Accueil ▸ IA et apprentissage automatique ▸ Optimiseur de placement d'antennes — Essaim particulaire en direct

📡 Optimiseur de placement d'antennes — Essaim particulaire en direct

Regardez un véritable essaim d'optimisation par essaim particulaire rechercher en direct des emplacements simulés d'antennes-relais, mettant réellement à jour la vélocité de chaque particule à partir de son propre score de couverture et du meilleur score connu de l'essaim.

IA et apprentissage automatique 3D Avancé 60 FPS PSO Intelligence en essaim
ai-antenna-placement-optimization ↗ Ouvrir en autonome

À propos de cette simulation

Cette simulation exécute un véritable algorithme d'optimisation par essaim particulaire (PSO) contre un problème simulé d'implantation de couverture cellulaire. Chaque particule de l'essaim est une disposition candidate complète — la position (x, y) de chaque antenne qu'elle propose — et à chaque itération, la vélocité de chaque particule est mise à jour avec la véritable règle PSO v ← w·v + c₁·r₁·(pbest − x) + c₂·r₂·(gbest − x), puis sa position avec x ← x + v, en utilisant de nouveaux tirages aléatoires r₁, r₂ à chaque étape. L'aptitude est un véritable objectif de qualité de couverture : couverture de signal pondérée par la demande sur la zone de service, avec un affaiblissement quadratique par la distance et une pénalité pour les antennes qui couvrent redondamment le même terrain.

🔬 Ce que ça montre

Une zone de service 3D vue du dessus : des points de demande dimensionnés et colorés selon le poids démographique, de faibles points roses montrant les positions d'antennes candidates de chaque particule en mouvement, et des pylônes brillants avec des anneaux de couverture translucides marquant la disposition d'antennes actuellement la meilleure connue (gbest) de l'essaim. En dessous, un graphique en direct suit la meilleure aptitude jamais atteinte et l'aptitude moyenne actuelle de l'essaim — une véritable courbe de convergence, pas une animation scriptée.

🎮 Comment l'utiliser

Ajustez la taille de l'essaim (10 à 60 particules), le poids d'inertie w (0,2 à 0,9), et le nombre d'antennes à placer (3 à 8). Choisissez une disposition des points de demande — Aléatoire, Groupée (« villes »), ou Grille — et réglez le rayon de couverture par antenne. Faites glisser la vue 3D pour faire pivoter la caméra, et utilisez Réinitialiser pour relancer une nouvelle exécution avec un nouveau champ de demande et un nouvel essaim.

💡 Le saviez-vous ?

PSO s'est inspiré du mouvement coordonné et sans chef des volées d'oiseaux et des bancs de poissons — aucune particule seule ne « connaît » la réponse, pourtant l'essaim dans son ensemble converge de manière fiable car chaque particule est poussée à la fois par sa propre mémoire et par la meilleure découverte partagée du groupe. Elle n'a besoin d'aucune dérivée de la fonction objectif, ce qui explique précisément pourquoi elle fonctionne si bien sur des problèmes d'implantation où la couverture n'est pas une surface lisse et différentiable.

Questions fréquentes

Qu'est-ce que l'optimisation par essaim particulaire (PSO) ?

L'optimisation par essaim particulaire est une métaheuristique basée sur une population dans laquelle un essaim de solutions candidates (« particules ») se déplace à travers l'espace de recherche, chacune étant attirée vers la meilleure position qu'elle a personnellement trouvée (pbest) et la meilleure position que tout l'essaim a trouvée (gbest). Contrairement aux méthodes basées sur le gradient, PSO n'a besoin d'aucune dérivée de la fonction objectif — seulement de la capacité d'évaluer un score d'aptitude pour tout candidat — ce qui la rend bien adaptée aux problèmes combinatoires d'implantation comme le placement d'antennes, où la fonction de couverture n'est ni lisse ni différentiable sous une forme simple.

Comment fonctionne réellement la règle de mise à jour de la vélocité ?

