TDK Dolgozat. PSO algoritmus b vítése véges di erencia alapú gradiens becsléssel. Készítette: Barcsák Csaba mérnök informatikus szak

Átírás

1 TDK Dolgozat Miskolci Egyetem PSO algoritmus b vítése véges di erencia alapú gradiens becsléssel Készítette: Barcsák Csaba mérnök informatikus szak Témavezet : Prof. Dr. Jármai Károly Anyagmozgatási és Logisztikai Tanszék Miskolc, 2011

2 Köszönetnyilvánítás Köszönetemet fejezem ki témavezet mnek, Prof. Dr. Jármai Károlynak, aki sokat segített az optimáló módszerek elméleti hátterének és gyakorlati alkalmazásainak megértésében, és gyelemmel kísérte munkámat. A bemutatott TDK munka a TÁMOP B-10/2/KONV jel projekt részeként az Európai Unió támogatásával, az Európai Szociális Alap társnanszírozásával valósul meg, valamint az Országos Tudományos Kutatási Alap OTKA T támogatásával.

3 Tartalomjegyzék 1. Bevezetés 1 2. PSO algoritmusok Standard PSO algoritmus PSO algoritmus b vítése gradiens becsléssel Szimulációs eredmények Gradiens alapú PSO módszer alkalmazása bordázott lemezek költségének optimálására A bordázott lemezek matematikai modellje A költségfüggvény Az optimálás eredménye Konklúzió Függelék 16

4 1. fejezet Bevezetés Az optimálási problémák a tudomány sok területén megtalálhatóak. Ezen problémák nagyon összetettek is lehetnek a célfüggvényekb l és a feltételekb l adódóan, melyeket analitikus módszerekkel nem, vagy csak nagyon nehezen lehet megoldani, emiatt az évek során sok különböz algoritmus született a megoldásukra. A deriváltat használó technikák sok esetben hatékonyak, a hátrányuk viszont az, hogy könnyen elakadnak lokális széls értéknél, valamint összetett célfüggvény esetén számításigényessé válnak. A heurisztikus optimálási módszerek nem rendelkeznek a deriváltat használó módszerek el bb említett hátrányaival, viszonylag könnyedén implementálhatóak, emiatt nagy népszer ségre tettek szert az optimálással foglalkozók körében. Ezen algoritmusok közé tartozik a Hangya kolónia, az Ant colony algoritmus, mely hangyák viselkedését szimulálja, a Genetikus algoritmusok, melyek evolúciós folyamat modellezésével oldják meg a problémát, a Dierenciális evolúció módszere, a Virtuális immunrendszer módszere, valamint ide tartozik a Részecskecsoport módszer, az ún. PSO (Particle Swarm Optimization) algoritmus is. A dolgozatban új megközelítés kerül bemutatásra a PSO algoritmus gyorsítására, mely véges dierencia alapú gradiens becslést használ, hatékonysága nem függ a rendszer kezd állapotától, és nem igényel több függvénykiértékelést, mint az eredeti algoritmus. Az új módszer segítségével több optimálási tesztprobléma is megoldásra került, a tesztek során láthatóvá vált, hogy az új technika megnöveli az algoritmus konvergencia sebességét, ezáltal gyorsabban találja meg az optimális megoldást. A módszer segítségével megoldásra került továbbá egy m szaki optimálási feladat, melynek során bordázott lemezek kerültek optimálásra el állítási költség szempontjából. Az új algoritmus ezen probléma megoldásánál is jobban teljesített, mint az eredeti algoritmus. A kutatói munka során kifejlesztésre került egy Java alkalmazás, mely összefoglalja az elért eredményeket. Az alkalmazás képes a PSO algoritmus változatainak összehasonlítására, egyes iterációs lépéseinek interaktív grakus megjelenítésére kétdimenziós tesztproblémák esetén, lehet vé téve ezzel a PSO változat futásának vizualizációját, továbbá grakus felületen történ paraméterezését. 1

