4.4.3 Maintien de la diversité par création
de nouvelles solutions
La convergence rapide est l'une des caractéristiques
les plus importantes de l'algorithme PSO. Ce pendant, il est primordial de
maintenir un certain degré de diversité pour éviter que
l'algorithme soit piégé.
La convergence prématurée est provoquée
par la perte rapide de diversité dans l'essaim. Ainsi, le maintien de la
diversité dans PSO est un point très important afin de
contrôler sa convergence (normalement rapide). Comme mentionné
précédemment, en adoptant PSO pour résoudre des
problèmes d'optimisation multiobjectifs, il est possible de favoriser la
diversité par le choix de leaders. Cela peut être également
fait par les deux principaux mécanismes utilisés pour
créer de nouvelles solutions :
a. Mise à jour des positions
L'utilisation de différentes topologies de voisinage
détermine la vitesse du processus de transfert de l'information à
travers l'essaim. Cependant, dans une topologie entièrement
reliée, toutes les particules sont reliées les unes avec les
autres, l'information est transférée plus rapidement que dans le
cas de topologie locale best ou d'arbre. Aussi, une topologie spécifique
de voisinage détermine également la vitesse de perte de
diversité dans l'essaim. Puisque dans une topologie entièrement
reliée le transfert d'information est rapide, en employant cette
topologie, la diversité dans l'essaim est également perdue
rapidement. De cette façon, les topologies qui définissent des
voisinages plus petits que l'essaim global pour chaque particule peuvent
également préserver la diversité dans l'essaim.
D'autre part, la diversité peut également
être favorisée par le facteur d'inertie
(ô(t) de l'équation (1.1)). Le facteur d'inertie
est utilisé pour contrôler l'impact des vitesses
antérieures sur la vitesse courante. Ainsi, le poids d'inertie influence
la différence entre les capacités d'exploration globales et
locales [Shi et Eberhart, 1998]. Un grand facteur d'inertie facilite
l'exploration globale tandis qu'un plus petit facteur d'inertie tend à
faciliter l'exploration locale. La valeur du facteur d'inertie peut varier
pendant le processus d'optimisation. Shi [Shi et Eberhart, 1998] a
montré qu'en diminuant linéairement le poids d'inertie d'une
valeur relativement grande à une petite valeur durant l'exécution
de PSO, l'algorithme favorise une recherche globale au début de son
exécution et une recherche locale à la fin.
L'addition de la vitesse à la position actuelle pour
produire la prochaine position est semblable à l'opérateur de
mutation dans des algorithmes évolutionnaires, sauf que la mutation dans
PSO est guidée par l'expérience d'une particule et de celle de
ses voisines.
| 
