Tối ưu hóa bầy đàn là gì? Các nghiên cứu khoa học về Tối ưu hóa bầy đàn

Tối ưu hóa bầy đàn là phương pháp tìm kiếm và tối ưu mô phỏng hành vi tập thể của các cá thể đơn giản, tự tổ chức để giải quyết bài toán phức tạp. Nó không yêu cầu đạo hàm, áp dụng tốt cho bài toán phi tuyến, nhiều đỉnh cục bộ và được dùng rộng rãi trong kỹ thuật, khoa học.

Định nghĩa và khái quát về tối ưu hóa bầy đàn

Tối ưu hóa bầy đàn (swarm optimization) là họ phương pháp tối ưu hóa heuristic lấy cảm hứng từ hành vi tập thể của các tác nhân đơn giản (hạt, kiến, ong, chim), trong đó lời giải hình thành thông qua tương tác cục bộ và chia sẻ thông tin toàn cục. Cơ chế trung tâm là tự tổ chức (self-organization) và nổi lên (emergence): các quy tắc cập nhật đơn giản ở mức cá thể tạo nên khả năng tìm kiếm hiệu quả trên không gian nghiệm phức tạp. Tổng quan học thuật có thể tham khảo trên các cơ sở dữ liệu uy tín như ScienceDirect – Swarm Intelligence và các bài báo nền tảng tại IEEE Xplore.

Mục tiêu tiêu chuẩn của bài toán tối ưu là tìm xΩx^\star \in \Omega sao cho tối thiểu hóa hoặc tối đa hóa hàm mục tiêu f(x)f(x) dưới các ràng buộc cho trước. Trong bối cảnh bầy đàn, tập lời giải ứng viên được biểu diễn bởi một quần thể tác nhân di động; động học của quần thể dẫn dắt quá trình khai phá (exploration) và khai thác (exploitation) không gian nghiệm. Khác với các phương pháp gradient, kỹ thuật bầy đàn thường không yêu cầu đạo hàm, phù hợp với bài toán hộp đen hoặc có địa hình mục tiêu nhiễu và gián đoạn.

Một số đặc tính vận hành quan trọng:

  • Phân tán và song song: các tác nhân cập nhật đồng thời, dễ triển khai trên GPU/cluster.
  • Tính linh hoạt: dễ mã hóa ràng buộc và mục tiêu đa thức, đa mục tiêu.
  • Khả năng tránh kẹt cục bộ: thông qua cơ chế chia sẻ kinh nghiệm và nhiễu ngẫu nhiên có kiểm soát.

Lịch sử phát triển và các thuật toán cơ bản

Năm 1995, Kennedy và Eberhart giới thiệu Particle Swarm Optimization (PSO), mô phỏng sự đồng thuận vị trí của đàn chim/cá bằng cách để “hạt” di chuyển theo ký ức tốt nhất cá nhân và tốt nhất cộng đồng; xem bài gốc trên IEEE ICNN 1995. Gần song hành là nhánh tối ưu hóa dựa trên pheromone của đàn kiến (Ant Colony Optimization, ACO) do Dorigo và cộng sự phát triển từ giữa thập niên 1990, đặt trọng tâm ở củng cố lộ trình thông qua dấu vết hóa học; xem tổng quan tại Elsevier – Swarm Intelligence and Bio‑Inspired Computation và các bài trên IEEE.

Sau giai đoạn khai sinh, PSO phát triển các biến thể kiểm soát hội tụ như hệ số quán tính (Shi & Eberhart, 1998), hệ số co rút (constriction) (Clerc & Kennedy), các cấu trúc lân cận lBest/gBest, và PSO thích nghi. Song song, ACO mở rộng sang bài toán tối ưu liên tục, kết hợp với local search, và ứng dụng rộng trong quy hoạch đường đi, lập lịch, thiết kế mạng. Các chuẩn benchmark và tiêu chí báo cáo được đề xuất để so sánh công bằng giữa thuật toán; xem thêm khung đánh giá trong các hội nghị và chuyên san của IEEE về tính toán tiến hóa.