5 2. fejezet PSO algoritmusok Kennedy és Eberhart 1995-ben mutatta be a PSO (Particle Swarm Optimization) algoritmust[1, 2], mellyel az eredeti céljuk az volt, hogy madarak csapaton belüli szociális viselkedését szimulálják és vizualizálják. A kutatásaik során felfedezték, hogy ez a módszer optimálási feladatok megoldására is hatékonyan alkalmazható. A PSO els változata csak folytonos nemlineáris optimálási feladatokat volt képes megoldani. Az évek során az algoritmusnak nagyon sok változata jelent meg melyek optimálási problémák széles skáláját képesek megoldani. Ezen algoritmusok az egyszer ségük és hatékonyságuk miatt váltak széles körben elterjedtté a mérnöki gyakorlatban[3, 4, 5] Standard PSO algoritmus A következ kben a standard algoritmus kerül ismertetésre. Az algoritmus els lépésben ún. részecskéket generál. Minden részecske redelkezik egy x pozíció, és egy v sebességvektorral. Ezen vektorok elemszáma megegyezik a célfüggvény változóinak számával. A helyvektorok generálása a célfüggvény el re deniált tartományán egyenletes eloszlás szerint történik. A részecskék a megadott tartományon mozognak, és keresik az optimális megoldást. Minden részecske tárolja a mozgása során talált legjobb megoldást és annak pozícióját, ezeket lokális legjobb néven említi az irodalom. Külön tárolásra kerül a lokális legjobbak közül a legjobb. Ezt nevezzük globális legjobbnak. A részecskék minden iterációs lépésben újabb mintát vesznek a célfüggvényb l, valamint változtatják a pozíciójukat és sebességüket a következ egyenletek szerint. v k+1 i = v k i + c 1 r 1 (pbest i x k i ) + c 2 r 2 (gbest i x k i ) (2.1) x k+1 i = x k i + v k+1 i t (2.2) Ahol v i a sebességvektor i-edik eleme, x i a pozícióvektor i-edik eleme, c 1 és c 2 pozitív konstansok, r 1 és r 2 két egyenletes eloszlás szerint generált véletlen szám a [0,1] intervallumon, pbest i az adott részecske lokális legjobb pozíciójának i-edik eleme gbest i pedig a globális legjobb pozíció i-edik eleme, a k index az adott iterációt jelöli, t az egységnyi id intervallum. Az algoritmus lépéseit az 2.1. ábra mutatja: 2

6 2.2 PSO algoritmus b vítése gradiens becsléssel 2.1. ábra. Standard PSO algoritmus folyamatábrája A 2.1. ábrán látható folyamatban a részecskék inicializálása a helyvektoraik inicializálásaként értend. Ezen vektorok egyenletes eloszlás szerinti véletlen értékeket kapnak, ügyelve arra, hogy a helyvektorok ne legyenek az el re deniált tartományon kívül. A PSO algoritmus amiatt lett népszer, mert m ködése könnyen megérthet, egyszer en implementálható, könnyen integrálható más optimáló eljárásokba, kevésbé érzékeny célfüggvényre, beállításához kevesebb paraméter szükséges, mint más heurisztikus eljárásoknál. A hátránya, hogy nincs mögötte mély matematikai háttér PSO algoritmus b vítése gradiens becsléssel Az el bbiekben említésre került, hogy a PSO algoritmusnak sokféle változata jelent meg, hatékonyságának javítására többféle technikát találhatunk az irodalomban. Az egyik ismert megoldás, hogy egyidej leg több részecskecsoporttal dolgozunk az egy helyett, ekkor tároljuk részecskénként a lokális legjobb eredményt, az egyes csoportokhoz tartozó legjobb eredményt, és a részecskecsoportok legjobbjai közül a legjobbat. Ekkor nemcsak az egyes részecskék között, hanem a részecskecsoportok között is értelmezett a kommunikáció, tehát az egyes részecskéknek a sebesség és pozíció változtatásánál, a lokális legjobb, a csoport legjobb, és a csoportok összességének legjobb eredményeit is gyelembe veszik. Egy másik megoldás az ún. crazy bird. Ez a megoldás véletlenszer en kiválaszt részecskéket, és ezen részecskék sebességét nem a 2.1. formula alapján változtatja, hanem véletlenszer irányba, ezáltal kiszakít részecskéket a csoportból melyek nem a gbest irányába tartanak, remélve ezzel azt, hogy más irányba jobb eredményt találunk mint a jelenlegi gbest. Az el bbiekben említett eljárások hatékonysága minden esetben függ a véletlent l. Nem tudhatjuk azt, hogy a részecskék több csoportra bontása, vagy véletlen irányba 3

