Ця симуляція запускає справжній алгоритм оптимізації методом рою частинок (PSO), у якому кожна частинка представляє повне кандидатне розташування стільникових веж. На кожній ітерації швидкість кожної частинки по-справжньому оновлюється на основі найкращого положення, яке вона знайшла особисто, і найкращого положення, знайденого всім роєм, тягнучи весь рій до дедалі кращих розташувань покриття без будь-якого градієнта чи заскриптованої відповіді.
🔬 Що показано
Рій частинок-кандидатів рухається над картою покриття, де кожна частинка кодує повний набір координат веж. Золота частинка позначає поточне найкраще глобальне розташування (gbest); менші частинки показують поточний рій. Живий графік нижче відстежує найкращу та середню придатність за ітераціями — обидві обчислюються наживо з фактичної функції покриття.
🎮 Як користуватися
Налаштуйте вагу інерції w, коефіцієнти c1/c2 та розмір рою, щоб змінити баланс дослідження й використання. Натисніть «Крок» чи «Автозапуск», щоб просунути рій, і «Скинути» для нового випадкового старту. Спостерігайте, як вежі рухаються в реальному часі, поки рій сходиться до кращого покриття.
💡 Чи знали ви?
PSO не потребує похідної цільової функції — лише здатності обчислити придатність для будь-якого кандидата, що робить його придатним для комбінаторних задач розміщення, як-от антен, де функція покриття не є гладкою чи диференційовною у простій замкненій формі.
Що таке оптимізація методом рою частинок (PSO)?
Оптимізація методом рою частинок — це популяційна метаевристика, у якій рій кандидатних розв'язків («частинок») рухається простором пошуку, кожен притягуючись до найкращого положення, знайденого особисто (pbest), і найкращого положення, знайденого всім роєм (gbest). На відміну від градієнтних методів, PSO не потребує похідної цільової функції — лише здатності обчислити показник придатності для будь-якого кандидата — що робить його добре придатним для комбінаторних задач розміщення, як-от розташування антен, де функція покриття не є гладкою чи диференційовною в жодній простій замкненій формі.
Як насправді працює правило оновлення швидкості?
Кожної ітерації кожна частинка оновлює швидкість за v ← w·v + c1·r1·(pbest − x) + c2·r2·(gbest − x), потім рухається за x ← x + v. Доданок інерції w·v переносить наявний імпульс частинки; когнітивний доданок c1·r1·(pbest − x) тягне її назад до власного найкращого положення; соціальний доданок c2·r2·(gbest − x) тягне до найкращого положення рою. r1 і r2 — свіжі незалежні випадкові числа, взяті для кожного виміру, кожної ітерації, тож жодні дві частинки не йдуть однаковими траєкторіями, навіть маючи однакові цілі pbest і gbest. Ця симуляція використовує c1 = c2 = 1.6, стандартні значення з літератури з PSO.
Яка цільова функція оцінює якість розміщення антен?
Кожне кандидатне розташування оцінюється підсумовуванням для кожної точки попиту в зоні обслуговування ваги попиту цієї точки, помноженої на найсильніший сигнал, який вона отримує від будь-якої вежі — модельований як квадратичне згасання з відстанню, що досягає нуля на радіусі покриття (спрощена модель втрат по найкращому серверу). Потім віднімається штраф за точки попиту, надлишково покриті кількома вежами вище мінімального порогу сигналу, оскільки реальні розгортання хочуть, щоб вежі покривали більше території, а не накопичувалися на тих самих клієнтах. Це справжня, детермінована функція координат веж — нічого в ній не заскриптоване чи не задане заздалегідь.
Чому криві найкращої та середньої придатності поводяться по-різному?
Крива найкращого (gbest) може лише зростати або залишатися незмінною, оскільки рій пам'ятає найкраще знайдене розташування і ніколи не відкидає його — це структурна гарантія того, як відстежуються pbest і gbest, а не заскриптована анімація. Крива середнього відображає поточне положення кожної частинки щоразу, і може знижуватися, коли частинки перестрибують під час дослідження, а потім відновлюватися, коли рій знову сходиться. Спостереження за обома разом показує справжній компроміс дослідження/використання: середня придатність шумніша на початку, коли частинки розкидані, і обидві криві стягуються разом зі сходженням рою.
Що змінюють елементи керування вагою інерції та розміром рою?
Вага інерції w масштабує, скільки попередньої швидкості частинки переноситься в наступний крок: висока w (близько 0.9) утримує частинки в широкому русі й довшому дослідженні перед усталенням, тоді як низька w (близько 0.2) швидко гасить імпульс, тож частинки швидше сходяться до pbest і gbest, але ризикують усістися на посередньому локальному розташуванні. Розмір рою контролює, скільки незалежних кандидатних розташувань шукають паралельно кожної ітерації — більший рій охоплює більше простору розміщення за ітерацію і зазвичай швидше знаходить краще gbest, ціною більшої кількості обчислень придатності за крок.
Як PSO порівнюється з повним перебором чи градієнтним спуском для розміщення веж?
Повний перебір усіх можливих комбінацій координат веж обчислювально неможливий, щойно кількість веж перевищує одну-дві, оскільки простір пошуку зростає експоненційно з кількістю веж. Градієнтний спуск потребує диференційовної цілі, але функція покриття по найкращому серверу тут має злами там, де змінюється найближча вежа, а комбінаторні вибори на кшталт «яка вежа покриває яку точку попиту» взагалі не є природно диференційовними. PSO обходить обидві проблеми: йому потрібно лише оцінити придатність кандидатного розташування, а не диференціювати її, і його рій паралельних кандидатів досліджує багато регіонів простору розміщення одночасно, що робить його стандартним практичним вибором для реальної оптимізації розміщення антен і об'єктів.