Thuật toán Biểu diễn Trao đổi thông tin Ứng dụng điển hình
PSO Vị trí–vận tốc liên tục Điểm tốt nhất cá nhân/toàn cục Tối ưu liên tục, điều chỉnh tham số, thiết kế kỹ thuật
ACO Lộ trình/tổ hợp rời rạc Pheromone và bốc hơi Tuyến đường, TSP, lập lịch, routing mạng

Nguyên lý cơ bản và cơ chế hoạt động

Với PSO, mỗi hạt ii ở thời điểm tt có vị trí xi(t)x_i(t) và vận tốc vi(t)v_i(t). Cập nhật chuẩn:

vi(t+1)=wvi(t)+c1r1(pibestxi(t))+c2r2(gbestxi(t)) v_i(t+1) = w\,v_i(t) + c_1 r_1 \big(p^{best}_i - x_i(t)\big) + c_2 r_2 \big(g^{best} - x_i(t)\big)
xi(t+1)=xi(t)+vi(t+1)x_i(t+1) = x_i(t) + v_i(t+1)

Trong đó ww là hệ số quán tính điều hòa giữa khai phá/khai thác; c1,c2c_1, c_2 là trọng số nhận thức–xã hội; r1,r2U(0,1)r_1, r_2 \sim \mathcal U(0,1). Một biến thể ổn định phổ biến dùng hệ số co rút χ\chi:

\chi = \frac{2}{\left|2 - \varphi - \sqrt{\varphi^2 - 4\varphi}\right|},\quad \varphi = c_1 + c_2,\ \varphi > 4
vi(t+1)=χ(vi(t)+c1r1(pibestxi(t))+c2r2(gbestxi(t))) v_i(t+1) = \chi \Big( v_i(t) + c_1 r_1 (p^{best}_i - x_i(t)) + c_2 r_2 (g^{best} - x_i(t)) \Big)

Với ACO, nghiệm được xây bằng sampling theo phân phối do pheromone chi phối, và pheromone được cập nhật dựa trên chất lượng nghiệm cùng cơ chế bốc hơi để tránh hội tụ sớm; xem các trình bày chi tiết trong bộ sưu tập Elsevier và bài gốc trên IEEE. Hệ bầy đàn nói chung đạt hiệu quả nhờ ba trụ cột: quy tắc cục bộ đơn giản, tín hiệu chia sẻ toàn cục/chòm lân cận, và nhiễu ngẫu nhiên có điều tiết.

  • Thiết lập tham số điển hình: w[0.4,0.9]w \in [0.4,0.9], c1c2[1.2,2.2]c_1 \approx c_2 \in [1.2,2.2], kèm kẹp vận tốc để tăng ổn định số.
  • Ràng buộc được xử lý bằng chiếu (projection), phạt (penalty), hoặc sửa chữa nghiệm (repair).
  • Đa mục tiêu: duy trì kho lưu trữ Pareto và cơ chế chia sẻ mật độ (crowding).

Tham khảo nguyên lý và biến thể PSO: IEEE – A Modified PSO, IEEE – PSO with Constriction Factor, và các tổng quan tại Information Sciences (Elsevier).

Ưu điểm và hạn chế

Ưu điểm cốt lõi của tối ưu hóa bầy đàn là cấu trúc thuật toán đơn giản, số tham số ít và dễ điều chỉnh, khả năng song song hóa tự nhiên, và hiệu năng tốt trên bài toán phi tuyến, không trơn, nhiễu, hoặc nhiều đỉnh cục bộ. Nhờ không yêu cầu gradient, các thuật toán bầy đàn thích hợp cho tối ưu hộp đen và tích hợp thuận tiện với mô phỏng số hoặc đánh giá thực nghiệm đắt đỏ.

Hạn chế đáng chú ý là nguy cơ hội tụ sớm về nghiệm cục bộ khi cân bằng khai phá/khai thác không phù hợp, sự nhạy cảm với đặt tham số trong các miền tìm kiếm có địa hình “khắc nghiệt”, và chi phí tính toán có thể lớn khi đánh giá mục tiêu tốn kém. Các biện pháp giảm thiểu bao gồm thích nghi tham số theo thời gian, đa quần thể, lai ghép với tìm kiếm cục bộ, hoặc sử dụng chiến lược tái khởi động; xem khuyến nghị thực hành và so sánh thực nghiệm trong các chuyên khảo và bài tổng quan của IEEE/Elsevier.