7 2.2 PSO algoritmus b vítése gradiens becsléssel küldése által biztosan jobb eredményt érünk-e el, mint a standard algoritmus használata esetén. A standard algoritmus a célfüggvény kiszámított értékin kívül más információkkal nem rendelkezik a függvényr l, pedig több esetben hasznos lenne a függvény egyes lokális tulajdonságainak ismerete, mivel ezen információk nem köt dnek a véletlenhez és általuk hatékonyabbá tehetnénk az eljárást. Az egyik ilyen lokális tulajdonság a gradiens, melyet, mivel csak diszkrét pontokban rendelkezünk mintákkal, becsülnünk kell. A véges dierencia alapú megoldások gyors és hatékony megoldást nyújtanak a gradiens becslésére diszkrét adatok esetén. Mindegyik véges dierencia alapú séma a dierenciálandó függvény Taylor-sorából indul ki, amely egy egydimenziós függvény f(x) esetében a következ képp írható fel: f(x 0 + h) f(x 0 ) + f (x 0 ) 1! h + f (x 0 ) h = 2! n=0 f (n) (x 0 ) h n (2.3) n! Abban az esetben, ha a sor kifejtését abbahagyjuk a második tagnál a formula a következ : f(x 0 + h) f(x 0 ) + f (x 0 ) h (2.4) 1! Kifejezve a deriváltat a következ formula adódik: f (x 0 ) f(x 0 + h) f(x 0 ) (2.5) h Ezt a formulát nevezi az irodalom el vett dierencia (forward dierence) becslésnek. Akkor, ha f(x0 + h) helyett f(x0 h) esetben fejtjük ki a sort az el bbiekben használt gondolatmenettel a következ eredményt kapjuk: f (x 0 ) f(x 0) f(x 0 h) (2.6) h Ezt a képletet az irodalom hátravett dierencia (backward dierence) becslés néven említi. Ezek a megoldások egyszer ek, gyorsan kiszámolhatóak, hátrányuk viszont az, hogy kevésbé pontosak. Léteznek összetettebb gradienst becsl megoldások az irodalomban, de azok számításigényesebbek az el bbiekben leírt eljárásoknál, és kett nél több mintavételi pontot igényelnek. Egy adott részecske mozgása során adott pillanatig érintett pontokhoz tartozó függvény értékeket felhasználhatjuk az adott pontokban vett gradiensek becslésére. Az általunk implementált algoritmusban a backward dierence módszer került beépítésre, mivel egyszer bb volt implementálni. A gradienseket az elkészült algoritmus a részecskék sebességének beállítására használja, ezáltal a részecskék a függvény értelmezési tartományának egyes intervallumaiban gyorsabban, még más intervallumokban lassabban mozognak. Minden egyes részecske a pozíció és sebesség adatok mellett tárolja, hogy a már érintett pontokban hány egymás utáni esetben talált pozitív el jel gradienst. Abban az esetben, ha ez túllép egy el re deniált konstans értéket, akkor az adott részecske sebességét növeljük, ha negatív el jel gradienst találunk, vagy nem értelmezett a gradiens, akkor a sebesség visszaáll az alapértékre. Ha egy adott részecske esetén nagy az egymás utáni mintavett pontokban egymást követ pozitív el jel gradiensek száma,abból az következik, hogy a részecske ezen id alatt nem haladt át lokális széls értéken, emiatt vagy a globális széls érték felé tart vagy egy olyan lokális széls értékhez, amely a részecske környezetében egy nagyobb intervallumon vett széls érték, emiatt gyorsíthatunk a sebességen, hogy a részecske kevesebb iterációs lépés alatt elérjen a széls értékig. A módszer eredményességét a következ fejezetben bemutatott szimulációk igazolják. 4