À chaque itération, chaque particule met à jour sa vélocité avec v ← w·v + c₁·r₁·(pbest − x) + c₂·r₂·(gbest − x), puis se déplace avec x ← x + v. Le terme d'inertie w·v prolonge l'élan existant de la particule ; le terme cognitif c₁·r₁·(pbest − x) la ramène vers sa propre meilleure position jamais atteinte ; le terme social c₂·r₂·(gbest − x) l'attire vers la meilleure position jamais atteinte par l'essaim. r₁ et r₂ sont de nouveaux nombres aléatoires indépendants tirés pour chaque dimension, à chaque itération, de sorte qu'aucune paire de particules ne suit une trajectoire identique même lorsqu'elles partagent les mêmes cibles pbest et gbest. Cette simulation utilise c₁ = c₂ = 1,6, valeurs standard tirées de la littérature sur PSO.

Quelle fonction objectif évalue la qualité d'un placement d'antennes ?

Chaque disposition candidate est notée en additionnant, sur chaque point de demande de la zone de service, le poids de demande de ce point multiplié par le signal le plus fort qu'il reçoit de n'importe quelle antenne — modélisé comme un affaiblissement quadratique avec la distance qui atteint zéro au rayon de couverture (un modèle simplifié de perte de trajet du meilleur serveur). Un terme de pénalité est ensuite soustrait pour les points de demande couverts de manière redondante par plus d'une antenne au-dessus d'un seuil de signal minimal, car les déploiements réels veulent des antennes réparties pour couvrir plus de terrain plutôt qu'empilées sur les mêmes clients. Il s'agit d'une fonction réelle et déterministe des coordonnées des antennes — rien n'est scripté ou précalculé.

Pourquoi les courbes de meilleure aptitude et d'aptitude moyenne se comportent-elles différemment ?

La courbe du meilleur score (gbest) ne peut jamais qu'augmenter ou rester stable, car l'essaim se souvient de la meilleure disposition qu'il a jamais trouvée et ne l'abandonne jamais — c'est une garantie structurelle de la façon dont pbest et gbest sont suivis, pas une animation scriptée. La courbe moyenne reflète la position actuelle de chaque particule à chaque itération, qui peut chuter lorsque des particules dépassent leur cible en explorant, puis récupérer à mesure que l'essaim reconverge. Observer les deux ensemble montre le véritable compromis exploration/exploitation : l'aptitude moyenne est plus bruitée au début pendant que les particules sont dispersées, et les deux courbes se resserrent ensemble à mesure que l'essaim converge vers une région partagée de l'espace de recherche.

Que changent les contrôles de poids d'inertie et de taille d'essaim ?

Le poids d'inertie w détermine quelle part de la vélocité précédente d'une particule se prolonge dans l'étape suivante : un w élevé (proche de 0,9) maintient les particules en mouvement largement et en exploration plus longtemps avant de se stabiliser, tandis qu'un w faible (proche de 0,2) amortit rapidement l'élan afin que les particules convergent plus vite vers pbest et gbest, mais risquent de se fixer dans une disposition locale médiocre. La taille de l'essaim détermine combien de dispositions candidates indépendantes recherchent en parallèle à chaque itération — un essaim plus grand échantillonne davantage l'espace de placement par itération et tend à trouver un meilleur gbest plus tôt, au prix de plus d'évaluations d'aptitude par étape.

Comment PSO se compare-t-elle à la recherche exhaustive ou à la descente de gradient pour l'implantation d'antennes ?

La recherche exhaustive sur toutes les combinaisons possibles de coordonnées d'antennes devient impraticable dès qu'on a plus d'une ou deux antennes, car l'espace de recherche croît de façon exponentielle avec le nombre d'antennes. La descente de gradient a besoin d'un objectif différentiable, mais la fonction de couverture du meilleur serveur utilisée ici présente des cassures partout où l'antenne la plus proche change, et des choix combinatoires comme « quelle antenne couvre quel point de demande » ne sont pas naturellement différentiables du tout. PSO contourne les deux problèmes : elle n'a besoin que d'évaluer l'aptitude d'une disposition candidate, pas de la différentier, et son essaim de candidats parallèles explore simultanément de nombreuses régions de l'espace de placement, ce qui en fait un choix pratique standard pour l'optimisation réelle de l'implantation d'antennes et d'installations.