  • Ưu điểm: không cần đạo hàm; cài đặt ngắn gọn; dễ ràng buộc; dễ mở rộng đa mục tiêu; mạnh về song song hóa.
  • Hạn chế: điều chỉnh tham số nhạy; kém trên bài toán có cấu trúc tổ hợp đặc thù nếu không tùy biến; thiếu đảm bảo tối ưu toàn cục nghiêm ngặt.
  • Nguồn tham khảo: tổng quan tại Applied Soft Computing và các hướng dẫn chuẩn hóa thực nghiệm trên IEEE – Benchmarking in Evolutionary Computation.

Các biến thể và cải tiến hiện đại

Các biến thể của tối ưu hóa bầy đàn được phát triển nhằm cải thiện tốc độ hội tụ, khả năng tránh kẹt tại cực trị cục bộ và nâng cao hiệu suất trên các không gian tìm kiếm phức tạp. Với PSO, sự khác biệt chủ yếu nằm ở cách điều chỉnh hệ số quán tính ww, hệ số học tập c1,c2c_1, c_2 và cấu trúc kết nối giữa các hạt. PSO gBest cho phép mọi hạt tiếp cận thông tin tốt nhất toàn cục, trong khi PSO lBest chỉ chia sẻ thông tin trong nhóm lân cận, giúp duy trì đa dạng quần thể lâu hơn.

Các cải tiến đáng chú ý:

  • Adaptive PSO: hệ số ww giảm dần từ lớn đến nhỏ, khuyến khích khai phá ban đầu và khai thác về sau.
  • Comprehensive Learning PSO (CLPSO): mỗi chiều của hạt học từ cá thể tốt nhất khác nhau, cải thiện đa dạng hóa tìm kiếm.
  • Hybrid PSO: kết hợp PSO với giải thuật di truyền (GA), tối ưu vi phân (DE), hoặc tìm kiếm địa phương để nâng cao chất lượng nghiệm.

Với ACO, cải tiến tập trung vào điều chỉnh tốc độ bốc hơi pheromone, cơ chế chọn đường đi lai với chiến lược xác suất khác, và phiên bản liên tục (Continuous ACO) để giải bài toán tối ưu liên tục. Các biến thể của ACO cũng được kết hợp với mô hình học máy để điều chỉnh tham số pheromone động.

Tài liệu chuyên sâu về cải tiến PSO và ACO: Information Sciences, IEEE – Advances in PSO.

Ứng dụng thực tế trong kỹ thuật và khoa học

Trong trí tuệ nhân tạo, PSO được ứng dụng để huấn luyện mạng neural (bao gồm CNN và RNN) bằng cách tối ưu trọng số và kiến trúc. ACO thường dùng để tối ưu cấu trúc mạng hoặc bài toán lập lịch huấn luyện mô hình. Các bài toán robot học sử dụng PSO để lập kế hoạch đường đi tối ưu, điều khiển đa robot phối hợp tránh va chạm, và điều chỉnh tham số điều khiển thích nghi.

Trong kỹ thuật, PSO được sử dụng để thiết kế cánh máy bay (airfoil) tối ưu, giảm lực cản và tăng lực nâng, tối ưu cấu trúc cơ khí chịu tải, và tối ưu hệ thống điện (ví dụ điều chỉnh bộ điều khiển PID phi tuyến). ACO có nhiều ứng dụng trong tối ưu hóa mạng truyền thông, từ định tuyến gói tin tới cân bằng tải trong mạng cảm biến không dây.

Một số lĩnh vực ứng dụng tiêu biểu:

  • Điều khiển công nghiệp và hệ thống năng lượng.
  • Thiết kế kỹ thuật và cơ khí.
  • Y sinh học: phân tích ảnh y khoa, tối ưu tham số mô hình chẩn đoán.
  • Khoa học dữ liệu: lựa chọn đặc trưng, tối ưu tham số mô hình học máy.

Tham khảo thêm tại Engineering Applications of Artificial Intelligence.

So sánh với các phương pháp tối ưu khác

So sánh PSO/ACO với các thuật toán tiến hóa khác như GA (Genetic Algorithm) và DE (Differential Evolution) cho thấy:

  • PSO có tốc độ hội tụ nhanh hơn trong nhiều bài toán liên tục nhưng dễ hội tụ sớm.
  • GA có khả năng khai phá mạnh hơn nhưng hội tụ chậm hơn và cần nhiều tham số hơn.
  • DE phù hợp với bài toán không gian tìm kiếm rộng, hội tụ ổn định nhưng đòi hỏi điều chỉnh tham số tỉ mỉ.

