粒子群算法

粒子群算法源于復(fù)雜適應(yīng)系統(tǒng)（Complex Adaptive System,CAS）。CAS理論于1994年正式提出，CAS中的成員稱為主體。比如研究鳥群系統(tǒng)，每個(gè)鳥在這個(gè)系統(tǒng)中就稱為主體。主體有適應(yīng)性，它能夠與環(huán)境及其他的主體進(jìn)行交流，并且根據(jù)交流的過程“學(xué)習(xí)”或“積累經(jīng)驗(yàn)”改變自身結(jié)構(gòu)與行為。整個(gè)系統(tǒng)的演變或進(jìn)化包括：新層次的產(chǎn)生（小鳥的出生）；分化和多樣性的出現(xiàn)（鳥群中的鳥分成許多小的群）；新的主題的出現(xiàn)（鳥尋找食物過程中，不斷發(fā)現(xiàn)新的食物）。

PSO初始化為一群隨機(jī)粒子(隨機(jī)解)。然后通過迭代找到最優(yōu)解。在每一次的迭代中，粒子通過跟蹤兩個(gè)“極值”(pbest,gbest)來更新自己。在找到這兩個(gè)最優(yōu)值后，粒子通過下面的公式來更新自己的速度和位置。

i 表示第 i 個(gè)粒子， d 表示粒子的第 d 個(gè)維度。r1, r2 表示兩個(gè)位于 [0, 1] 的隨機(jī)數(shù)（對(duì)于一個(gè)粒子的不同維度，r1, r2 的值不同）。pbest[i] 是指粒子取得最高（低）適應(yīng)度時(shí)的位置，gbest[i] 指的是整個(gè)系統(tǒng)取得最高（低）適應(yīng)度時(shí)的位置。

實(shí)踐

我們用 PSO 算法求解如下函數(shù)的最小值

可以在空間畫出圖像

下圖是使用 5 個(gè)粒子的收斂情況

可以看到，fitness 在第 12 輪就幾乎收斂到 -10.0。

下面是完整代碼

import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3DINF = 1e5def plot_cost_func(): '''畫出適應(yīng)度函數(shù)''' fig = plt.figure() ax = Axes3D(fig) X = np.arange(-4, 4, 0.25) Y = np.arange(-4, 4, 0.25) X, Y = np.meshgrid(X, Y) Z = (X**2 + Y**2) - 10 ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=’rainbow’) plt.show()def fitness(x): return x[0]**2 + x[1]**2 - 10class PSOSolver(object): def __init__(self, n_iter, weight=0.5, c1=2, c2=2, n_particle=5): self.n_iter = n_iter self.weight = weight self.c1 = c1 self.c2 = c2 self.n_particle = n_particle self.gbest = np.random.rand(2) # gbest 對(duì)應(yīng)的函數(shù)值 self.gbest_fit = fitness(self.gbest) # 將位置初始化到 [-5, 5] self.location = 10 * np.random.rand(n_particle, 2) - 5 # 將速度初始化到 [-1, 1] self.velocity = 2 * np.random.rand(n_particle, 2) - 1 self.pbest_fit = np.tile(INF, n_particle) self.pbest = np.zeros((n_particle, 2)) # 記錄每一步的最優(yōu)值 self.best_fitness = [] def new_velocity(self, i): r = np.random.rand(2, 2) v = self.velocity[i] x = self.location[i] pbest = self.pbest[i] return self.weight * v + self.c1 * r[0] * (pbest - x) + self.c2 * r[1] * (self.gbest - x) def solve(self): for it in range(self.n_iter): for i in range(self.n_particle):v = self.new_velocity(i)x = self.location[i] + vfit_i = fitness(x)if fit_i < self.pbest_fit[i]: self.pbest_fit[i] = fit_i self.pbest[i] = x if fit_i < self.gbest_fit: self.gbest_fit = fit_i self.gbest = xself.velocity[i] = vself.location[i] = x self.best_fitness.append(self.gbest_fit) if __name__ == ’__main__’: plot_cost_func() n_iter = 20 s = PSOSolver(n_iter) s.solve() print(s.gbest_fit) plt.title('Fitness Curve') plt.xlabel('iter') plt.ylabel('fitness') plt.plot(np.arange(n_iter), np.array(s.best_fitness)) plt.show()

以上就是python實(shí)現(xiàn)粒子群算法的詳細(xì)內(nèi)容，更多關(guān)于python 粒子群算法的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！