Algoritmo de Enjambre de Partículas

La optimización por enjambre de partículas (Particle Swarm Optimization, PSO) es una metaheurística de optimización propuesta por James Kennedy y Russell Eberhart en 1995. Se inspira en el comportamiento colectivo de las bandadas de aves y los bancos de peces: un conjunto de soluciones candidatas, llamadas partículas, recorre el espacio de búsqueda y ajusta su trayectoria según su propia experiencia y la del grupo. PSO no garantiza hallar el óptimo global; mediante iteraciones sucesivas busca una solución suficientemente buena.

Cada partícula representa una posible solución al problema y queda definida por dos vectores: su posición en el espacio de búsqueda y su velocidad, que indica la dirección y la magnitud de su próximo desplazamiento.

Actualización de velocidad y posición

En cada iteración, PSO actualiza primero la velocidad de cada partícula y después su posición. La velocidad nueva combina tres términos: la inercia, que conserva parte de la velocidad previa; el término cognitivo, que atrae a la partícula hacia su mejor posición personal encontrada hasta el momento (pbest); y el término social, que la atrae hacia la mejor posición hallada por todo el enjambre (gbest). Dos números aleatorios ponderan los términos cognitivo y social en cada paso e introducen variabilidad en la búsqueda. Calculada la velocidad, la posición se actualiza sumándole ese vector, de modo que la partícula pasa al nuevo punto. El equilibrio entre inercia, atracción personal y atracción colectiva regula la tensión entre explorar zonas nuevas y explotar las mejores regiones ya conocidas.

Parámetros del algoritmo

El comportamiento de PSO depende de unos pocos parámetros. El peso de inercia w controla cuánta velocidad previa se conserva: los valores altos favorecen la exploración global y los bajos una búsqueda local más fina. El coeficiente cognitivo c1 pondera la atracción hacia el mejor personal, y el coeficiente social c2 la atracción hacia el mejor global; ambos suelen fijarse iguales. El tamaño del enjambre —el número de partículas— determina cuánto espacio se cubre en paralelo, a costa de mayor cómputo. En 1998, Yuhui Shi y Russell Eberhart publicaron una modificación de PSO y un estudio de selección de parámetros. El resumen público del segundo confirma que analizaron el efecto del peso de inercia y de la velocidad máxima y ofrecieron pautas; el texto completo está tras suscripción, así que esa fuente no permite comprobar aquí la receta w≈0,7 y c1=c2≈1,5. Los parámetros deben tratarse como dependientes del problema, no como constantes universales.

Límites de convergencia y usos

PSO no ofrece garantías de optimalidad. Su principal debilidad es la convergencia prematura: si el enjambre se concentra demasiado pronto en torno a un óptimo local, pierde diversidad y se estanca sin alcanzar el óptimo global. El rendimiento es además sensible a los parámetros —un peso de inercia o unos coeficientes mal elegidos degradan la búsqueda— y no existe una configuración universal. Variantes posteriores, como el peso de inercia decreciente o el factor de constricción, atenúan estos problemas pero no los eliminan. Con esas cautelas, PSO se aplica al ajuste de redes neuronales, al diseño en ingeniería, a la planificación y a problemas de optimización continua donde el gradiente no está disponible. Conviene aclarar una confusión frecuente: PSO es una metaheurística de optimización y no guarda relación con el boosting ni con los métodos de ensamblado del aprendizaje automático.