So với phương pháp gradient, PSO/ACO không yêu cầu đạo hàm, nên phù hợp cho hàm mục tiêu không trơn hoặc nhiễu. Tuy nhiên, chúng có thể kém hiệu quả hơn trên bài toán lồi, mượt, có gradient rõ ràng.

Xem phân tích so sánh tại Applied Soft Computing và các nghiên cứu trên IEEE.

Phương pháp đánh giá và hiệu năng

Đánh giá hiệu quả thuật toán bầy đàn dựa trên các tiêu chí:

  1. Thời gian hội tụ: số vòng lặp cần để đạt chất lượng nghiệm mong muốn.
  2. Chất lượng nghiệm: giá trị hàm mục tiêu tốt nhất đạt được.
  3. Tính ổn định: độ biến thiên giữa các lần chạy.
  4. Khả năng mở rộng: hiệu năng khi tăng số chiều hoặc độ phức tạp bài toán.

Các bộ chuẩn benchmark thường dùng: Sphere, Rastrigin, Rosenbrock, Ackley, Griewank, CEC benchmark functions. Đánh giá hiệu năng thường yêu cầu chạy nhiều lần để lấy thống kê trung bình và độ lệch chuẩn.

Tham khảo: IEEE – Swarm benchmarking.

Xu hướng và hướng nghiên cứu tương lai

Xu hướng mới bao gồm tối ưu hóa bầy đàn song song trên GPU và hệ thống phân tán, tối ưu hóa cho bài toán quy mô rất lớn (large-scale optimization), và tích hợp học máy (swarm learning). Swarm learning kết hợp nguyên tắc bầy đàn với học liên kết (federated learning) để xử lý dữ liệu phân tán mà không cần chia sẻ dữ liệu thô.

Các hướng khác gồm phát triển thuật toán cho hệ động phi tuyến nhiều biến, cải tiến cơ chế chia sẻ thông tin để duy trì đa dạng quần thể, và ứng dụng trong các lĩnh vực mới như Internet of Things, mô phỏng vật liệu thông minh, dự báo khí hậu.

Nguồn tham khảo: Swarm and Evolutionary Computation, IEEE – Swarm Learning.

Tài liệu tham khảo

  • Kennedy, J., Eberhart, R. Particle Swarm Optimization, Proceedings of IEEE ICNN, 1995. Link
  • Dorigo, M., Di Caro, G. Ant Colony Optimization: A New Meta-Heuristic, IEEE ICCSA, 1999.
  • Shi, Y., Eberhart, R. A Modified Particle Swarm Optimizer, IEEE, 1998.
  • Clerc, M., Kennedy, J. The Particle Swarm – Explosion, Stability, and Convergence in a Multidimensional Complex Space, IEEE Transactions on Evolutionary Computation, 2002.
  • Yang, X.S. Swarm Intelligence and Bio-Inspired Computation, Elsevier, 2013.
  • Engelbrecht, A.P. Computational Intelligence: An Introduction, Wiley, 2007.
  • Tan, Y., Shi, Y. Advances in Swarm Intelligence, Springer, 2019.

Các bài báo, nghiên cứu, công bố khoa học về chủ đề tối ưu hóa bầy đàn:

