粒子群算法实例+线性递减的权值策略（python3）

代码摘自：

https://blog.csdn.net/winycg/article/details/79120154

思路参考自：

https://zhuanlan.zhihu.com/p/107485342

 原文采用的是固定权值，此处采用线性递减的权值策略，以提供另一种思路

'''
参考：
https://blog.csdn.net/winycg/article/details/79120154
https://zhuanlan.zhihu.com/p/107485342
原文采用的是固定权值，此处采用线性递减的权值策略，以提供另一种思路
'''
import numpy as np
import matplotlib.pyplot as plt
import time

class PSO:
    def __init__(self, max_steps, max_size):

        self.max_steps = max_steps  # 最大迭代次数
        self.max_size = max_size  # 粒子数量
        self.init_weight = self.cur_weight = 0.6  # 初始惯性权重与当前惯性权重
        self.end_weight = 0.1
        self.c1 = self.c2 = 2  # 个体学习因子、社会学习因子
        self.boundary = [-10, 10]  # 粒子群取值范围（解空间范围）
        self.dim = 2   # 维度
        # 初始化粒子群位置
        self.x = np.random.uniform(low=self.boundary[0],
                                   high=self.boundary[1],
                                   size=(max_size, self.dim)) # max_num行，2列
        # 初始化粒子群速度
        self.v = np.random.rand(self.max_size, self.dim)
        # 计算当前所有粒子的适应值向量，所有粒子历史最佳适应度及其对应位置
        self.curFitness = self.get_fitness(self.x)
        self.individualBestFitness = self.curFitness
        self.pbest = self.x
        # 获取全局最佳适应度及其最佳位置
        self.globalBestFitness = np.min(self.individualBestFitness)
        self.gbest = self.x[np.argmin(self.individualBestFitness)] # np.argmin 给出水平方向最小值的下标

    def get_fitness(self, x):
        # 按行求平方和，即 X^2 + Y^2
        return np.sum(np.square(x), axis=1)

    def evolve(self):
        self.iter = 0
        for step in range(self.max_steps):
            self.iter = self.iter + 1
            self.cur_weight = (self.init_weight - self.end_weight) * float(self.max_steps - self.iter) / float(self.max_steps) + self.end_weight
            # 生成两个随机数，分别代表飞向当前粒子历史最佳位置、全局历史最佳位置的程度
            r1 = np.random.rand(self.max_size, self.dim)
            r2 = np.random.rand(self.max_size, self.dim)
            # 更新速度和权重
            self.v = self.cur_weight * self.v + self.c1 * r1 * (self.pbest - self.x) \
                     + self.c2 * r2 * (self.gbest - self.x)
            self.x = self.x + self.v

            # 画图
            plt.clf()  # 清除当前 figure, 不关闭窗口
            plt.scatter(self.x[:, 0], self.x[:, 1], s=30, color='r')  # s代表大小，k代表black
            # x、y轴作图范围
            plt.xlim(self.boundary[0], self.boundary[1])
            plt.ylim(self.boundary[0], self.boundary[1])
            # 画面停顿，以秒为单位
            plt.pause(0.01)

            # 计算当前所有粒子的适应值向量，所有粒子历史最佳适应度及其对应位置
            self.curFitness = self.get_fitness(self.x)
            update_id = np.greater(self.curFitness, self.individualBestFitness)
            self.individualBestFitness[update_id] = self.curFitness[update_id]
            self.pbest[update_id] = self.x[update_id]
            # 获取全局最佳适应度及其最佳位置
            if self.globalBestFitness > np.min(self.individualBestFitness):
                self.globalBestFitness = np.min(self.individualBestFitness)
                self.gbest = self.x[np.argmin(self.individualBestFitness)]
            # 增加一个终止条件，以便计算寻找到最优值的耗时与迭代次数
            if self.globalBestFitness - 0.0 < 1e-10:
                break
            print('global best fitness: %.5f, current mean fitness: %.5f' % (self.globalBestFitness, np.mean(self.curFitness)), end=" ")
            print("最优位置：", self.gbest)

if __name__ == "__main__":

    pso = PSO(100, 100)
    start = time.time()
    pso.evolve()
    print("寻找到近似最优解时，共迭代了", pso.iter, "次,总共耗费了", (time.time() - start), "秒")
    plt.show()