الگوریتم PSO
الگوریتم بهینه سازی انبوه ذرات (PSO)
براي برخي از حيوانات كه به صورت گروهي زندگي مي كنند، همانند دست ههاي ماهي، رفتارهاي پيچيد هاي به هنگام حركت قابل مشاهده هستند. اين در حالي است كه هر كدام از اعضاي جمع، به اطلاعات محدودي دسترسي دارند و صرفا از موقعيت عده ي اندكي از همسايگان شان خبر دارند.
جيمزكندي، روانشناس اجتماعي، و راسل سي ابِرهارت، مهندس برق، صاحبان اصلي ايد ه ي الگوريتم PSO مي_ باشند. آ نها در ابتدا قصد داشتند كه با بهره گيري از مدل هاي اجتماعي و روابط موجود اجتماعي، نوعي از هوش محاسباتي را به وجود بياورند كه به توانا يي هاي فردي ويژه نيازي نداشته باشد. اولين شبيه سازي، آ نها كه در سال 1995 انجام گرديد آ نها را به سمت شبيه سازي رفتار پرندگان براي يافتن دانه رهنمون كرد. اين كار تحت تاثير كار هپنر و گرِناندر بود، كه در سال 1990 براي شبيه سازي رفتار پرندگان به صورت يك سيستم غير خطي انجام گرفته بود. كار كندي و ابرهارت، منجر به ايجاد الگوريتمي قوي براي بهين هسازي، به نام الگوريتم بهينه سازي گروه ذرات يا PSO شد. در الگوريتم PSO تعدادي از موجودات وجود دارند، كه آ نها را ذره مي ناميم و در فضاي جستجوي تابعي كه قصد كمينه كردن و يا بهينه كردن مقدار آن را داريم، پخش شده اند. هر ذره مقدار تابع هدف را در موقعيتي از فضا كه در آن قرار گرفته است محاسبه مي كنند. سپس با استفاده از تركيب اطلاعات محل فعل ياش و بهترين محلي كه قبلا در آن بوده است و همچنين براي w باعث مي شود كه ذرات موجود در الگوريتم، به جستجوي مناطق جديدتر روي بياورند و يك جستجوي سراسري را انجام دهند. در مقابل يك مقدار كم براي w باعث مي شود كه ذرات در منطقه ي محدودي بمانند و در واقع يك جستجوي محلي را انجام دهند. جستجوي محلي براي دقيقتر كردن جوا بهاي فعلي مناسب است و جستجوي سراسري براي يافتن جواب هاي بهتري كه احتمالا در جاهاي ناشناخته از فضاي جستجو وجود دارند به كار مي روند.
يكي از كاربردهاي مهم الگوريتم ژيدا كردن ماكزيمم و مينيمم يك تابع است لذا از این الگوریتم می توان در بسیاری از کاربردها در سیستم های اطلاعات مکانی بهره جست.