8 2.3 Szimulációs eredmények 2.3. Szimulációs eredmények A szimulációs eredmények el állításához egy Java alkalmazás került kifejlesztésre mely tartalmazza a standard valamint a gradienst használó megoldást, tizenkét feltétel nélküli[6] és három feltételes[7] kétdimenziós optimálási tesztfüggvényt. A tizenkét feltétel nélküli tesztfüggvényb l öt széls séges eset. Ez azt jelenti, hogy sok a lokális széls érték, és ez nehezen megoldhatóvá teszi a problémát. Mindkét algoritmust egy adott iterációs lépésig adott tesztfüggvényre százszor futtattunk. Az ábrák vízszintes tengelyén az iterációs számok láthatóak, a függ leges tengelyen pedig az, hogy adott iterációs lépésnél a száz futtatásból hány esetben találta meg az adott algoritmus a megoldást. A standard algoritmus eredményét minden esetben kék, a gradiens számítással b vítettét pedig piros szín jelöli. (a) (b) 2.2. ábra. Az (a) képen a De Jong függvényr l f(x, y) = (x 2 + y 2 ), a (b) képen a Drop Wave függvényr l f(x, y) = 1+cos(12 x 2 +y 2 ) 1 látható az el bbiekben említett teszt 2 (x2 +y 2 )+2 eredménye ezer részecske esetén. A függ leges tengely a talált megoldások számát, a vízszintes az iterációs számot jelöli. A képeken jól látható, hogy a gradiens alapú módszer ugyanazon iterációs szám mellett több esetben talált megoldást. 5

9 2.3 Szimulációs eredmények Az el bbiekben említett tesztelési módszer eredménye függ az algoritmus kilépési feltételét l. Az irodalomban nincs egységes megállapodás arra, hogy milyen kilépési feltételt érdemes használni. A tesztelés során akkor állítottuk le az algoritmust, amikor a globális legjobb érték kétszáz iterációs lépésen keresztül nem változott meg. Egy másik lehet ség az algoritmus tesztelésére, ha a globális legjobb érték változását gyeljük meg az iterációk függvényében. Ekkor az eredmény már nem függ a kilépési feltételt l. (a) (b) 2.3. ábra. A képeken a globális legjobb érték változása gyelhet meg az iteráció függvényében. A függ leges tengely a globális legjobb értéket, a vízszintes az iterációs számot jelöli. Az (a) képen a De Jong, a (b) képen a Drop Wave függvényre teszteltük a módszereket. A diagramokon száz futás számtani átlagából kapott eredmény látható. Az átlagolásra amiatt volt szükség, hogy elnyomjuk a kiugró értékeket, mivel a folyamatban a véletlen is szerepet játszik. A globális legjobb iteráció függvényében történ változása kiszámításra került a tizenkét feltétel nélküli tesztfüggvény esetén. A gradiens alapú módszer kilenc esetben jobb, két esetben hasonló, és csak egy esetben ért el rosszabb eredményt mint a standard algoritmus. Ezen tesztek eredményei a függelékben találhatók. 6

10 3. fejezet Gradiens alapú PSO módszer alkalmazása bordázott lemezek költségének optimálására Bordázott lemezek két alaplemezb l, és az alaplemezek közé hegesztett merevít rácsból állnak, melyeket felhasználnak épületek, hidak, hajók és más gépek megépítésénél. A bordázott lemezek el nye a csak az egyik oldalon merevített lemezekkel szemben a nagyobb merevség, rozsda elleni jobb védettség. A merevít rács fél I szelvényekb l áll, és merevvé teszi a szerkezetet. Egytengely nyomás esetén a horpadás a Huber egyenletb l került levezetésre. A költségfüggvény tartalmazza az anyagköltséget, az összeszerelés és hegesztés költségeit. Az ismeretlen változók az alaplemezek vastagságai, merevít k magassága, valamint a merevít k száma mindkét tengely mentén A bordázott lemezek matematikai modellje A Huber egyenlet ortotróp lemezeknél a kihajlásra w(x, y) a következ képp írható fel egytengely nyomás esetén: ahol 4 w 4 w B x x + 2H 4 x 2 y + B 2 y 4 w y 4 + N x 2 w = 0, (3.1) x2 H = B xy + B yx + ν 2 (B x + B y ) (3.2) a csavarási merevség, ν = 0.3 a Poisson szám. A csavarási merevségek és a kihajlás a következ k: B x = E 1I y ; B y = E 1I x ; E 1 = E (3.3) a y a x 1 ν 2 Ahol E = MP a az rugalmassági modulus. Ahol G a nyírási modulus. B xy = GI y ; B yx = GI x ; G = a y a x H = B xy + B yx + ν 2 (B x + B y ) = E 1 2 E 2(1 + ν) ( Iy + I ) x a y a x (3.4) (3.5) 7

