利用python实现PSO算法优化二元函数

Python  /  管理员 发布于 7年前   252

python实现PSO算法优化二元函数，具体代码如下所示：

import numpy as np import random import matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D#----------------------PSO参数设置--------------------------------- class PSO():  def __init__(self,pN,dim,max_iter): #初始化类 设置粒子数量 位置信息维度 最大迭代次数   #self.w = 0.8   self.ws = 0.9  self.we = 0.4  self.c1 = 1.49445    self.c2 = 1.49445    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（还要确定取值范围）   self.Xmax = 5   self.Xmin = -5  self.V = np.zeros((self.pN,self.dim))  #所有粒子的速度（还要确定取值范围）  self.Vmax = 1   self.Vmin = -1  self.pbest = np.zeros((self.pN,self.dim)) #个体经历的最佳位置   self.gbest = np.zeros((1,self.dim))   #全局最佳位置  self.p_fit = np.zeros(self.pN)    #每个个体的历史最佳适应值   self.fit = 0    #全局最佳适应值 #---------------------目标函数Sphere函数-----------------------------  def function(self,x):   y = np.sin(10*np.pi*x)/x  return y def Holder_table(self,x,y):    z = -np.abs(np.sin(x) * np.cos(y) * np.exp(np.abs(1 - np.sqrt(x**2 + y**2)/np.pi)))  return z def fuck(self,x,y):  z = x**2 + y**2 - 10*np.cos(2*np.pi*x) - 10*np.cos(2*np.pi*y) + 20  return z#---------------------初始化种群----------------------------------  def init_Population(self):  for i in range(self.pN):        #遍历所有粒子   for j in range(self.dim):       #每一个粒子的纬度    self.X[i][j] = random.uniform(-5,5)    #给每一个粒子的位置赋一个初始随机值（在一定范围内）    self.V[i][j] = random.uniform(-1,1)    #给每一个粒子的速度给一个初始随机值（在一定范围内）   self.pbest[i] = self.X[i]       #把当前粒子位置作为这个粒子的最优位置   tmp = self.fuck(self.X[i][0],self.X[i][1])   #计算这个粒子的适应度值   self.p_fit[i] = tmp         #当前粒子的适应度值作为个体最优值   if(tmp > self.fit):         #与当前全局最优值做比较并选取更佳的全局最优值    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):   w = self.ws - (self.ws - self.we) * (t / self.max_iter)   for i in range(self.pN):     #更新速度    self.V[i] = w*self.V[i] + self.c1*self.r1*(self.pbest[i] - self.X[i]) + self.c2*self.r2*(self.gbest - self.X[i])    if self.V[i][0] > self.Vmax:     self.V[i][0] = self.Vmax    elif self.V[i][0] < self.Vmin:     self.V[i][0] = self.Vmin    if self.V[i][1] > self.Vmax:     self.V[i][1] = self.Vmax    elif self.V[i][1] < self.Vmin:     self.V[i][1] = self.Vmin    #更新位置    self.X[i] = self.X[i] + self.V[i]    if self.X[i][0] > self.Xmax:     self.X[i][0] = self.Xmax    elif self.X[i][0] < self.Xmin:     self.X[i][0] = self.Xmin    if self.X[i][1] > self.Xmax:     self.X[i][1] = self.Xmax    elif self.X[i][1] < self.Xmin:     self.X[i][1] = self.Xmin   for i in range(self.pN):   #更新gbest\pbest     temp = self.fuck(self.X[i][0],self.X[i][1])     if(temp > self.p_fit[i]):  #更新个体最优      self.pbest[i] = self.X[i]     self.p_fit[i] = temp     if(temp > self.fit):   #更新全局最优      self.gbest = self.X[i]      self.fit = temp    fitness.append(self.fit)    print('最优值为：',self.fit)#输出最优值    z1 = self.fit   print('最优位置为：',self.X[i][0],self.X[i][1])   x1 = self.X[i][0]   y1 = self.X[i][1]  return fitness, z1, x1,y1#----------------------程序执行----------------------- my_pso = PSO(pN=100,dim=2,max_iter=200) my_pso.init_Population() fitness,z1,x1,y1 = my_pso.iterator()plt.figure(1) plt.title("Figure1") plt.xlabel("iterators", size=14) plt.ylabel("fitness", size=14) t = np.array([t for t in range(0,200)]) fitness = np.array(fitness) plt.plot(t,fitness, color='b',linewidth=3) plt.show() fig = plt.figure(figsize=(15,10))ax = Axes3D(fig)X = np.arange(-5,5,0.1)Y = np.arange(-5,5,0.1)X,Y = np.meshgrid(X,Y)def f(x,y): return (x**2 + y**2 - 10*np.cos(2*np.pi*x) - 10*np.cos(2*np.pi*y) + 20)ax.plot_surface(X,Y,f(X,Y),rstride=1,cstride=1,cmap= plt.get_cmap('rainbow'))ax.scatter(x1, y1, z1,s=400,c='k',marker = '*')plt.show()

效果图如下

总结

以上所述是小编给大家介绍的利用python实现PSO算法优化二元函数，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！