Optimización por Enjambre de Partículas Procedimiento de Búsqueda Visualizado
Optimización por Enjambre de Partículas Un Método Visualizado para la Búsqueda
Intuición + matemáticas + código, para profesionales
![Imagen creada por DALL·E 3 basada en la consigna “Dibuja una imagen de temática de ciencia ficción que represente una enjambre de drones buscando un objetivo en un paisaje urbano”](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*ibeE8F2cFhtIsv0iyZLeTA.png)
A los humanos nos gusta imitar muchas cosas de la naturaleza.
Imitamos a las ranas al nadar. Imitamos a las aves instalando alas en los aviones para proporcionar sustentación. Imitamos a la grúa/serpiente/mantis en las artes marciales. Imitamos a las termitas para construir estructuras con un control eficiente de la temperatura (ver Eastgate Centre).
Esto se extiende también a los algoritmos matemáticos, donde habrás oído hablar de la Colonia Artificial de Abejas, la Optimización por Colonia de Hormigas, la Búsqueda de Cucos y el Algoritmo de Luciérnagas. También he hablado antes sobre el Algoritmo Evolutivo, que sigue la selección natural.
Hoy hablaré sobre PSO — Optimización por Enjambre de Partículas. Al final de este artículo, tendrás el código que te permitirá implementar la solución y generar un gif para visualizar el proceso de búsqueda.
- Investigadores estudian las redes tensoriales para el aprendizaje automático cuántico inspirado, interpretativo y eficiente
- Descubriendo los secretos de la interacción entre humanos y máquinas Esta investigación de IA de España presenta un conjunto de datos exhaustivo para avanzar en el diseño de interfaces adaptables.
- Decodificar LLMs Creando Codificadores Trasnformadores y Capas de Atención Multicabeza en Python desde cero
Caso de Uso
Buscar una solución óptima en un espacio de alta dimensionalidad es difícil. Los estudiantes que comienzan a estudiar ML probablemente hayan oído hablar del término “maldición de la dimensionalidad” en la primera semana.
El espacio de alta dimensionalidad no es solo un concepto matemático abstracto. Consideremos un problema de cadena de suministro. Una empresa tiene que decidir dónde ubicar su fábrica de producción, almacén, centros de distribución y tiendas minoristas. Para simplificar, supongamos que solo hay uno de cada uno. Esto hace que la solución que estamos buscando sea de 8 dimensiones: (x₁, y₁, x₂, y₂, x₃, y₃, x₄, y₄).
![Imagen creada por DALL·E 3 basada en la consigna “Dibuja una vista panorámica de una ciudad con las cuatro instalaciones clave: una fábrica de producción, un almacén, un centro de distribución y una tienda minorista”.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*YG7tixHx0rR5l88non7vfQ.png)
La ubicación absoluta (x₁, y₁, x₂, y₂, x₃, y₃, x₄, y₄) afecta las ubicaciones relativas entre cada instalación. Tanto las ubicaciones absolutas como las relativas afectarían los costos operativos y los ingresos esperados, y por lo tanto, las ganancias. Aunque no es perfecto, podemos decir aproximadamente que el espacio de búsqueda y el impacto en la función objetivo es continuo.
Formulación del Problema
En realidad, la función subyacente que mapea las entradas (soluciones candidatas) a la salida (objetivo) es una caja negra y no puede ser representada matemáticamente.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Bienvenido a una nueva era de construcción en la nube con IA generativa en AWS
- Ser un líder en análisis de datos con Rajan Sethuraman
- Desbloqueando el Futuro La Radiante Promesa de GPT-4 en Radiología
- Investigadores de la Universidad Nacional de Seúl presentan LucidDreamer un enfoque revolucionario de IA para la generación de escenas en 3D sin restricciones de dominio en realidad virtual utilizando modelado basado en difusión.
- Explora las relaciones semánticas en textos de corpora con modelos de embedding
- Técnicas de muestreo y comparación prácticas, en Python
- Guía completa para el almacenamiento en caché en Python