11 3.1 A bordázott lemezek matematikai modellje A 3.1 egyenlet megoldása[8]: [ N E = π2 b 2 0 B x ( b0 a 0 ) 2 ( ) ] 2 a0 + 2H + B y b 0 (3.6) A kihajlási feltétel a következ képp írható fel[9]: N x n y A ey σ cr = f y 1 + λ 4, λ = fy σ E, σ E = N Es y A ey (3.7) A klasszikus kritikus horpadási feszültség σ E az el bb leírt összefüggéssel számolható 3.1. ábra. Ortogonálisan merevített bordázott lemez és keresztmetszete. 8

12 3.1 A bordázott lemezek matematikai modellje A ey = h 1t w 2 A ex = h 1t w 2 + bt f + s ey1 t 1 + s ey2 t 2 (3.8) + bt f + s ex1 t 1 + s ex2 t 2 (3.9) h 1 = h 2t f (3.10) s y = b 0 n y, s x = a 0 n x (3.11) Ahol n x és n y a merevít k közötti távolság x és y irányban, melyek a 3.1-es ábrán láthatók. A lemezrészek eektív szélessége [10] alapján a következ képp számítható ki: ahol s ey1 = ρ y1 s y, s ey2 = ρ y2 s y, s ex1 = ρ x1 s x, s ex2 = ρ x2 s x (3.12) ρ y1 = λ py λ 2 py1 ha λ py1 = s y 56.8εt , ε = 235 f y (3.13) ρ y1 = 1 ha λ py1 < (3.14) ρ y2 = λ py λ 2 py2 ha λ py2 = s y 56.8εt (3.15) ρ y2 = 1 ha λ py2 < (3.16) ρ x1 = λ px λ 2 px1 ha λ px1 = s x 56.8εt (3.17) ρ x1 = 1 ha λ px1 < (3.18) ρ x2 = λ px λ 2 px2 ha λ px2 = s x 56.8εt (3.19) A súlypontok távolsága a következ képp írható fel: ρ x2 = 1 ha λ px2 < (3.20) z Gy = 1 [ ( h1 t w h1 A ey t ) s ey2 t 2 ( h1 + t f + t 1 + t 2 2 z Gx = 1 [ ( h1 t w h1 A ex t ) s ex2 t 2 ( h1 + t f + t 1 + t 2 2 ( ) h1 + t f + t 1 + bt f + 2 )] ( ) h1 + t f + t 1 + bt f + 2 )] (3.21) (3.22) 9

