Options d'algorithmes du solveur

Algorithme Ă©volutif DEPS

Le DEPS se compose de deux algorithmes indépendants : l'évolution différentielle et l'optimisation de l'essaim de particules. Les deux sont particulièrement adaptés aux problèmes numériques, tels que l'optimisation non linéaire, et sont complémentaires en ce sens qu'ils compensent les lacunes de l'autre.

Paramètre

Description

Taux d'Ă©change d'agent

Spécifie la probabilité pour un individu de choisir la stratégie d'évolution différentielle.

Supposer les variables comme non négatives

Marquer pour forcer les variables Ă  ĂŞtre uniquement positives.

DE : probabilité de croisement

Définit la probabilité de l'individu d'être combiné avec le meilleur point global. Si le croisement n'est pas utilisé, le point est assemblé à partir de la propre mémoire de l'individu.

DE : facteur d'Ă©chelle

Pendant le croisement, le facteur d'échelle décide de la "vitesse" du mouvement.

Cycles d'apprentissage

Définit le nombre d'itérations que l'algorithme doit prendre. Dans chaque itération, tous les individus font une suggestion de la meilleure solution et partagent leur savoir.

PS : constante cognitive

Définit l'importance de la mémoire propre (en particulier le meilleur point atteint jusque là).

PS : coefficient de constriction

Définit la vitesse à laquelle les particules/individus se déplacent entre eux.

PS : probabilité de mutation

Définit la probabilité qu'au lieu de déplacer un composant de la particule vers le meilleur point, une nouvelle valeur est choisie aléatoirement à partir de la plage valide de cette variable.

PS : constante sociale

DĂ©finit l'importance du meilleur point global entre les particules/individus.

Afficher les statuts du solveur Ă©tendu

Si activé, une boîte de dialogue supplémentaire est affichée pendant le processus de résolution, qui donne des informations à propos des progrès en cours, le niveau de stagnation, la meilleure solution connue actuelle ainsi que la possibilité d'arrêter ou de reprendre le solveur.

Taille de l'essaim

Définit le nombre d'individus participant au cycle d'apprentissage. Chaque individu trouve ses propres solutions et contribue au savoir général.

Limite de stagnation

Si ce nombre d'individus a trouvé des solutions dans une plage fermée, l'itération est arrêtée et la meilleure de ces valeurs est choisie comme optimale.

Tolérance de stagnation

Définit dans quelle plage les solutions sont considérées comme "similaires"

Utiliser le comparateur ACR

Si désactivé (par défaut) le comparateur BCH est utilisé. Il compare deux individus en observant d'abord leurs violations de contrainte et seulement si elles sont égales, il mesure leur solution actuelle.

Si activé, le comparateur ACT est utilisé. Il compare deux individus dépendants de l'itération actuelle et mesure leur exactitude à partir des connaissances des bibliothèques de solutions connues les pires (en fonction de leurs contraintes de violation).

Utiliser un point de départ aléatoire

Si activé, la bibliothèque est simplement remplie avec des points choisis aléatoirement.

Si désactivé, les valeurs actuellement présentes (telles que données par l'utilisateur) sont insérées dans la bibliothèque comme point de référence.

Estimer les limites de la variable

Si activé (par défaut), l'algorithme essaie de trouver les limites de la variable en regardant les valeurs de départ.

Seuil des limites de la variable

Lors de la supposition des limites de variable, ce seuil spécifie comment les valeurs initiales sont modifiées pour construire les limites. Pour un exemple sur la façon dont ces valeurs sont calculées, veuillez vous référer au manuel sur le Wiki.


Algorithme Ă©volutif SCO

L'optimisation cognitive sociale prend en compte le comportement humain d'apprentissage et de partage d'informations. Chaque individu a accès à une bibliothèque commune avec des connaissances partagées entre tous les individus.

Paramètre

Description

Supposer les variables comme non négatives

Marquer pour forcer les variables Ă  ĂŞtre uniquement positives.

Cycles d'apprentissage

Définit le nombre d'itérations que l'algorithme doit prendre. Dans chaque itération, tous les individus font une suggestion de la meilleure solution et partagent leur savoir.

Afficher les statuts du solveur Ă©tendu

Si activé, une boîte de dialogue supplémentaire est affichée pendant le processus de résolution, qui donne des informations à propos des progrès en cours, le niveau de stagnation, la meilleure solution connue actuelle ainsi que la possibilité d'arrêter ou de reprendre le solveur.

Taille de la bibliothèque

Définit la somme d'information à stocker dans la bibliothèque publique. Chaque individu stocke le savoir ici et demande des informations.

Taille de l'essaim

Définit le nombre d'individus participant au cycle d'apprentissage. Chaque individu trouve ses propres solutions et contribue au savoir général.

Limite de stagnation

Si ce nombre d'individus a trouvé des solutions dans une plage fermée, l'itération est arrêtée et la meilleure de ces valeurs est choisie comme optimale.

Tolérance de stagnation

Définit dans quelle plage les solutions sont considérées comme "similaires"

Utiliser le comparateur ACR

Si désactivé (par défaut) le comparateur BCH est utilisé. Il compare deux individus en observant d'abord leurs violations de contrainte et seulement si elles sont égales, il mesure leur solution actuelle.

Si activé, le comparateur ACT est utilisé. Il compare deux individus dépendants de l'itération actuelle et mesure leur exactitude à partir des connaissances des bibliothèques de solutions connues les pires (en fonction de leurs contraintes de violation).

Estimer les limites de la variable

Si activé (par défaut), l'algorithme essaie de trouver les limites de la variable en regardant les valeurs de départ.

Seuil des limites de la variable

Lors de la supposition des limites de variable, ce seuil spécifie comment les valeurs initiales sont modifiées pour construire les limites. Pour un exemple sur la façon dont ces valeurs sont calculées, veuillez vous référer au manuel sur le Wiki.


Solveur linéaire LibreOffice et solveur linéaire CoinMP

Paramètre

Description

Supposer les variables comme entiers

Cocher pour forcer les variables Ă  ĂŞtre uniquement des entiers.

Supposer les variables comme non négatives

Marquer pour forcer les variables Ă  ĂŞtre uniquement positives.

Niveau epsilon

Niveau epsilon. Les valeurs correctes sont dans la plage 0 (très serré) à 3 (très lâche). Epsilon est la tolérance pour arrondir les valeurs à zéro.

Limiter la profondeur branche-et-lien

Spécifie la profondeur branche-et-lien maximum. Une valeur positive signifie que la profondeur est absolue. Une valeur négative signifie une limite de profondeur branche-et-lien relative.

Limite de temps du solveur

DĂ©finit le temps maximum pour que l'algorithme converge vers une solution.


Solveur non linéaire Swarm LibreOffice (expérimental)

Paramètre

Description

Supposer les variables comme entiers

Cocher pour forcer les variables Ă  ĂŞtre uniquement des entiers.

Supposer les variables comme non négatives

Marquer pour forcer les variables Ă  ĂŞtre uniquement positives.

Limite de temps du solveur

DĂ©finit le temps maximum pour que l'algorithme converge vers une solution.

Algorithme Swarm

Définir l'algorithme Swarm. 0 pour une évolution différentielle et 1 pour l'optimisation des essaims de particules. Par défaut, réglé sur 0.


Aidez-nous !