学习python实现粒子群算法的问题

学习python实现粒子群算法遇到的的问题

参考：https://blog.csdn.net/qq_43634001/article/details/91398204.
初学粒子群算法，按照参考文章学习，原文是一维函数寻优，自己练习写了二维的例子（代码23行左右位置），出现了一个问题。

在更新粒子位置部分中的更新全局最优，我觉得p_best（个体经历的最佳位置）和X[ i ]（个体经历位置）应该是相同的（代码47行），但实际运行后若使用X[ i ]更新全局最优，会出现无法输出最优解情况，从图像看上随着迭代次数增加，群体反而不容易找到最优解位置。而使用p_best就没有这种情况。

使用p_best结果输出效果还可以：

但用X[ i ]找最优解效果很差：

最终结果很离谱

原因猜测有可能是过优化？可能是数据类型的问题？目前没有再验证原因是什么。

import numpy as np
import random
import matplotlib.pyplot as plt
# ----------------------PSO参数设置---------------------------------
class PSO():
    def __init__(self, pN, dim, max_iter):
        self.w = 1
        self.c1 = 2
        self.c2 = 2
        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))+2  # 所有粒子的位置和速度
        self.V = np.zeros((self.pN, self.dim))
        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 = 1000  # 全局最佳适应值
    # ---------------------目标函数-----------------------------
    def function(self,X,i):
        a = X[i][0]
        b = X[i][1]
        tmp = (a-1)**2+(b+1)**2
        return tmp
    # ---------------------初始化种群---------------------------
    def init_Population(self):
        for i in range(self.pN):
            for j in range(self.dim):
                self.X[i][j] = random.uniform(-5, 5)  #产生随机浮点数
                self.V[i][j] = random.uniform(0, 1)
            self.pbest[i] = self.X[i]
            tmp = self.function(self.X,i)
            self.p_fit[i] = tmp
            if tmp < self.fit:
                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):
            for i in range(self.pN):  # 更新gbest\pbest
                temp = self.function(self.X,i)
                if temp < self.p_fit[i]:  # 更新个体最优
                    self.p_fit[i] = temp
                    self.pbest[i] = self.X[i]
                    if self.p_fit[i] < self.fit:  # 更新全局最优
                        self.gbest = self.pbest[i]  #self.X[i]更换后失效  self.pbest[i]成功
                        self.fit = self.p_fit[i]
            for i in range(self.pN):
                self.V[i] = self.w * self.V[i] + self.c1 * self.r1 * (self.pbest[i] - self.X[i]) + \
                            self.c2 * self.r2 * (self.gbest - self.X[i])
                self.X[i] = self.X[i] + self.V[i]
            fitness.append(self.fit)
        for i in range(self.pN):
            m = self.X[i][0]
            n = self.X[i][1]
            plt.scatter(m, n)
        plt.xlim((-50, 50))
        plt.ylim((-50, 50))
        plt.show()
        print('X_final=',self.X)
        print('g_best=',self.gbest)
        print('fit_final=',self.fit)
        return
my_pso = PSO(pN=50, dim=2, max_iter=3000)
my_pso.init_Population()
fitness = my_pso.iterator()