13 3.2 A költségfüggvény Az inercianyomatékok a következ k: I y = s ey1 t 1 zgy 2 + h3 1t w 96 + h ( 1t w h t ) z Gy + I y1 (3.23) I y1 = bt f ( h1 + t f + t 1 2 z Gy ) 2 + s ey2 t 2 ( h1 + t f + t 1 + t 2 2 z Gy ) 2 (3.24) I x = s ex1 t 1 zgx 2 + h3 1t w 96 + h ( 1t w h t ) z Gx + I x1 (3.25) I x1 = bt f ( h1 + t f + t 1 2 z Gx ) 2 + s ex2 t 2 ( h1 + t f + t 1 + t 2 2 z Gx ) 2 (3.26) A következ gyártási feltétel teszi lehet vé a hegeszthet séget: s x,y b 300mm (3.27) Az ismeretlenek: x 1 = t 1 a fels fed lemez vastagsága, x 2 = t 2 az alsó fed lemez vastagsága, x 3 = h az I szevény magassága, x 4 = n x a merevít k száma x irányba, és x 5 = n y a merevít k száma y irányba A költségfüggvény Az ár tartalmazza az anyagköltséget K M, és a hegesztési költséget K W. K M = k M ρv (3.28) Ahol k M = 1.0$/kg, ρ = kg/mm 3, V a térfogat. Az általános összefüggés a hegesztés költségére a következ [11, 12]: ( K w = k w C 1 Θ κρv ) C wi a n wic pi L wi (3.29) i Ahol k w [$/min] a fajlagos hegesztési paraméter, C 1 az össeszerelési faktor amely általába C 1 = 1 min /kg 0.5, Θ az összeszerelés bonyolultsági foka, az els tag az összeszerelési id t számítja ki, ahol κ az összeszerelni kívánt szerkezeti elemek száma, ρv pedig a struktúra tömege. A második tag a hegesztési id t becsüli, C w és n konstansok melyeket a hegesztési technológia és típus határoz meg, C p a hegesztési pozíció faktora, L w a hegesztés hossza, az 1.3-as szorzó segítségével pedig a további hegesztési id t vesszük gyelembe (sorjázás, salakolás, elektróda csere). A fels alaplemez hegesztéséhez fed poros ívhegesztés (tompa varrattal) esetén a hegesztés hossza L w1 = 3(a 0 +b 0 ), a struktúra térfogata V 1 = a 0 b 0 t 1, Θ 1 = 2, az elemek száma κ 1 = 16, k W = 1$/min. Ha t 1 15mm akkor C W a n W = t 2 1, ha t 1 < 15mm akkor C W a n W = t K W 1 = k W ( Θ 1 κ1 ρv C W a n W L W 1 ) (3.30) 10

14 3.3 Az optimálás eredménye A hosszirányú merevít k fels alaplemezhez történ hozzáhegesztése fed poros ívhegesztéssel (sarokvarrattal) történik. A változók a következ k: L W 2 = 2a 0 (n y + 1), κ 2 = n y + 2, V 2 = V 1 + a 0 (bt f + h 1 t w /2)(n y + 1), a W = 0.4t w, Θ 2 = 3 (3.31) A költség: K W 2 = k W ( Θ 2 κ2 ρv a 2 W L W 2 ) (3.32) A keresztirányú merevít k fels alaplemezhez és longitudinális merevít khöz történ hegesztéséhez CO 2 véd gázas ívhegesztéssel (tompa varrattal): V 3 = V 2 + b 0 (bt f + h 1 t w /2)(n x + 1), κ 3 = 1 + n y (n x + 1), L W 3 = (n x + 1)(2b 0 + n y (h 1 + b)) (3.33) K W 3 = k W ( Θ 2 κ3 ρv a 2 W L W C W f t n f L W f ) (3.34) Ha t f 15mm akkor C W f t n f = t f, ha t f < 15mm akkor C W f t n f = t 2 f. L W f = 2bn y (n x + 1) (3.35) Az alsó alaplemez a merevít k övlemezéhez hegesztéséhez fed poros ívhegesztést (sarokvarrattal) alkalmazunk: V 4 = V 3 + a 0 b 0 t 2, κ 4 = 1 + n x n y, L W 4 = 2(a 0 n y + b 0 n x ), a W 1 = 0.7t 2 (3.36) ( ) K W 4 = k W Θ 1 κ4 ρv a 2 W 1L W 4 (3.37) A teljes költség: K = K M + K W 1 + K W 2 + K W 3 + K W 4 (3.38) 3.3. Az optimálás eredménye Az ismeretlen változók: h, t 1, t 2, n x, n y. A konstansok a következ k: b 0 = 8000mm, a 0 = 24000mm, N = [N], f y = 355MPa, E = MPa. A változók a következ intervallumokon vehetnek fel értékeket: t = 4mm 40mm, h = 152.4mm 910.4mm, n maximális értéke pedig a 3.27-es egyenletb l származtatható. n max = b 0 b Az n max értékeket a következ táblázat mutatja: (3.39) 11

