Home ▸ IA e Machine Learning ▸ Optimizzatore di posizionamento antenne — Sciame di particelle dal vivo

📡 Optimizzatore di posizionamento antenne — Sciame di particelle dal vivo

Osserva un vero sciame di ottimizzazione a sciame di particelle cercare dal vivo i posizionamenti simulati dei tralicci cellulari, aggiornando realmente la velocità di ogni particella in base al proprio miglior punteggio di copertura e a quello dello sciame.

IA e Machine Learning 3D Avanzato 60 FPS PSO Intelligenza di sciame

Informazioni su questa simulazione

Questa simulazione esegue un vero algoritmo di ottimizzazione a sciame di particelle (PSO) su un problema simulato di localizzazione della copertura cellulare. Ogni particella nello sciame è un'intera disposizione candidata — la posizione (x, y) di ogni traliccio che propone — e a ogni iterazione la velocità di ogni particella viene aggiornata con la vera regola PSO v ← w·v + c₁·r₁·(pbest − x) + c₂·r₂·(gbest − x), poi la sua posizione con x ← x + v, usando nuove estrazioni casuali r₁, r₂ a ogni passo. L'idoneità è un vero obiettivo di qualità della copertura: copertura del segnale ponderata per domanda sull'area di servizio, con decadimento quadratico rispetto alla distanza e una penalità per i tralicci che coprono in modo ridondante lo stesso terreno.

🔬 Cosa mostra

Una vista dall'alto 3D dell'area di servizio: punti di domanda dimensionati e colorati in base al peso della popolazione, tenui puntini rosa che mostrano le posizioni candidate dei tralicci di ogni particella in movimento, e pilastri luminosi con anelli di copertura traslucidi che segnano l'attuale migliore disposizione conosciuta (gbest) dei tralicci dello sciame. Sotto, un grafico dal vivo traccia l'idoneità migliore mai raggiunta e quella media corrente dello sciame — una vera curva di convergenza, non un'animazione scriptata.

🎮 Come usarla

Regola la dimensione dello sciame (10–60 particelle), il peso di inerzia w (0,2–0,9) e il numero di tralicci da posizionare (3–8). Scegli una disposizione dei punti di domanda — Casuale, Raggruppata ("città") o a Griglia — e regola il raggio di copertura per traliccio. Trascina la vista 3D per ruotare la telecamera, e usa Reset per riavviare con un nuovo campo di domanda e un nuovo sciame.

💡 Lo sapevi?

La PSO si è ispirata al movimento coordinato e senza leader degli stormi di uccelli e dei banchi di pesci — nessuna singola particella "conosce" la risposta, eppure lo sciame nel suo insieme converge in modo affidabile perché ogni particella è spinta sia dalla propria memoria sia dalla migliore scoperta condivisa del gruppo. Non richiede la derivata della funzione obiettivo, ed è esattamente per questo che funziona così bene su problemi di localizzazione dove la copertura non è una superficie liscia e differenziabile.

Domande frequenti

Cos'è l'ottimizzazione a sciame di particelle (PSO)?

L'ottimizzazione a sciame di particelle è una metaeuristica basata su popolazione in cui uno sciame di soluzioni candidate ("particelle") si muove nello spazio di ricerca, ciascuna attratta verso la migliore posizione trovata personalmente (pbest) e la migliore posizione trovata dall'intero sciame (gbest). A differenza dei metodi basati sul gradiente, la PSO non richiede la derivata della funzione obiettivo — solo la capacità di valutare un punteggio di idoneità per qualsiasi candidato — il che la rende adatta a problemi di localizzazione combinatoria come il posizionamento di antenne, dove la funzione di copertura non è liscia né differenziabile in forma chiusa semplice.

Come funziona realmente la regola di aggiornamento della velocità?

