Cílem práce je implementace pokročilých variant algoritmu PSO v jazyce C a jejich otestování a srovnání za použití knihovny IEEE CEC 2015. Teoretická část popisuje obecnou problematiku hejnových algoritmů, popisuje základní princip PSO algoritmu a poté tři jeho pokročilé varianty, jimiž jsou ARPSO, HPSO a OLPSO. Následně jsou popsány testovací funkce v knihovně IEEE CEC 2015, prostředí Wolfram Mathematica, které se použije pro srovnání výsledků a programovací jazyk C. Praktická část pak obsahuje popis implementace algoritmů, jejich vnitřní strukturu a manuál k jejich ovládání. V závěru praktické části jsou srovnány jejich výsledky v přehledných tabulkách a grafech.
Annotation in English
The goal of this work is the implementation of advanced variants of PSO algorithm in C language and further the testing and comparison of implemented methods using the IEEE CEC 2015 benchmark library. The theoretical part describes the general issues of swarm algorithms, describes the basic principle of PSO algorithm and then its three advanced modifications: the ARPSO, HPSO and OLPSO. After that the test functions in the IEEE CEC 2015 benchmark library are described. Also environment Wolfram Mathematica, which is used for the comparison of results and the C programming language are described. The practical part contains a description of the algorithm implementation, description of the internal structure of the algorithms and also contains the manual for users. At the end of the practical part we compare the results in tables and graphs.
Cílem práce je implementace pokročilých variant algoritmu PSO v jazyce C a jejich otestování a srovnání za použití knihovny IEEE CEC 2015. Teoretická část popisuje obecnou problematiku hejnových algoritmů, popisuje základní princip PSO algoritmu a poté tři jeho pokročilé varianty, jimiž jsou ARPSO, HPSO a OLPSO. Následně jsou popsány testovací funkce v knihovně IEEE CEC 2015, prostředí Wolfram Mathematica, které se použije pro srovnání výsledků a programovací jazyk C. Praktická část pak obsahuje popis implementace algoritmů, jejich vnitřní strukturu a manuál k jejich ovládání. V závěru praktické části jsou srovnány jejich výsledky v přehledných tabulkách a grafech.
Annotation in English
The goal of this work is the implementation of advanced variants of PSO algorithm in C language and further the testing and comparison of implemented methods using the IEEE CEC 2015 benchmark library. The theoretical part describes the general issues of swarm algorithms, describes the basic principle of PSO algorithm and then its three advanced modifications: the ARPSO, HPSO and OLPSO. After that the test functions in the IEEE CEC 2015 benchmark library are described. Also environment Wolfram Mathematica, which is used for the comparison of results and the C programming language are described. The practical part contains a description of the algorithm implementation, description of the internal structure of the algorithms and also contains the manual for users. At the end of the practical part we compare the results in tables and graphs.
Vypracujte literární rešerši na dané téma.
Naprogramujte vybrané pokročilé varianty algoritmu PSO v jazyce C.
Implementujte benchmark knihovnu IEEE CEC 2015.
Proveďte testování a statistické vyhodnocení výkonnosti naprogramovaných algoritmů.
Graficky srovnejte výsledky jednotlivých algoritmů.
Research Plan
Vypracujte literární rešerši na dané téma.
Naprogramujte vybrané pokročilé varianty algoritmu PSO v jazyce C.
Implementujte benchmark knihovnu IEEE CEC 2015.
Proveďte testování a statistické vyhodnocení výkonnosti naprogramovaných algoritmů.
Graficky srovnejte výsledky jednotlivých algoritmů.
Recommended resources
PLUHACEK, Michal. PSO Algoritmus v prostředí Mathematica. Zlín, 2011. Diplomová práce. Univerzita Tomáše Bati ve Zlíně.
RIGET, Jacques; VESTERSTROM, Jakob S. A diversity-guided particle swarm optimizer-the ARPSO. Dept. Comput. Sci., Univ. of Aarhus, Aarhus, Denmark, Tech. Rep, 2002, 2: 2002.
NEPOMUCENO, Filipe V.; ENGELBRECHT, Andries P. A self-adaptive heterogeneous pso for real-parameter optimization. In: Evolutionary Computation (CEC), 2013 IEEE Congress on. IEEE, 2013. p. 361-368.
ZHAN, Zhi-Hui, et al. Orthogonal learning particle swarm optimization. Evolutionary Computation, IEEE Transactions on, 2011, 15.6: 832-847.
SHI, Yuhui; EBERHART, Russell. A modified particle swarm optimizer. In: Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence., The 1998 IEEE International Conference on. IEEE, 1998. p. 69-73.
CHEN, Q., et al. Problem Definitions and Evaluation Criteria for CEC 2015 Special Session on Bound Constrained Single-Objective Computationally Expensive Numerical Optimization.
Recommended resources
PLUHACEK, Michal. PSO Algoritmus v prostředí Mathematica. Zlín, 2011. Diplomová práce. Univerzita Tomáše Bati ve Zlíně.
RIGET, Jacques; VESTERSTROM, Jakob S. A diversity-guided particle swarm optimizer-the ARPSO. Dept. Comput. Sci., Univ. of Aarhus, Aarhus, Denmark, Tech. Rep, 2002, 2: 2002.
NEPOMUCENO, Filipe V.; ENGELBRECHT, Andries P. A self-adaptive heterogeneous pso for real-parameter optimization. In: Evolutionary Computation (CEC), 2013 IEEE Congress on. IEEE, 2013. p. 361-368.
ZHAN, Zhi-Hui, et al. Orthogonal learning particle swarm optimization. Evolutionary Computation, IEEE Transactions on, 2011, 15.6: 832-847.
SHI, Yuhui; EBERHART, Russell. A modified particle swarm optimizer. In: Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence., The 1998 IEEE International Conference on. IEEE, 1998. p. 69-73.
CHEN, Q., et al. Problem Definitions and Evaluation Criteria for CEC 2015 Special Session on Bound Constrained Single-Objective Computationally Expensive Numerical Optimization.
