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()