15 3.3 Az optimálás eredménye h b n max táblázat. n max értékek Az UB prol méreteinek meghatározására közelít formula került alkalmazásra[12], mely a magasság h függvénye. A peremvastagságot a következ képp számolhatjuk: t f (y = t f ; x = h), ahol y = a + bx + cx 2 + dx 3 + ex 4 + fx 5 + gx 6 + hx 7 + ix 8 (3.40) A hálóvastagságot a következ képp számolhatjuk: t w (y = t w ; x = h), ahol y = a + bx + cx 2 + dx 3 + ex 4 + fx 5 + gx 6 + hx 7 + ix 8 (3.41) A peremszélességet b, a következ képp számolhatjuk: y = a + bx + c/x + dx 2 + e/x 2 + fx 3 + g/x 3 + hx 4 + i/x 4 + jx 5 + k/x 5 (3.42) A konstansok a következ táblázatban találhatók: t f t w b a b c d e f g h i j k táblázat. konstansok értékei 12

16 3.3 Az optimálás eredménye A következ táblázat az optimálás eredményét mutatja. A diszkrét értékek megkeresése a folytonos eredmények megtalálása után történt. módszer x 1 = t 1 x 2 = t 2 x 3 = h x 4 = n x x 5 = n y ár[$] részecskék száma PSO PSO GPSO GPSO táblázat. Optimálás eredménye. A PSO módszer a Standard PSO, míg a GPSO módszer a gradienssel b vített eljárást jelöli. Az algoritmusok leállási feltétele minden esetben az volt, hogy a global best ne változzon ötszáz iteráción át ábra. Global best változása az iteráció függvényében a grakon tíz futás átlagából került kiszámításra. A képen látható, hogy a gradienst használó változat gyorsabban közelít a minimum felé, mint a standard eljárás. 13

17 4. fejezet Konklúzió Új megoldás került bemutatásra a PSO algoritmus gyorsítására, mely véges dierencia alapú gradiens becslést használ a részecskék sebességének beállítására, hatékonysága nem függ a rendszer kezd állapotától, és nem igényel több függvénykiértékelést, mint az eredeti algoritmus. Az új módszer segítségével több optimálási tesztprobléma is megoldásra került, a tesztek során láthatóvá vált, hogy az új technika megnöveli az algoritmus konvergencia sebességét, ezáltal gyorsabban találja meg az optimális megoldást. A módszer segítségével megoldásra került továbbá egy m szaki optimálási feladat, melynek során bordázott lemezek kerültek optimálásra el állítási költség szempontjából. Az új algoritmus ezen probléma megoldásánál is jobban teljesített, mint az eredeti algoritmus. Az új módszer paramétereinek (milyen mértékben gyorsuljanak a részecskék, és mekkora egymást követ pozitív gradiensszám esetén) megfelel beállítása további kutatásokat igényel. A cél az, hogy az algoritmus felhasználói beavatkozás nélkül határozza meg ezen paramétereket a rendelkezésére álló információkból. A továbbfejlesztés lehetséges irányai a következ k: többcélfüggvényes optimálás, diszkrét érték meghatározás, crazy bird aktivitás megnövelése konvergencia lassulása esetén. 14

18 Irodalomjegyzék [1] J. Kennedy, R. Eberhart: Particle swarm optimization, IEEE International Conference on Neural Networks, Vol. 4, pp , [2] J. Kennedy, R. Eberhart: A new optimizer using particle swarm theory, Proceedings of the Sixth International Symposium on Micro Machine and Human Science, pp. 3943, [3] S. He, E. Prempain, Q. H. Wu: An improved particle swarm optimizer for mechanical design optimization problems, Engineering Optimization, 36: 5, , [4] C.R. Suribabu, T.R. Neelakantan: Design of water distribution networks using particle swarm optimization, Urban Water Journal, 3: 2, , [5] S. Vakili, M. S. Gadala : Eectiveness and Eciency of Particle Swarm Optimization Technique in Inverse Heat Conduction Analysis, Numerical Heat Transfer, Part B: Fundamentals, 56: 2, , [6] M. Mologa, C. Smutnicki: Test functions for optimization needs, [7] D. M. Himmelblau: Applied Nonlinear Programming, Mcgraw-Hill, [8] Farkas József: Fémszerkezetek, Tankönyvkiadó, Budapest, [9] Det Norske Veritas (DNV): Buckling strength analysis, Classication Notes No Høvik, Norway, 1995 [10] Eurocode 3 Design of steel structures Part 1-5: Plated structural elements, [11] József Farkas, Károly Jármai: Optimum design and cost comparison of a welded plate stiened on one side and a cellular plate both loaded by uniaxial compression, Welding in the World, 50: No.3-4, 45-51, [12] József Farkas, Károly Jármai: Design and optimization of metal structures, Horwood, Chichester, UK,