Ước lượng sức bám giữa FRP và bê tông bằng cách sử dụng các mô hình học máy ANFIS và ANFIS lai Dịch bởi AI
Journal of Science and Transport Technology - - 2021
Hệ thống suy diễn mờ dựa trên trí tuệ nhân tạo (ANFIS) và thuật toán tối ưu hóa bầy đàn (PSO) đã được áp dụng để tạo ra các công cụ số dự đoán sức bám giữa bề mặt bê tông và các tấm nhựa gia cố bằng sợi carbon (CFRP). Từ tài liệu liên quan, một cơ sở dữ liệu uy tín bao gồm 242 mẫu thử đã được phát triển, cùng với sáu yếu tố đầu vào chủ yếu xác định sức bám. Những đặc tính này bao gồm chiều rộng củ...... hiện toàn bộ
#sức bám #bê tông #FRP #ANFIS #tối ưu hóa bầy đàn #mô hình học máy
THUẬT TOÁN TỐI ƯU BẦY ĐÀN CỦA BỘ LỌC KALMAN ĐỂ ƯỚC LƯỢNG TỐC ĐỘ CỦA ĐỘNG CƠ MỘT CHIỀU
Tạp chí khoa học và công nghệ năng lượng - Tập 37 - Trang 35 - 2025
Động cơ điện một chiều có nhiều ứng dụng quan trọng trong cuộc sống hàng ngày của chúng ta. Nó có thể được sử dụng trong nhiều lĩnh vực, bao gồm xe điện và thiết bị gia dụng. Do đó, nhu cầu điều khiển động cơ điện một chiều, đặc biệt là tốc độ của chúng, đã tăng lên trong những năm qua. Để điều khiển động cơ điện một chiều, cần phải đo lường các thông số liên quan như tốc độ động cơ và dòng điện p...... hiện toàn bộ
#Bộ lọc Kalman #Tối ưu hóa bầy đàn #Động cơ điện một chiều
Bộ tối ưu đa vũ trụ dựa trên Spark như một thuật toán lựa chọn đặc trưng cho thách thức tấn công lừa đảo Dịch bởi AI
Springer Science and Business Media LLC - - Trang 1-16 - 2024
Hiện nay, các cuộc tấn công lừa đảo (phishing) đã gia tăng nhanh chóng, và cần nhanh chóng giới thiệu một phương pháp phát hiện phù hợp có khả năng phát hiện các loại tấn công lừa đảo khác nhau. Bài báo này nghiên cứu khả năng sử dụng các thuật toán meta-heuristic lấy cảm hứng từ sinh học để cải thiện hiệu suất của công cụ phát hiện các cuộc tấn công lừa đảo bằng cách giảm số lượng đặc trưng. Sự c...... hiện toàn bộ
#tấn công lừa đảo #phát hiện tấn công #thuật toán tối ưu hóa bầy đàn hạt #thuật toán tối ưu hóa đom đóm #bộ tối ưu đa vũ trụ #thuật toán tối ưu hóa ngọn đèn đêm #thuật toán tối ưu hóa BAT
Giảm thiểu MAI trong các hệ thống MC-CDMA bằng cách sử dụng Thuật Toán Truyền Thông Không Dây Dựa Trên Tác Động Xã Hội Dịch bởi AI
Wireless Personal Communications - Tập 101 - Trang 1765-1786 - 2018
Trong bài báo này, một kỹ thuật tối ưu hóa mới, tức là Thuật Toán Truyền Thông Không Dây Dựa Trên Tác Động Xã Hội (SIWCA), đã được áp dụng cho hệ thống truy cập đa mã phân bổ theo mã (MC-CDMA) nhằm giảm thiểu nhiễu truy cập đồng thời (MAI). MC-CDMA đang được nghiên cứu như một công nghệ thay thế cho hệ thống di động thế hệ thứ tư (4G) cũng như thế hệ thứ năm (5G). MAI đã trở thành một mối quan ngạ...... hiện toàn bộ
#MC-CDMA #MAI #SIWCA #thuật toán di truyền #tối ưu hóa bầy đàn hạt nhị phân
Mô hình mạng nơ-ron xám cải tiến để dự đoán tái chế chất thải y tế Dịch bởi AI
Springer Science and Business Media LLC - Tập 42 - Trang 813-830 - 2019
Bài báo này đề cập đến vấn đề dự đoán nhiều yếu tố của việc tái chế chất thải y tế nhằm thúc đẩy việc xây dựng nền văn minh sinh thái trong bối cảnh triển khai toàn diện chiến lược "Trung Quốc khỏe mạnh". Trong bài báo này, một mô hình mạng nơ-ron xám cải tiến được phát triển để dự đoán mức độ tái chế. Mô hình xám đơn biến bậc một và phương pháp làm mượt ba hàm số mũ được sử dụng để dự đoán những ...... hiện toàn bộ
#tái chế chất thải y tế #mô hình mạng nơ-ron xám #dự đoán #tối ưu hóa bầy đàn #phân tích thực nghiệm
