L'optimisation de l'essaim de particules (PSO) est l'un des concepts de l'intelligence de l'essaim inspiré par des études en neurosciences, en psychologie cognitive, en éthologie sociale et en sciences du comportement, introduit dans le domaine de l'informatique et de l'intelligence artificielle en tant que paradigme intelligent collectif et distribué innovant pour résoudre des problèmes, principalement dans le domaine de l'optimisation, sans contrôle centralisé ni fourniture d'un modèle global. La méthode PSO a ses racines dans les algorithmes génétiques et les stratégies d'évolution et partage de nombreuses similitudes avec l'informatique évolutive telle que la génération aléatoire de populations lors de l'initialisation du système ou la mise à jour des générations lors de la recherche optima. Cet article présente une vaste revue de la littérature sur le concept de PSO, son application à différents systèmes, y compris les systèmes d'alimentation électrique, les modifications du PSO de base pour améliorer sa convergence prématurée et sa combinaison avec d'autres algorithmes intelligents pour améliorer la capacité de recherche et réduire le temps passé à sortir des optimums locaux.

La optimización de enjambre de partículas (PSO) es uno de los conceptos de inteligencia de enjambre inspirados en estudios en neurociencias, psicología cognitiva, etología social y ciencias del comportamiento, introducidos en el dominio de la computación y la inteligencia artificial como un paradigma inteligente colectivo y distribuido innovador para resolver problemas, principalmente en el dominio de la optimización, sin control centralizado o la provisión de un modelo global. El método PSO tiene raíces en algoritmos genéticos y estrategias de evolución y comparte muchas similitudes con la computación evolutiva, como la generación aleatoria de poblaciones en la inicialización del sistema o la actualización de generaciones en la búsqueda optima. Este documento presenta una extensa revisión de la literatura sobre el concepto de PSO, su aplicación a diferentes sistemas, incluidos los sistemas de energía eléctrica, las modificaciones de la PSO básica para mejorar su convergencia prematura y su combinación con otros algoritmos inteligentes para mejorar la capacidad de búsqueda y reducir el tiempo dedicado a salir de los óptimos locales.

Particle Swarm Optimization (PSO) is one of the concepts of swarm intelligence inspired by studies in neurosciences, cognitive psychology, social ethology and behavioural sciences, introduced in the domain of computing and artificial intelligence as an innovative collective and distributed intelligent paradigm for solving problems, mostly in the domain of optimization, without centralized control or the provision of a global model.The PSO method has roots in genetic algorithms and evolution strategies and shares many similarities with evolutionary computing such as random generation of populations at system initialization or updating generations at optima search.This paper presents an extensive literature review on the concept of PSO, its application to different systems including electric power systems, modifications of the basic PSO to improve its premature convergence, and its combination with other intelligent algorithms to improve search capacity and reduce the time spent to come out of local optimums.

يعد تحسين سرب الجسيمات (PSO) أحد مفاهيم ذكاء السرب المستوحاة من الدراسات في علوم الأعصاب وعلم النفس المعرفي وعلم السلوك الاجتماعي والعلوم السلوكية، والتي تم تقديمها في مجال الحوسبة والذكاء الاصطناعي كنموذج مبتكر جماعي وموزع لحل المشكلات، ومعظمها في مجال التحسين، دون تحكم مركزي أو توفير نموذج عالمي. تمتلك طريقة PSO جذورًا في الخوارزميات الجينية واستراتيجيات التطور وتشترك في العديد من أوجه التشابه مع الحوسبة التطورية مثل التوليد العشوائي للسكان عند تهيئة النظام أو تحديث الأجيال في البحث الأمثل. تقدم هذه الورقة مراجعة شاملة للأدبيات حول مفهوم PSO، وتطبيقه على أنظمة مختلفة بما في ذلك أنظمة الطاقة الكهربائية، وتعديلات PSO الأساسية لتحسين تقاربها السابق لأوانه، ودمجها مع الخوارزميات الذكية الأخرى لتحسين قدرة البحث وتقليل الوقت المستغرق للخروج من الأمثل المحلية.