粒子群算法是一種基于鳥類覓食開發(fā)出來的優(yōu)化算法，它是從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解，通過適應(yīng)度來評價(jià)解的品質(zhì)。
PSO算法的搜索性能取決于其全局探索和局部細(xì)化的平衡，這在很大程度上依賴于算法的控制參數(shù)，包括粒子群初始化、慣性因子w、最大飛翔速度和加速常數(shù)與等。
PSO算法具有以下優(yōu)點(diǎn)：
不依賴于問題信息，采用實(shí)數(shù)求解，算法通用性強(qiáng)。
需要調(diào)整的參數(shù)少，原理簡單，容易實(shí)現(xiàn)，這是PSO算法的最大優(yōu)點(diǎn)。
協(xié)同搜索，同時利用個體局部信息和群體全局信息指導(dǎo)搜索。
收斂速度快， 算法對計(jì)算機(jī)內(nèi)存和CPU要求不高。
更容易飛越局部最優(yōu)信息。對于目標(biāo)函數(shù)僅能提供極少搜索最優(yōu)值的信息，在其他算法無法辨別搜索方向的情況下，PSO算法的粒子具有飛越性的特點(diǎn)使其能夠跨過搜索平面上信息嚴(yán)重不足的障礙，飛抵全局最優(yōu)目標(biāo)值。比如Generalized Rosenbrock函數(shù)全局最小值在原占附近.但是此函數(shù)全局最優(yōu)值與可到達(dá)的局部最優(yōu)值之間右一條獨(dú)長的山路，曲面山谷中點(diǎn)的最速下降方向幾乎與到函數(shù)最小值的最佳方向垂直，找到全局最小值的可能性微乎其微， 但是PSO算法完全有可能找到全局最優(yōu)值。
同時， PSO算法的缺點(diǎn)也是顯而易見的：
算法局部搜索能力較差，搜索精度不夠高。
算法不能絕對保證搜索到全局最優(yōu)解。
PSO算法設(shè)計(jì)的具體步驟如下：
- 初始化粒子群（速度和位置）、慣性因子、加速常數(shù)、最大迭代次數(shù)、算法終止的最小允許誤差。
- 評價(jià)每個粒子的初始適應(yīng)值。
- 將初始適應(yīng)值作為當(dāng)前每個粒子的局部最優(yōu)值，并將各適應(yīng)值對應(yīng)的位置作為每個粒子的局部最優(yōu)值所在的位置。
- 將最佳初始適應(yīng)值作為當(dāng)前全局最優(yōu)值，并將最佳適應(yīng)值對應(yīng)的位置作為全局最優(yōu)值所在的位置。
- 依據(jù)公式更新每個粒子當(dāng)前的飛翔速度。
- 對每個粒子的飛翔速度進(jìn)行限幅處理，使之不能超過設(shè)定的最大飛翔速度。
- 依據(jù)公式更新每個粒子當(dāng)前所在的位置。
- 比較當(dāng)前每個粒子的適應(yīng)值是否比歷史局部最優(yōu)值好，如果好，則將當(dāng)前粒子適應(yīng)值作為粒子的局部最優(yōu)值，其對應(yīng)的位置作為每個粒子的局部最優(yōu)值所在的位置。
- 在當(dāng)前群中找出全局最優(yōu)值，并將當(dāng)前全局最優(yōu)值對應(yīng)的位置作為粒子群的全局最優(yōu)值所在的位置。
- 重復(fù)步驟（5）~（9），直到滿足設(shè)定的最小誤差或最大迭代次數(shù)
- 輸出粒子群的全局最優(yōu)值和其對應(yīng)的位置以及每個粒子的局部最優(yōu)值和其對應(yīng)的位置。
本文中我們假設(shè)要求解一個維度為10的向量，這里的適應(yīng)度函數(shù)采用簡單的線性誤差求和。
#基本粒子群算法
#vi+1 = w*vi+c1*r1*(pi-xi)+c2*r2*(pg-xi) 速度更新公式
#xi+1 = xi + a*vi+1 位置更新公式（一般a=1）
#w = wmax -(wmax-wmin)*iter/Iter 權(quán)重更新公式
#iter當(dāng)前迭代次數(shù) Iter最大迭代次數(shù) c1、c2學(xué)習(xí)因子 r1、r2隨機(jī)數(shù) pi粒子當(dāng)前最優(yōu)位置 pg粒子群全局最優(yōu)
#初始化 wmax=0.9 wmin=0.4 通常c1=c2=2 Iter對于小規(guī)模問題（10，20）對于大規(guī)模（100，200）
#算法優(yōu)劣取決于w、c1和c2，迭代結(jié)束的條件是適應(yīng)度函數(shù)的值符合具體問題的要求
#初始化粒子群，包括尺寸、速度和位置
#本算法假設(shè)想要的輸出是長度為10的矩陣，y=[1.7]*10,適應(yīng)度函數(shù)f（x）= |x-y| =0.001符合要求
import numpy as np
