Efecto de los coeficientes de aceleración de PSO en el desempeño de una red neuronal artificial aplicada a la estimación de costos

Abstract

La metaheurística poblacional Particle Swarm Optimization (PSO) desde su aparición ha demostrado ser eficiente en la solución de problemas de optimización, la variación de sus parámetros ha permitido mejorar su eficiencia. Entre los parámetros de configuración se encuentran los coeficientes de aceleración c1 y c2. El presente trabajo está centrado en realizar un estudio comparativo del efecto de los parámetros c1 y c2 en el desempeño de PSO para resolver un problema de estimación de costos. La evaluación estuvo basada en una Red Neuronal Artificial (ANN) tipo feedforward sigmoidal con aprendizaje PSO. Se evaluó un rango de valores en los coeficientes de aceleración, los demás parámetros, en este caso factor inercial y el tamaño de enjambre se trabajaron con valores fijos. La validación de la solución se realizó por medio de un conjunto de datos de fabricación de tuberías para transferencia de fluidos utilizada en la industria, proveniente de un caso real, con información relacionada con peso, tipo de soldadura, diámetro y el correspondiente costo. La función objetivo utilizada es el Error Cuadrático Medio (MSE), calculado entre los valores observados y los valores estimados por la ANN. A partir de los resultados se puede observar que valores muy pequeños de c1 y c2 obtienen baja exactitud en la estimación de costos de fabricación de tubería, en tanto que la mejor exactitud es lograda por medio de coeficientes de aceleración con valores mayores o iguales a 0.5.

The particle metaheuristics Particle Swarm Optimization (PSO) since its appearance has proven to be efficient in solving optimization problems, the variation of its parameters has allowed to improve its efficiency. The present work is focused on performing a comparative study of the effect of the acceleration coefficients c1 and c2, on the performance of PSO to solve a problem of cost estimation, through an Artificial Neural Network (ANN) sigmoidal feedforward. A range of values was evaluated in the acceleration coefficients, the other parameters, in this case inertial factor and the swarm size were worked with fixed values. The validation of the solution was carried out by means of a pipeline data set for fluid transfer used in the industry, coming from a real case, with information related to weight, welding type, diameter and the corresponding cost. The objective function used is the Mean Square Error (MSE), calculated between the observed values and the values estimated by the ANN. From the results it can be seen that very small values of c1 and c2 obtain low accuracy in the estimation of pipe manufacturing costs, while the best accuracy is achieved by means of acceleration coefficients with values greater than or equal to 0.5.