Particle Swarm Optimization: Sürü Zekâsıyla En İyi Çözümü Aramak

Bir kuş sürüsünün yiyecek ararken lider beklemeden, hem kendi deneyiminden hem de komşularının hareketlerinden öğrenmesini düşünün. Particle Swarm Optimization (PSO), tam olarak bu gözlemden doğan sezgisel bir optimizasyon algoritmasıdır. Türev hesabına ihtiyaç duymadan karmaşık, doğrusal olmayan ve hatta gürültülü problemlerde iyi çözümler arar. Amaç, bir hedef fonksiyonun en küçük ya da en büyük değerini bulmaktır; sürü ise çözüm uzayında dolaşan aday çözümlerden oluşur. `` PSO’da her parçacık, problemin olası bir çözümünü temsil eder. Örneğin iki değişkenli bir fonksiyonu minimize ediyorsak, parçacığın konumu $x_i = (x_{i1}, x_{i2})$ şeklinde iki sayıdır. Parçacığın ayrıca bir hızı $v_i$ vardır. Hız, bir sonraki turda hangi yönde ve ne kadar ilerleyeceğini söyler. Her parçacık şimdiye kadar gördüğü en iyi konumu, yani kişisel en iyisini ($pbest_i$), saklar. Tüm sürünün keşfettiği en başarılı konum ise küresel en iyi ($gbest$) adını alır.

Algoritmanın kalbi, hız güncelleme denklemidir:

Ardından konum basitçe güncellenir:

Buradaki $w$ ataleti temsil eder: yüksek olduğunda parçacık eski yönünü korur ve daha geniş keşif yapar. $c_1$ bilişsel katsayıdır; parçacığın kendi başarısına güvenmesini sağlar. $c_2$ sosyal katsayıdır; sürünün ortak bilgisine yönelmeyi güçlendirir. $r_1$ ve $r_2$ ise $[0,1]$ aralığında rastgele sayılardır. Bu rastlantısallık, bütün parçacıkların aynı noktaya mekanik biçimde çökmesini zorlaştırır.

PSO’nun önemli dengesi keşif ve sömürü arasındadır. Keşif, çözüm uzayının farklı bölgelerini denemektir. Sömürü ise umut vadeden bir bölgeyi daha ayrıntılı taramaktır. Çok yüksek $c_2$, sürüyü erken bir çözüme kilitleyebilir; buna erken yakınsama denir. Çok yüksek hızlar ise parçacıkların iyi bölgelerin üzerinden adeta roket gibi geçmesine yol açar. Bu yüzden hız genellikle $[-v_{max}, v_{max}]$ aralığında sınırlandırılır.

Aşağıdaki Python örneği, $f(x,y)=x^2+y^2$ fonksiyonunun minimumunu arar. Teorik minimum $(0,0)$ noktasındadır; kod, sürünün bu noktaya yaklaşmasını izler.

import numpy as np

def objective(position):
    return np.sum(position ** 2, axis=1)

n_particles, dimensions, iterations = 30, 2, 80
positions = np.random.uniform(-5, 5, (n_particles, dimensions))
velocities = np.random.uniform(-1, 1, (n_particles, dimensions))
pbest = positions.copy()
pbest_scores = objective(pbest)
gbest = pbest[np.argmin(pbest_scores)].copy()

for _ in range(iterations):
    r1, r2 = np.random.rand(n_particles, dimensions), np.random.rand(n_particles, dimensions)
    velocities = (0.7 * velocities + 1.4 * r1 * (pbest - positions)
                  + 1.4 * r2 * (gbest - positions))
    positions += velocities

    scores = objective(positions)
    improved = scores < pbest_scores
    pbest[improved] = positions[improved]
    pbest_scores[improved] = scores[improved]
    gbest = pbest[np.argmin(pbest_scores)].copy()

print('En iyi konum:', gbest)

PSO; hiperparametre ayarı, özellik seçimi, rota planlama ve sinir ağı ağırlıklarının aranması gibi alanlarda kullanılır. Başarısının sırrı karmaşık biyolojik davranışı birebir taklit etmek değil; basit bireysel hafıza ile kolektif paylaşımın güçlü bir arama stratejisine dönüşmesidir.