Have you ever observed a flock of a thousand birds performing synchronized aerobatics in the sky, or a school of fish moving as a single entity in the ocean? These breathtaking phenomena have no leader, no controller, yet they exhibit an astonishing “collective wisdom.” This article narrates the origin story of Particle Swarm Optimization (PSO), a metaheuristic algorithm born from decoding the simple yet powerful social behavior of bird flocks and fish schools. We journey into the world of coordinated movement to explore how individuals (particles) decide their direction based only on their “own best experience” and the “group’s best experience.” We then follow the story of James Kennedy and Russell Eberhart, two researchers who saw a “social learning model” hidden within the swarm’s movement and translated it into a remarkably simple mathematical algorithm. This paper not only explains the motion equations that simulate cognitive and social pulls but also emphasizes the profound philosophy that the combination of personal memory and social information is the key to discovering optimal solutions. The story of PSO is proof that even the simplest social rules can lead to the elegant resolution of complex problems.
[1] Kennedy, J., & Eberhart, R. (1995). Particle Swarm Optimization. In Proceedings of ICNN’95 – International Conference on Neural Networks (Vol. 4, pp. 1942-1948). IEEE.
ระบำแห่งเวหา: เรื่องราวของวิธีหาค่าเหมาะที่สุดแบบกลุ่มอนุภาค จากปฏิสัมพันธ์ในฝูงสู่ภูมิปัญญาสากล
ระบำแห่งเวหา: เรื่องราวของวิธีหาค่าเหมาะที่สุดแบบกลุ่มอนุภาค จากปฏิสัมพันธ์ในฝูงสู่ภูมิปัญญาสากล
ระบำแห่งเวหา: เรื่องราวของวิธีหาค่าเหมาะที่สุดแบบกลุ่มอนุภาค จากปฏิสัมพันธ์ในฝูงสู่ภูมิปัญญาสากล
The Celestial Dance: The Story of Particle Swarm Optimization, from Flock Interaction to Global Wisdom
บทคัดย่อ
เคยสังเกตฝูงนกนับพันที่บินผาดโผนพร้อมเพรียงกันบนท้องฟ้า หรือฝูงปลาที่เคลื่อนไหวเป็นหนึ่งเดียวกันในมหาสมุทรหรือไม่? ปรากฏการณ์อันน่าทึ่งเหล่านี้ไม่มีผู้นำ ไม่มีผู้ควบคุม แต่กลับแสดงออกถึง “ภูมิปัญญาร่วม” ที่น่าอัศจรรย์ บทความนี้จะบอกเล่าเรื่องราวความเป็นมาของ วิธีหาค่าเหมาะที่สุดแบบกลุ่มอนุภาค (Particle Swarm Optimization – PSO) ซึ่งเป็นขั้นตอนวิธีเชิงเมตาฮิวริสติกที่ถือกำเนิดขึ้นจากการถอดรหัสพฤติกรรมทางสังคมอันเรียบง่ายแต่ทรงพลังของฝูงนกและฝูงปลา เราจะเดินทางสู่โลกแห่งการเคลื่อนไหวประสานกัน เพื่อสำรวจว่าปัจเจกบุคคล (อนุภาค) ตัดสินใจทิศทางของตนเองโดยอาศัยเพียง “ประสบการณ์ที่ดีที่สุดของตัวเอง” และ “ประสบการณ์ที่ดีที่สุดของกลุ่ม” ได้อย่างไร ก่อนจะติดตามเรื่องราวของ เจมส์ เคนเนดี และ รัสเซลล์ เอเบอร์ฮาร์ต สองนักวิจัยผู้มองเห็น “แบบจำลองการเรียนรู้ทางสังคม” ที่ซ่อนอยู่ในการเคลื่อนที่ของฝูง และแปลงมันให้กลายเป็นขั้นตอนวิธีทางคณิตศาสตร์ที่เรียบง่ายอย่างน่าทึ่ง บทความนี้ไม่เพียงอธิบายสมการการเคลื่อนที่ที่จำลองแรงดึงดูดทางปัญญาและสังคม แต่ยังเน้นย้ำถึงปรัชญาอันลึกซึ้งที่ว่า การผสมผสานระหว่างความทรงจำส่วนบุคคลและข้อมูลจากสังคม คือกุญแจสำคัญในการค้นพบคำตอบที่ดีที่สุด เรื่องราวของ PSO คือบทพิสูจน์ว่า แม้แต่กฎเกณฑ์ทางสังคมที่เรียบง่ายที่สุด ก็สามารถนำไปสู่การแก้ปัญหาที่ซับซ้อนได้อย่างสง่างาม
คำสำคัญ: วิธีหาค่าเหมาะที่สุดแบบกลุ่มอนุภาค, เรื่องราวความเป็นมา, ภูมิปัญญาร่วม, Swarm Intelligence, พฤติกรรมฝูงนก, การเรียนรู้ทางสังคม
Abstract
Have you ever observed a flock of a thousand birds performing synchronized aerobatics in the sky, or a school of fish moving as a single entity in the ocean? These breathtaking phenomena have no leader, no controller, yet they exhibit an astonishing “collective wisdom.” This article narrates the origin story of Particle Swarm Optimization (PSO), a metaheuristic algorithm born from decoding the simple yet powerful social behavior of bird flocks and fish schools. We journey into the world of coordinated movement to explore how individuals (particles) decide their direction based only on their “own best experience” and the “group’s best experience.” We then follow the story of James Kennedy and Russell Eberhart, two researchers who saw a “social learning model” hidden within the swarm’s movement and translated it into a remarkably simple mathematical algorithm. This paper not only explains the motion equations that simulate cognitive and social pulls but also emphasizes the profound philosophy that the combination of personal memory and social information is the key to discovering optimal solutions. The story of PSO is proof that even the simplest social rules can lead to the elegant resolution of complex problems.
บนผืนฟ้ากว้างยามเย็น ภาพของฝูงนกสตาร์ลิง (Starling) นับแสนตัวที่เคลื่อนไหวบิดเป็นเกลียวคลื่นสีดำขนาดยักษ์ หรือที่เรียกว่า “Murmuration” คือหนึ่งในการแสดงที่น่าทึ่งที่สุดของธรรมชาติ พวกมันเคลื่อนไหวอย่างพร้อมเพรียงราวกับมีจิตใจดวงเดียวกัน เปลี่ยนทิศทางในเสี้ยววินาทีโดยไม่มีการชนกัน และไม่มีนกตัวใดตัวหนึ่งเป็น “ผู้นำ” อย่างแท้จริง ปรากฏการณ์เดียวกันนี้เกิดขึ้นใต้มหาสมุทรกับฝูงปลาซาร์ดีนนับล้านตัวที่หลบหลีกนักล่าเป็นหนึ่งเดียว คำถามที่ท้าทายนักวิทยาศาสตร์มานานคือ “ระเบียบ” อันซับซ้อนนี้เกิดขึ้นจาก “ความโกลาหล” ของปัจเจกบุคคลได้อย่างไร?
