【PSO】Python 实现粒子群算法

粒子群算法原理很简单,用matlab和Python都很快实现编程。

程序:

参数部分,需要修改的可以修改。这个程序实现的是基本粒子群算法,对于提升粒子群算法的表现,

可以在上面进行更多的功能添加。


# coding: utf-8
import numpy as np  
import random   
import matplotlib.pyplot as plt  

#----------------------PSO参数设置---------------------------------  
class PSO():  
    def __init__(self,pN,dim,max_iter):  
        self.w = 0.8    
        self.c1 = 2     
        self.c2 = 2     
        self.r1= 0.6  
        self.r2=0.3  
        self.pN = pN                #粒子数量  
        self.dim = dim              #搜索维度  
        self.max_iter = max_iter    #迭代次数  
        self.X = np.zeros((self.pN,self.dim))       #所有粒子的位置和速度  
        self.V = np.zeros((self.pN,self.dim))  
        self.pbest = np.zeros((self.pN,self.dim))   #个体经历的最佳位置和全局最佳位置  
        self.gbest = np.zeros((1,self.dim))  
        self.p_fit = np.zeros(self.pN)              #每个个体的历史最佳适应值  
        self.fit = 1e10             #全局最佳适应值  
          
#---------------------目标函数Sphere函数-----------------------------  
    def function(self,x):  
        sum = 0  
        length = len(x)  
        x = x**2  
        for i in range(length):  
            sum += x[i]  
        return sum
#---------------------初始化种群----------------------------------  
    def init_Population(self):  
        for i in range(self.pN):  
            for j in range(self.dim):  
                self.X[i][j] = random.uniform(0,1)  
                self.V[i][j] = random.uniform(0,1)  
            self.pbest[i] = self.X[i]  
            tmp = self.function(self.X[i])  
            self.p_fit[i] = tmp  
            if(tmp < self.fit):  
                self.fit = tmp  
                self.gbest = self.X[i]  
      
#----------------------更新粒子位置----------------------------------  
    def iterator(self):  
        fitness = []  
        for t in range(self.max_iter):  
            for i in range(self.pN):         #更新gbest\pbest  
               temp = self.function(self.X[i])  
               if(temp<self.p_fit[i]):      #更新个体最优  
                   self.p_fit[i] = temp  
                   self.pbest[i] = self.X[i]  
                   if(self.p_fit[i] < self.fit):  #更新全局最优  
                       self.gbest = self.X[i]  
                       self.fit = self.p_fit[i]  
            for i in range(self.pN):  
                self.V[i] = self.w*self.V[i] + self.c1*self.r1*(self.pbest[i] - self.X[i]) + \
                            self.c2*self.r2*(self.gbest - self.X[i])  
                self.X[i] = self.X[i] + self.V[i]  
            fitness.append(self.fit)  
            print(self.fit)                   #输出最优值  
        return fitness  
 
#----------------------程序执行-----------------------  
my_pso = PSO(pN=30,dim=5,max_iter=100)  
my_pso.init_Population()  
fitness = my_pso.iterator()
#-------------------画图--------------------  
plt.figure(1)  
plt.title("Figure1")  
plt.xlabel("iterators", size=14)  
plt.ylabel("fitness", size=14)  
t = np.array([t for t in range(0,100)])  
fitness = np.array(fitness)  
plt.plot(t,fitness, color='b',linewidth=3)  
plt.show() 


计算结果:fitness = 8.64346866606e-07


================================================================

超参数优化PSO

https://github.com/numenta/hypersearch

带约束条件的PSO

https://github.com/tisimst/pyswarm

微调整探索过程的PSO

https://github.com/duaraghav8/Particle-Swarm-Optimization


©️2020 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值