou que les
129 non-linéarités de la simulation rendent compliqué, ou invalide, l'évaluation du
130 gradient de la fonctionnelle par approximation numérique. Mais il est aussi
131 nécessaire que le calcul de la fonction à simuler ne soit pas trop coûteuse
132 pour éviter une temps d'optimisation rédhibitoire.
134 .. ------------------------------------ ..
135 .. include:: snippets/Header2Algo02.rst
137 .. include:: snippets/Background.rst
139 .. include:: snippets/BackgroundError.rst
141 .. include:: snippets/Observation.rst
143 .. include:: snippets/ObservationError.rst
145 .. include:: snippets/ObservationOperator.rst
147 .. ------------------------------------ ..
148 .. include:: snippets/Header2Algo03AdOp.rst
150 .. include:: snippets/BoundsWithNone.rst
152 .. include:: snippets/BoxBounds.rst
154 .. include:: snippets/CognitiveAcceleration.rst
156 .. include:: snippets/InertiaWeight.rst
158 .. include:: snippets/InitializationPoint.rst
160 .. include:: snippets/MaximumNumberOfFunctionEvaluations.rst
162 .. include:: snippets/MaximumNumberOfIterations_50.rst
164 .. include:: snippets/NumberOfInsects.rst
166 .. include:: snippets/QualityCriterion.rst
168 .. include:: snippets/SetSeed.rst
170 .. include:: snippets/SocialAcceleration.rst
172 StoreSupplementaryCalculations
173 .. index:: single: StoreSupplementaryCalculations
175 *Liste de noms*. Cette liste indique les noms des variables supplémentaires,
176 qui peuvent être disponibles au cours du déroulement ou à la fin de
177 l'algorithme, si elles sont initialement demandées par l'utilisateur. Leur
178 disponibilité implique, potentiellement, des calculs ou du stockage coûteux.
179 La valeur par défaut est donc une liste vide, aucune de ces variables n'étant
180 calculée et stockée par défaut (sauf les variables inconditionnelles). Les
181 noms possibles pour les variables supplémentaires sont dans la liste suivante
182 (la description détaillée de chaque variable nommée est donnée dans la suite
183 de cette documentation par algorithme spécifique, dans la sous-partie
184 "*Informations et variables disponibles à la fin de l'algorithme*") : [
190 "CurrentIterationNumber",
193 "InternalCostFunctionJ",
194 "InternalCostFunctionJb",
195 "InternalCostFunctionJo",
199 "SimulatedObservationAtBackground",
200 "SimulatedObservationAtCurrentState",
201 "SimulatedObservationAtOptimum",
205 ``{"StoreSupplementaryCalculations":["CurrentState", "Residu"]}``
207 .. include:: snippets/SwarmTopology.rst
209 .. include:: snippets/Variant_PSO.rst
211 .. include:: snippets/VelocityClampingFactor.rst
213 .. ------------------------------------ ..
214 .. include:: snippets/Header2Algo04.rst
216 .. include:: snippets/Analysis.rst
218 .. include:: snippets/CostFunctionJ.rst
220 .. include:: snippets/CostFunctionJb.rst
222 .. include:: snippets/CostFunctionJo.rst
224 .. ------------------------------------ ..
225 .. include:: snippets/Header2Algo05.rst
227 .. include:: snippets/Analysis.rst
229 .. include:: snippets/BMA.rst
231 .. include:: snippets/CostFunctionJ.rst
233 .. include:: snippets/CostFunctionJb.rst
235 .. include:: snippets/CostFunctionJo.rst
237 .. include:: snippets/CurrentIterationNumber.rst
239 .. include:: snippets/CurrentState.rst
241 .. include:: snippets/Innovation.rst
243 .. include:: snippets/InternalCostFunctionJ.rst
245 .. include:: snippets/InternalCostFunctionJb.rst
247 .. include:: snippets/InternalCostFunctionJo.rst
249 .. include:: snippets/InternalStates.rst
251 .. include:: snippets/OMA.rst
253 .. include:: snippets/OMB.rst
255 .. include:: snippets/SimulatedObservationAtBackground.rst
257 .. include:: snippets/SimulatedObservationAtCurrentState.rst
259 .. include:: snippets/SimulatedObservationAtOptimum.rst
261 .. ------------------------------------ ..
262 .. _section_ref_algorithm_ParticleSwarmOptimization_examples:
264 .. include:: snippets/Header2Algo09.rst
266 .. include:: scripts/simple_ParticleSwarmOptimization1.rst
268 .. literalinclude:: scripts/simple_ParticleSwarmOptimization1.py
270 .. include:: snippets/Header2Algo10.rst
272 .. literalinclude:: scripts/simple_ParticleSwarmOptimization1.res
275 .. include:: snippets/Header2Algo11.rst
277 .. _simple_ParticleSwarmOptimization1:
278 .. image:: scripts/simple_ParticleSwarmOptimization1.png
282 .. ------------------------------------ ..
283 .. include:: snippets/Header2Algo06.rst
285 - :ref:`section_ref_algorithm_DerivativeFreeOptimization`
286 - :ref:`section_ref_algorithm_DifferentialEvolution`
287 - :ref:`section_ref_algorithm_TabuSearch`
289 .. ------------------------------------ ..
290 .. include:: snippets/Header2Algo07.rst
293 - [ZambranoBigiarini13]_