Ventajas e inconvenientes de la optimización por enjambre de partículas
En la ciencia computacional, la optimización por enjambre de partículas (PSO)[1] es un método computacional que optimiza un problema intentando mejorar iterativamente una solución candidata con respecto a una medida de calidad dada. Resuelve un problema disponiendo de una población de soluciones candidatas, denominadas partículas, y moviéndolas en el espacio de búsqueda según una fórmula matemática sencilla sobre la posición y la velocidad de la partícula. El movimiento de cada partícula está influido por su mejor posición local conocida, pero también está guiado hacia las mejores posiciones conocidas en el espacio de búsqueda, que se actualizan a medida que otras partículas encuentran mejores posiciones. De este modo, se espera que el enjambre se dirija hacia las mejores soluciones.
PSO se atribuye originalmente a Kennedy, Eberhart y Shi[2][3] y se concibió en un principio para simular el comportamiento social,[4] como una representación estilizada del movimiento de los organismos en una bandada de pájaros o un banco de peces. El algoritmo se simplificó y se observó que realizaba una optimización. El libro de Kennedy y Eberhart[5] describe muchos aspectos filosóficos de PSO y la inteligencia de enjambre. Poli realiza un amplio estudio de las aplicaciones de PSO[6][7] Recientemente, Bonyadi y Michalewicz han publicado una revisión exhaustiva de los trabajos teóricos y experimentales sobre PSO[1].
Algoritmo de optimización de enjambre de partículas código python
Las organizaciones de servicios profesionales (OSP) son uno de los equipos más importantes dentro de una organización tecnológica en crecimiento. Tradicionalmente consideradas como el brazo ejecutor de una empresa tecnológica, las OSP pueden ser un medio para crear y mantener magníficas relaciones con los clientes, o pueden convertirse en cuellos de botella en la prestación de servicios.
Las empresas inteligentes entienden que los equipos de servicios profesionales son responsables de la satisfacción del cliente. De hecho, hasta el 70% de todos los puntos de contacto con el cliente se producen con su equipo de servicios. Por lo tanto, la calidad, la amabilidad y la habilidad de su equipo de servicios garantizan que la experiencia del cliente sea satisfactoria (es decir, que disfruten trabajando con usted) y exitosa (es decir, que consigan que sus usuarios utilicen su software según sus necesidades).
Los clientes satisfechos compran más software. Esto es un hecho. Cuando sus clientes obtienen el valor esperado de su tecnología y les gusta trabajar con usted, es más probable que añadan más licencias y que renueven. También puede justificar más fácilmente el aumento de los costes de renovación.
Lo más importante que puede hacer una empresa tecnológica en crecimiento para vender sus servicios profesionales es sencillo: No reinventar la rueda. Muchas empresas pequeñas y medianas cometen el error de tratar a cada cliente como un caso nuevo. Esto ralentiza el proceso en cuanto a la rapidez con la que se pueden prestar los servicios. Me encontré con esto en una empresa de software de 200 millones de dólares en el área de la bahía de San Francisco. El equipo de ventas de la empresa vendía 60 implantaciones por trimestre. Su PSO era capaz de entregar sólo 20 por trimestre. Su equipo de servicios profesionales se estaba convirtiendo en un cuello de botella, y la satisfacción del cliente estaba en peligro.
Plan paso a pso
2021
Junto con el desarrollo de la tecnología de automatización y la robótica, la planificación de trayectorias es importante en la ejecución de tareas robóticas cuando se busca una trayectoria óptima desde la posición inicial hasta la posición objetivo con evitación de obstáculos basada en determinados criterios.
En respuesta a estos problemas, los investigadores han estudiado ampliamente la mejora de PSO en los últimos años. Das y Jena (2020) utilizaron un algoritmo genético que hereda múltiples operadores de cruce y operadores de colonia de abejas como dos operadores evolutivos para mejorar la capacidad de optimización de la PSO. Shao et al. (2020) diseñaron el coeficiente de aceleración constante y la velocidad máxima como la variación lineal adaptativa para adaptarse al proceso de optimización. Además, se ha propuesto una estrategia de mutación de partículas para mejorar la velocidad de convergencia del algoritmo. Li y Chou (2018) aplicaron diferentes estrategias para realizar el aprendizaje adaptativo de la PSO; convirtieron el problema de planificación de rutas en un problema de optimización multiobjetivo minimizador y propusieron un nuevo mecanismo de aprendizaje adaptativo para mejorar la capacidad de búsqueda del algoritmo PSO.
Comentarios
ResumenLa computación en nube ofrece infinitos recursos y diversos servicios para la ejecución de diversas aplicaciones a los usuarios finales, pero aún así presenta varios retos que es necesario abordar. El objetivo de los usuarios de la nube es seleccionar el recurso óptimo que satisfaga la demanda de los usuarios finales a un coste y en un tiempo razonables, pero a veces los usuarios pagan más por poco tiempo. La mayoría de los algoritmos de última generación propuestos intentan optimizar sólo un parámetro a la vez. Por lo tanto, se necesita una solución de compromiso novedosa para lograr el equilibrio entre los objetivos en conflicto. El objetivo principal de este trabajo de investigación es diseñar y desarrollar un marco de procesamiento de tareas que tenga la capacidad de tomar decisiones para seleccionar el recurso óptimo en tiempo de ejecución para procesar las aplicaciones (de naturaleza diversa y compleja) en máquinas virtuales utilizando el algoritmo modificado de optimización de enjambre de partículas (PSO) dentro de un plazo definido por el usuario. El algoritmo propuesto proporciona un conjunto no dominante de soluciones óptimas y mejora varios parámetros influyentes (tiempo, coste, rendimiento, ratio de aceptación de tareas) mediante una serie de experimentos sobre varios conjuntos de datos sintéticos utilizando la herramienta Cloudsim. Los resultados computacionales muestran que el algoritmo propuesto supera sustancialmente a las heurísticas y metaheurísticas de referencia, como PSO, PSO adaptativo, colonia de abejas artificiales, algoritmo BAT y algoritmo de equilibrio de carga min-min mejorado.