swarmsize = 500
partlen = 10
wmax,wmin = 0.9,0.4
c1 = c2 = 2
Iter = 400
def getwgh(iter):
w = wmax - (wmax-wmin)*iter/Iter
return w
def getrange():
randompv = (np.random.rand()-0.5)*2
return randompv
def initswarm():
vswarm,pswarm = np.zeros((swarmsize,partlen)),np.zeros((swarmsize,partlen))
for i in range(swarmsize):
for j in range(partlen):
vswarm[i][j] = getrange()
pswarm[i][j] = getrange()
return vswarm,pswarm
def getfitness(pswarm):
pbest = np.zeros(partlen)
fitness = np.zeros(swarmsize)
for i in range(partlen):
pbest[i] = 1.7
for i in range(swarmsize):
yloss = pswarm[i] - pbest
for j in range(partlen):
fitness[i] += abs(yloss[j])
return fitness
def getpgfit(fitness,pswarm):
pgfitness = fitness.min()
pg = pswarm[fitness.argmin()].copy()
return pg,pgfitness
vswarm,pswarm = initswarm()
fitness = getfitness(pswarm)
pg,pgfit = getpgfit(fitness,pswarm)
pi,pifit = pswarm.copy(),fitness.copy()
for iter in range(Iter):
if pgfit = 0.001:
break
#更新速度和位置
weight = getwgh(iter)
for i in range(swarmsize):
for j in range(partlen):
vswarm[i][j] = weight*vswarm[i][j] + c1*np.random.rand()*(pi[i][j]-pswarm[i][j]) + c2*np.random.rand()*(pg[j]-pswarm[i][j])
pswarm[i][j] = pswarm[i][j] + vswarm[i][j]
#更新適應(yīng)值
fitness = getfitness(pswarm)
#更新全局最優(yōu)粒子
pg,pgfit = getpgfit(fitness,pswarm)
#更新局部最優(yōu)粒子
for i in range(swarmsize):
if fitness[i] pifit[i]:
pifit[i] = fitness[i].copy()
pi[i] = pswarm[i].copy()
for j in range(swarmsize):
if pifit[j] pgfit:
pgfit = pifit[j].copy()
pg = pi[j].copy()
print(pg)
print(pgfit)
下面的結(jié)果分別是迭代300次和400次的結(jié)果。
可以看到400次迭代雖然適應(yīng)度沒有達(dá)到預(yù)期，得到的向量已經(jīng)很接近期望的結(jié)果了。
寫在最后：粒子群算法最重要的參數(shù)就是慣性權(quán)重和學(xué)習(xí)因子，針對這兩個參數(shù)有了新的優(yōu)化粒子群算法（IPSO）。還有初始化粒子群時速度和位置范圍的確定，包括種群的大小和迭代次數(shù)的選擇，這些都是‘摸著石頭過河'，沒有標(biāo)準(zhǔn)答案。
以上就是Python實(shí)現(xiàn)粒子群算法的示例的詳細(xì)內(nèi)容，更多關(guān)于Python 粒子群算法的資料請關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- python實(shí)現(xiàn)粒子群算法
- python3實(shí)現(xiàn)單目標(biāo)粒子群算法
- Python編程實(shí)現(xiàn)粒子群算法(PSO)詳解
- Python代碼實(shí)現(xiàn)粒子群算法圖文詳解
