python

超轻量级php框架startmvc

利用python实现PSO算法优化二元函数

更新时间:2020-08-07 01:42:01 作者:startmvc
python实现PSO算法优化二元函数,具体代码如下所示:importnumpyasnpimportrandomimportmatplotlib.pyplota

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 plt
from 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脚本之家网站的支持! 如果你觉得本文对你有帮助,欢迎转载,烦请注明出处,谢谢!