PSO粒子群优化(二)代码篇

一、问题描述

​ 现有适应度函数 $f(x)=x\ast sin(x)\ast cos(x)-2\ast sin(3\ast x)$, 求$x\in (0,50)$的最小值。这就是典型的解空间搜索问题，如果确定了$x$的精度为四位小数，自然可以遍历$[0.0001,49.9999]$来寻找最优解，但这显然不是值得推广的高效的算法。函数图像如图所示，最小值在A处取得

二、PSO算法求解的代码实现

• 导入必要的库

  import matplotlib.pyplot as plt
  import numpy as np
  

• 定义适应度函数

  def fun(x):
      f = x * np.sin(x) * np.cos(2 * x) - 2 * x * np.sin(3 * x)
      return f
  

• 初始化粒子群:

  • 由 $n=20$ 个粒子构成；
  • 由于函数只有一个自变量，所以是 $d=1$ 一维空间；
  • 设置总共迭代次数为 $ger=100$次；
  • 自变量的取值范围 $x\_limit\in [0,50]$ ；
  • 速度太大的话会导致粒子移动的距离太远，设置速度限制为 $v\_limit\in [-10,10]$；
  • $w、c_1、c_2$ 是权重值；
  • 最后使用随机函数生成初态粒子 $x$ 以及每个粒子的速度 $v$ 。

  N = 20  # 种群粒子数
  d = 1  # 解空间维数
  ger = 100  # 迭代次数
  x_limit = [0, 50]  # 自变量的取值范围
  v_limit = [-10, 10]  # 速度限制
  w = 0.8  # 自身速度的惯性权重
  c1 = 0.5  # 朝自身搜索最优点的学习因子
  c2 = 0.5  # 朝群体搜索最优点的学习因子
  
  x = np.random.uniform(0, 50, size=N)  # 初始化种群位置
  v = np.random.rand(N)  # 初始话种群速度
  

• 设置必要的记录型变量

  • 用 $xm$ 记录每个个体自身的历史最佳位置
  • 用 $fxm$ 记录个体最佳为值对应的适应度，初始为无穷大
  • 用 $ym$ 记录整个种群的最佳位置
  • 用 $fym$ 记录整个种群的最佳适应度，初始为无穷大

  xm = x  # 记录每个个体的历史最佳位置
  ym = np.zeros(d)  # 记录种群的最佳位置 d维的
  
  fxm = np.ones(N) * np.inf  # 记录每个个体的最佳适应度
  fym = np.inf  # 记录种群的最佳适应度
  

  这里的变量是用来做记录;

  通过个体最佳适应度 $fxm$ 判断是否需要更新个体最佳位置 $xm$,;

  通过种群最佳适应度 $fym$， 判断是否需要更新种群最佳位置 $ym$；

  最终： 通过个体最佳位置 $xm$ 和种群最佳位置 $ym$ 来不断更新速度矢量。

• 迭代寻找最优解

  • 将粒子的位置 $x$，传入适应度函数 $fyn(x)$，获取当前所有粒子的适应度$fx$；
  • 遍历所有的适应度用两个if语句：更新个体最佳适应度 $fxm$，以及个对应的位置 $xm$; 更新整个种群的最佳适应度 $fym$， 以及对应的位置 $ym$；
  • 根据 $xm,ym$，依据理论篇中的公式更新速度 $v$，再更新位置 $x$后进行下一轮迭代；
  • $ger=100$次迭代后，$fym$ 保存了种群最佳适应度， $ym$保存了最佳适应度的位置

  iter = 1  # 第一代
  while iter <= ger:
      iter += 1
      fx = fun(x)  # 计算每个个体当前位置的的适应度
  
      for i in range(N):
          if fx[i] < fxm[i]:  # 判断是否需要更新个体最佳适应度和最佳位置
              fxm[i] = fx[i]  # 更新每个个体的最佳适应度
              xm[i] = x[i]  # 更新每个个体的最佳位置
              
          if fx[i] < fym:  # 判断是否需要更新群体最佳适应度和最佳位置
              fym = fx[i]  # 更新最佳适应度
              ym = xm[i]   # 更新最佳适应度的位置
  
      v = v * w + \
          c1 * np.random.random() * (xm - x) + \
          c2 * np.random.random() * (np.tile(ym, 20) - x)  # 更新速度
      
      # 速度修正，不超过规定的速度范围
      v = np.where(v > v_limit[1], v_limit[1], v)  			
      v = np.where(v < v_limit[0], v_limit[0], v)  
  
      x = x + v  # 更新位置
  
      # 位置修正，不超过取值范围
      x = np.where(x > x_limit[1], x_limit[1], x)  
      x = np.where(x < x_limit[0], x_limit[0], x)
      
      
  # 输出最后结果
  print("最佳适应度为:", fym)
  print("最佳适应度的点为:", ym)
  

三、算法补充

• 算法优点：思维简单易懂，比较容易实现
• 算法缺点：容易出现局部