A ogni iterazione ogni particella aggiorna la propria velocità con v ← w·v + c₁·r₁·(pbest − x) + c₂·r₂·(gbest − x), poi si sposta con x ← x + v. Il termine di inerzia w·v porta avanti lo slancio esistente della particella; il termine cognitivo c₁·r₁·(pbest − x) la riporta verso la propria migliore posizione mai raggiunta; il termine sociale c₂·r₂·(gbest − x) la attrae verso la migliore posizione mai raggiunta dallo sciame. r₁ e r₂ sono nuovi numeri casuali indipendenti estratti per ogni dimensione, a ogni iterazione, quindi due particelle non seguono mai traiettorie identiche anche condividendo gli stessi obiettivi pbest e gbest. Questa simulazione usa c₁ = c₂ = 1,6, valori standard della letteratura PSO.

Quale funzione obiettivo valuta la qualità di un posizionamento di antenne?

Ogni disposizione candidata viene valutata sommando, per ogni punto di domanda nell'area di servizio, il peso di domanda di quel punto moltiplicato per il segnale più forte che riceve da qualsiasi traliccio — modellato come un decadimento quadratico con la distanza che raggiunge zero al raggio di copertura (un modello semplificato di attenuazione di percorso del miglior server). Viene poi sottratto un termine di penalità per i punti di domanda coperti in modo ridondante da più di un traliccio sopra una soglia minima di segnale, poiché le implementazioni reali vogliono tralicci distribuiti per coprire più terreno anziché accumulati sugli stessi clienti. Questa è una funzione genuina e deterministica delle coordinate dei tralicci — nulla in essa è scriptato o precalcolato.

Perché le curve di idoneità migliore e media si comportano diversamente?

La curva migliore (gbest) può solo aumentare o restare piatta, perché lo sciame ricorda la migliore disposizione mai trovata e non la scarta mai — questa è una garanzia strutturale del modo in cui pbest e gbest vengono tracciati, non un'animazione scriptata. La curva media riflette la posizione corrente di ogni particella a ogni iterazione, che può calare quando le particelle superano il bersaglio esplorando, per poi recuperare mentre lo sciame riconverge. Osservarle insieme mostra il vero compromesso esplorazione/sfruttamento: l'idoneità media è più rumorosa nelle fasi iniziali mentre le particelle sono disperse, ed entrambe le curve si stringono insieme mentre lo sciame converge su una regione condivisa dello spazio di ricerca.

Cosa cambiano i controlli del peso di inerzia e della dimensione dello sciame?

Il peso di inerzia w scala quanta parte della velocità precedente di una particella si trasferisce al passo successivo: un w alto (vicino a 0,9) mantiene le particelle in movimento ampio ed esplorazione più lunga prima di stabilizzarsi, mentre un w basso (vicino a 0,2) smorza rapidamente lo slancio così le particelle si avvicinano più velocemente a pbest e gbest ma rischiano di stabilizzarsi in una disposizione locale mediocre. La dimensione dello sciame controlla quante disposizioni candidate indipendenti cercano in parallelo a ogni iterazione — uno sciame più grande campiona più spazio di posizionamento per iterazione e tende a trovare un gbest migliore prima, al costo di più valutazioni di idoneità per passo.

Come si confronta la PSO con la ricerca esaustiva o la discesa del gradiente per la localizzazione dei tralicci?

La ricerca esaustiva su ogni possibile combinazione di coordinate dei tralicci è computazionalmente infattibile appena si superano uno o due tralicci, perché lo spazio di ricerca cresce esponenzialmente con il numero di tralicci. La discesa del gradiente richiede un obiettivo differenziabile, ma la funzione di copertura del miglior server usata qui presenta discontinuità ovunque cambi il traliccio più vicino, e scelte combinatorie come "quale traliccio copre quale punto di domanda" non sono affatto naturalmente differenziabili. La PSO aggira entrambi i problemi: deve solo valutare l'idoneità di una disposizione candidata, non differenziarla, e il suo sciame di candidati paralleli esplora simultaneamente molte regioni dello spazio di posizionamento, il che la rende una scelta pratica standard per la reale ottimizzazione della localizzazione di antenne e impianti.