IDINTOS: nguyên mẫu đầu tiên của một máy bay dạng PrandtlPlane lưỡng cư Dịch bởi AI
Aerotecnica Missili & Spazio - Tập 94 - Trang 195-209 - 2015
Bài báo này tóm tắt các hoạt động chính được tiến hành để thiết kế, tối ưu hóa và xây dựng một nguyên mẫu của một phương tiện lưỡng cư nhẹ, đổi mới. Máy bay này là một "PrandtlPlane", một cấu hình cánh hộp đặc biệt, mang lại những lợi thế đáng kể như hiệu suất khí động học cao hơn và an toàn hơn trong chuyến bay; dự án nghiên cứu, mang tên IDINTOS, đã được đồng tài trợ bởi Chính quyền vùng Tuscany...... hiện toàn bộ
#PrandtlPlane #lưỡng cư #khí động học #nguyên mẫu #tối ưu hóa
Phương pháp ước lượng chi phí bảo trì trực tiếp của các thành phần máy bay dựa trên tối ưu hóa bầy đàn với thuật toán miễn dịch Dịch bởi AI
Springer Science and Business Media LLC - Tập 12 - Trang 95-101 - 2005
Một thuật toán tối ưu hóa bầy đàn (PSO) được cải tiến bởi thuật toán miễn dịch (IA) đã được trình bày. Các cơ chế ghi nhớ và tự điều chỉnh của IA được sử dụng nhằm tránh PSO rơi vào các cực tiểu cục bộ. Các cơ chế tiêm chủng và lựa chọn miễn dịch được sử dụng để ngăn chặn hiện tượng dao động trong quá trình tiến hóa. Thuật toán được giới thiệu thông qua một ứng dụng trong việc ước lượng chi phí bả...... hiện toàn bộ
#tối ưu hóa bầy đàn #thuật toán miễn dịch #ước lượng chi phí bảo trì #máy bay #tối ưu hóa tổ hợp
Tối ưu hóa đặc điểm kích thước cho hệ thống đo đạc với thị giác hai mắt và các yếu tố quang học dựa trên phương pháp bầy đàn hạt địa phương Dịch bởi AI
Springer Science and Business Media LLC - Tập 22 - Trang 58-64 - 2015
Đặc điểm kích thước, đại diện cho mối quan hệ giữa các biến kích thước của mô hình thị giác hai mắt, được nghiên cứu nhằm xác định cấu trúc tối ưu cho hệ thống đo đạc. Một hàm mục tiêu tối ưu được xây dựng nhằm giảm thiểu diện tích hệ thống. Giải pháp tối ưu với điều kiện về khoảng cách đường cơ sở ảo được thu được từ thuật toán tối ưu bầy đàn hạt (PSO). Một nghiên cứu trường hợp cho thấy khi khoả...... hiện toàn bộ
#thị giác hai mắt #tối ưu hóa #bầy đàn hạt #hệ thống đo đạc #diện tích hệ thống
Mạng nơ-ron nhân tạo Pi Sigma được điều chỉnh để dự đoán Dịch bởi AI
Granular Computing - Tập 8 - Trang 131-135 - 2022
Các mạng nơ-ron nhân tạo Pi Sigma là một loại mạng nơ-ron bậc cao được sử dụng trong các vấn đề dự đoán chuỗi thời gian. Trong các mạng nơ-ron nhân tạo Pi Sigma, trọng số giữa lớp ẩn và lớp đầu ra được coi là hằng số và bằng một, và độ thiên lệch được coi là hằng số và bằng zero. Mặc dù đặc điểm này của các mạng nơ-ron nhân tạo Pi Sigma cho phép nó hoạt động với ít tham số hơn, nhưng nó cũng có th...... hiện toàn bộ
#mạng nơ-ron nhân tạo #Pi Sigma #dự đoán #chuỗi thời gian #tối ưu hóa bầy đàn hạt
Các phương pháp dựa trên bộ nhớ để loại bỏ sự hội tụ sớm trong tối ưu hóa bầy đàn hạt Dịch bởi AI
Springer Science and Business Media LLC - Tập 51 - Trang 4575-4608 - 2021
Tối ưu hóa bầy đàn hạt (Particle Swarm Optimization - PSO) là một phương pháp tính toán, trong đó một nhóm các hạt di chuyển trong không gian tìm kiếm để tìm ra giải pháp tối ưu. Trong quá trình di chuyển này, mỗi hạt cập nhật vị trí và vận tốc của nó dựa trên vị trí tốt nhất trước đó và vị trí tốt nhất mà bầy đã tìm thấy. Mặc dù PSO được coi là một giải pháp tiềm năng và được áp dụng trong nhiều ...... hiện toàn bộ
#Tối ưu hóa bầy đàn hạt #hội tụ sớm #biến thể dựa trên bộ nhớ #kỹ thuật PSOMR #kỹ thuật MS-PSOMR
Tổng số: 37   
  • 1
  • 2
  • 3
  • 4