下面是一个使用粒子群优化算法(Particle Swarm Optimization, PSO)来优化一个简单的目标函数(例如:寻找使函数值最小化的变量值)的示例代码。
import numpy as np
# 定义目标函数(这里以一个简单的二次函数为例)
def objective_function(x):
return x**2
# 粒子类,表示PSO中的一个粒子
class Particle:
def __init__(self, position, velocity):
self.position = position # 粒子的位置
self.velocity = velocity # 粒子的速度
self.best_position = position # 粒子历史上的最佳位置
self.best_value = objective_function(position) # 粒子历史上的最佳值
# 粒子群优化算法
class PSO:
def __init__(self, num_particles, num_iterations, w, c1, c2):
self.num_particles = num_particles # 粒子数目
self.num_iterations = num_iterations # 最大迭代次数
self.w = w # 惯性权重
self.c1 = c1 # 自我认知系数
self.c2 = c2 # 社会认知系数
# 初始化粒子群
self.particles = [Particle(np.random.uniform(-10, 10), np.random.uniform(-1, 1)) for _ in range(num_particles)]
self.global_best_position = self.particles[0].position # 全局最佳位置
self.global_best_value = objective_function(self.global_best_position) # 全局最佳值
def optimize(self):
for t in range(self.num_iterations):
for particle in self.particles:
# 计算当前粒子的位置值
value = objective_function(particle.position)
# 更新粒子的历史最佳位置
if value < particle.best_value:
particle.best_value = value
particle.best_position = particle.position
# 更新全局最佳位置
if value < self.global_best_value:
self.global_best_value = value
self.global_best_position = particle.position
for particle in self.particles:
# 更新粒子的速度
r1 = np.random.random()
r2 = np.random.random()
cognitive_velocity = self.c1 * r1 * (particle.best_position - particle.position)
social_velocity = self.c2 * r2 * (self.global_best_position - particle.position)
particle.velocity = self.w * particle.velocity + cognitive_velocity + social_velocity
# 更新粒子的位置
particle.position = particle.position + particle.velocity
return self.global_best_position, self.global_best_value
# 参数设置
num_particles = 30 # 粒子数目
num_iterations = 100 # 最大迭代次数
w = 0.5 # 惯性权重
c1 = 1.5 # 自我认知系数
c2 = 1.5 # 社会认知系数
# 创建PSO实例并执行优化
pso = PSO(num_particles, num_iterations, w, c1, c2)
best_position, best_value = pso.optimize()
print(f"最佳位置: {best_position}")
print(f"最佳值: {best_value}")
代码注释说明:
-
定义目标函数:这是我们希望优化的函数。在这个例子中,我们使用的是一个简单的二次函数 f(x)=x2f(x) = x^2f(x)=x2。
-
粒子类:
__init__
:初始化粒子的位置和速度,并记录粒子历史上的最佳位置和对应的目标函数值。
-
PSO类:
__init__
:初始化粒子群、设置参数并记录全局最佳位置和值。optimize
:主要的优化过程,包括以下几个步骤:- 评估每个粒子的位置:计算当前粒子的位置值,并更新粒子的历史最佳位置和全局最佳位置。
- 更新粒子的速度和位置:基于当前速度、自我认知部分(粒子历史最佳位置)和社会认知部分(全局最佳位置),更新每个粒子的速度和位置。
-
参数设置:设定粒子数目、最大迭代次数、惯性权重、自我认知系数和社会认知系数。
-
执行优化:创建PSO实例并调用
optimize
方法进行优化,最后输出最佳位置和最佳值。