ในช่วงต้นทศวรรษ 1990 เจมส์ เคนเนดี (James Kennedy) นักจิตวิทยาสังคม และ รัสเซลล์ เอเบอร์ฮาร์ต (Russell Eberhart) วิศวกรไฟฟ้า [1] กำลังศึกษาแบบจำลองคอมพิวเตอร์ของพฤติกรรมทางสังคม พวกเขาได้แรงบันดาลใจจากปรากฏการณ์ฝูงสัตว์เหล่านี้ และมองเห็นสิ่งที่ลึกซึ้งกว่าแค่การเคลื่อนไหว พวกเขามองเห็น “กระบวนการค้นหา” และ “การตัดสินใจ”
พวกเขาตั้งสมมติฐานว่า นกแต่ละตัวไม่ได้แค่บินตามนกตัวข้างๆ แต่มันกำลังปรับทิศทางของตัวเองโดยอาศัยข้อมูลสำคัญสองแหล่ง:
สมมติฐานอันเรียบง่ายนี้คือจุดกำเนิดของ วิธีหาค่าเหมาะที่สุดแบบกลุ่มอนุภาค (Particle Swarm Optimization – PSO) ที่เผยแพร่ครั้งแรกในปี 1995 นี่คือเรื่องราวของการแปลงปฏิสัมพันธ์ทางสังคมในฝูงสัตว์ ให้กลายเป็นหนึ่งในอัลกอริทึมการหาค่าเหมาะที่สุดที่ทรงพลังและได้รับความนิยมมากที่สุดในโลก
ความงดงามของพฤติกรรมฝูงสัตว์อยู่ที่ความเรียบง่ายของกฎที่ควบคุมปัจเจกแต่ละตัว ไม่ว่าจะเป็นนกหรือปลา สมาชิกในฝูงจะทำตามแนวโน้มพื้นฐานไม่กี่อย่าง ซึ่งเคนเนดีและเอเบอร์ฮาร์ตได้กลั่นกรองออกมาเป็นหัวใจของแบบจำลองทางสังคมจิตวิทยา (Social-Psychological Model) ของพวกเขา
พฤติกรรมการเคลื่อนที่ของนกแต่ละตัว คือผลลัพธ์ของการ “ชั่งน้ำหนัก” ระหว่างแรงดึงดูดสองอย่างนี้ คือ “สิ่งที่ฉันรู้” กับ “สิ่งที่กลุ่มรู้” การรักษาสมดุลระหว่างสองแรงนี้ทำให้ฝูงสามารถสำรวจพื้นที่ใหม่ๆ ได้อย่างมีประสิทธิภาพ ในขณะเดียวกันก็ไม่ละเลยที่จะมุ่งไปยังจุดที่ดีที่สุดที่เคยพบเจอ
เคนเนดีและเอเบอร์ฮาร์ตได้ทำการ “แปล” แบบจำลองทางสังคมจิตวิทยานี้ให้กลายเป็นภาษาแห่งคณิตศาสตร์ที่สง่างามและเรียบง่าย
การตั้งค่าระบบ:
กลไกการเรียนรู้ของอนุภาค:
สมการหัวใจของ PSO:
การเคลื่อนที่ของอนุภาคแต่ละตัวถูกควบคุมโดยสมการสองส่วน คือการอัปเดตความเร็ว และการอัปเดตตำแหน่ง
การอัปเดตความเร็ว: ความเร็วใหม่ของอนุภาคคือผลรวมของเวกเตอร์ 3 ส่วน:
vit+1=wvit+c1r1(pbesti−xit)+c2r2(gbest−xit)
โดยที่:
การอัปเดตตำแหน่ง: หลังจากได้ความเร็วใหม่แล้ว ตำแหน่งใหม่ก็คือตำแหน่งเดิมบวกด้วยความเร็วใหม่:
xit+1=xit+vit+1
เพียงเท่านี้ วงจรการทำงานของ PSO ก็สมบูรณ์ อนุภาคทุกตัวจะอัปเดตความเร็วและตำแหน่งของตนเองในแต่ละรอบ ทำให้ทั้งฝูงค่อยๆ เคลื่อนที่ร่อนลงสู่บริเวณของคำตอบที่ดีที่สุด
เรื่องราวของ PSO คือบทเรียนอันลึกซึ้งเกี่ยวกับพลังของการเรียนรู้ทางสังคม มันแสดงให้เห็นว่าระบบไม่จำเป็นต้องมีกลไกที่ซับซ้อนอย่าง Crossover หรือ Mutation ของ GA ในการค้นหาคำตอบ แต่เพียงแค่การสื่อสารและการแบ่งปันข้อมูลเกี่ยวกับ “ความสำเร็จ” ก็เพียงพอแล้วที่จะนำทางกลุ่มไปสู่เป้าหมายได้อย่างมีประสิทธิภาพ
ปรัชญาที่ได้จาก PSO คือ:
การเดินทางจากระบำแห่งเวหาของฝูงนก สู่ขั้นตอนวิธีเชิงคำนวณ ได้มอบเครื่องมือที่สง่างามและทรงพลังให้แก่วงการวิทยาศาสตร์ และยังคงเป็นหนึ่งในตัวอย่างที่ชัดเจนที่สุดว่า บางครั้งคำตอบของปัญหาที่ซับซ้อนที่สุด ก็ซ่อนอยู่ในกฎเกณฑ์ทางสังคมที่เรียบง่ายที่สุดของธรรมชาตินั่นเอง
[1] Kennedy, J., & Eberhart, R. (1995). Particle Swarm Optimization. In Proceedings of ICNN’95 – International Conference on Neural Networks (Vol. 4, pp. 1942-1948). IEEE.