Algoritmi di dinamiche di sciami di particelle per l’ottimizzazione del Machine Learning = Algorithms for swarm dynamics employed to optimization problems.

L’ottimizzazione di sciami di particelle (PSO) è un modello particellare che riproduce dinamiche collettive di sistemi di agenti, come sciami, utilizzato in ottica di ottimizzazione. Il PSO trae ispirazione proprio da alcuni modelli che simulano il comportamento sociale degli animali, come ad esempio gli stormi di uccelli che si muovono in sincrono per ricercare del cibo. In quest’ottica, nel PSO sono assegnate delle regole di movimento ai singoli agenti che li portano ad esplorare il dominio spaziale alla ricerca di punti critici: ad esempio, di punti che minimizzano una certa funzione obiettivo. In particolare ogni agente si muove anche per condivisione di informazioni con il resto dello sciame (o con una sua parte). In questo lavoro di tesi, si analizza innanzitutto l'origine del PSO, ovvero si commentano alcuni modelli analoghi che lo hanno preceduto. Si passa poi a descrivere i suoi aspetti principali e alcune sue varianti; particolare attenzione è data all’interpretazione dei vari parametri presenti nel modello e alle strutture di comunicazione, che definiscono il gruppo di agenti con cui ogni individuo scambia informazioni durante la sua dinamica. Si propone infine l’implementazione di una delle versioni dell’algoritmo PSO tramite il software Matlab e la sua applicazione ad alcune funzioni test. In quest'ottica, commenteremo ed interpreteremo i risultati derivanti da variazioni di alcuni coefficienti caratteristici del modello e della tipologia di comunicazione tra gli individui.