2024年最新粒子群算法（带约束处理）——Python&Matlab实现(1)

return max(0, e)

#========== 由惩罚项计算Lj（权重值）：====================

def calc_Lj(self, e1, e2): #根据每个粒子的约束惩罚项计算Lj权重值，e1, e2列向量，表示每个粒子的第1个第2个约束的惩罚项值

if (e1.sum() + e2.sum()) <= 0: # 注意防止分母为零的情况

return 0, 0

else:

L1 = e1.sum() / (e1.sum() + e2.sum())

L2 = e2.sum() / (e1.sum() + e2.sum())

return L1, L2

=粒子群速度更新公式：======================

def velocity_update(self, V, X, pbest, gbest):

#根据速度更新公式更新每个粒子的速度

#种群 size

#:param V: 粒子当前的速度矩阵，size*dim 的矩阵

#:param X: 粒子当前的位置矩阵，size*dim 的矩阵

#:param pbest: 每个粒子历史最优位置，size*dim 的矩阵

#:param gbest: 种群历史最优位置，1*dim 的矩阵

r1 = np.random.random((self.size, 1))

r2 = np.random.random((self.size, 1))

V = self.w * V + self.c1 * r1 * (pbest - X) + self.c2 * r2 + (gbest - X) # 直接对照公式写就好了

防止越界：

V[V > self.max_vel] = self.max_vel

V[V < self.min_vel] = self.min_vel

return V

=粒子群位置更新公式：==================

def position_update(self, X, V):

#根据公式更新粒子的位置

#:param X: 粒子当前的位置矩阵，维度是 size*dim

#:param V: 粒子当前的速度举着，维度是 size*dim

X=X+V

size = np.shape(X)[0]

for i in range(size):

if X[i][0] <= 1 or X[i][0] >= 2:

X[i][0] = np.random.uniform(1, 2, 1)[0]

if X[i][1] <= -1 or X[i][1] >= 0:

X[i][1] = np.random.uniform(-1, 0, 1)[0]

return X

#=========== 更新种群函数：=============================

def update_pbest(self, pbest, pbest_fitness, pbest_e, xi, xi_fitness, xi_e):

#判断是否需要更新粒子的历史最优位置

#:param pbest: 历史最优位置

#:param pbest_fitness: 历史最优位置对应的适应度值

#:param pbest_e: 历史最优位置对应的约束惩罚项

#:param xi: 当前位置

#:param xi_fitness: 当前位置的适应度函数值

#:param xi_e: 当前位置的约束惩罚项

#:return:

A = 0.0000001

下面的 0.0000001 是考虑到计算机的数值精度位置，值等同于 0,不同问题设置不同的可接受值

1、如果pbest和xi都没有违反约束，则取适应度（目标函数）小的：

if pbest_e <= A and xi_e <= A:

if pbest_fitness <= xi_fitness:

return pbest, pbest_fitness, pbest_e

else:

return xi, xi_fitness, xi_e

规则 2，如果当前位置违反约束而历史最优没有违反约束，则取历史最优

if pbest_e <= A and xi_e >= A:

return pbest, pbest_fitness, pbest_e

规则