19 5. fejezet Függelék A következ ábrákon a függvényeket ábrázoló képek alatt a globális legjobb változását gyelhetjük meg az id függvényében az adott függvény esetén. A standard algoritmus eredményét minden esetben kék, a gradienst használó algoritmus eredményét minden esetben piros szín jelöli. Az algoritmusok minden esetben ezer részecskével futottak, az ábrák elkészítéséhez száz futás átlaga lett felhasználva. A függvényekr l látható képeket az elkészült Java alkalmazás állította el. Mivel az alkalmazásban az algoritmus maximumkeresésre lett tervezve, emiatt a minimálási problémák esetében a függvények mínusz egyszeres szorzót kaptak, ez a formulák esetében is feltüntetésre került. 16

20 5.1. ábra. De Jong függvény: f(x, y) = (x 2 + y 2 ) 5.2. ábra. Global best változása az iteráció függvényében De Jong függvény esetén. 17

21 5.3. ábra. Ellipszoid függvény: f(x, y) = (x 2 + 2y 2 ) 5.4. ábra. Global best változása az iteráció függvényében Ellipszoid függvény esetén. 18

22 5.5. ábra. Elforgatott Ellipszoid függvény: f(x, y) = (2x 2 + y 2 ) 5.6. ábra. Global best változása az iteráció függvényében Elforgatott Ellipszoid függvény esetén. 19

23 5.7. ábra. Rosenbrock függvény: f(x, y) = 100(y x 2 ) 2 + (1 x) ábra. Global best változása az iteráció függvényében Rosenbrock függvény esetén. 20

24 5.9. ábra. Easom függvény: f(x, y) = cos(x) cos(y)e (x π)2 (y π) ábra. Global best változása az iteráció függvényében Easom függvény esetén. 21

25 ( ábra. Michalewicz függvény: f(x, y) = sin(x) sin ) 2 ( x 2 π + sin(y) sin ) 2 y 2 π ábra. Global best változása az iteráció függvényében Michalewicz függvény esetén. 22

26 ( ábra. Six-hump camel back függvény: f(x, y) = ( 4 + 4y 2 )y x 2 + x4 3 ) x 2 xy ábra. Global best változása az iteráció függvényében Six-hump camel back függvény esetén. 23

27 5.15. ábra. Shubert függvény: f(x, y) = 5 i=1 i cos((i + 1)x + 1) 5 i=1 i cos((i + 1)y + 1) ábra. Global best változása az iteráció függvényében Shubert függvény esetén. 24

28 5.17. ábra. Drop Wave függvény: f(x, y) = 1+cos(12 x 2 +y 2 ) 1 2 (x2 +y 2 ) ábra. Global best változása az iteráció függvényében Drop Wave függvény esetén. 25

29 ( x ) ( y ) ábra. Schwefel függvény: f(x, y) = x sin y sin ábra. Global best változása az iteráció függvényében Schwefel függvény esetén. 26

30 5.21. ábra. Rastrigin függvény: f(x, y) = ( 20 + [ x 2 10 cos(2πx) ] + [ y 2 10 cos(2πy) ]) ábra. Global best változása az iteráció függvényében Rastrigin függvény esetén. 27

31 5.23. ábra. Langermann függvény: m f(x, y) = c(i)e 1 π Θ cos(πθ), Θ = (x a(i)) 2 + (y a(i)) 2, i=1 m = 5, a = [3, 5, 2, 1, 7], b = [5, 2, 1, 4, 9], c = [1, 2, 5, 2, 3] ábra. Global best változása az iteráció függvényében Langermann függvény esetén. 28