smpso解决离散问题:
初学者可以在网上找到各类遗传算法或粒子群算法的模板,这里提供一个比较基础简单的例子,用离散的粒子群来解决自己的问题,供大家参考
jMetalPy框架:
jMetalPy提供了很多算法的模板,都能在它的官网找到
粒子群:OMOPSO、SMPSO
其他遗传进化算法:GDE3、HYPE、MOCell、MOEA/D、NSGA-Ⅱ、NSGA-Ⅲ、SPEA2
官网有很多实现的例子,这里只展示“实现smpsoProblem类”的方法
SMPSO简介:
SMPSO算法流程如下:
1、初始化操作:包括种群大小、存档大小、迭代次数、每个粒子的速度为0.0,粒子位置(一般都是随机生成),历史最优pbest为其本身
2、根据目标函数的评估在决策空间中随机初始化得到粒子群初始化存档(存储最优解)gbest在其中根据一定的方法选取
3、更新速度、更新位置
4、对每个粒子增加的一些变异操作
5、根据目标函数对每一个粒子做评估操作得到新的粒子群
6、更新存档,更新gbest和pbest
位置更新公式:
速度更新公式:
w是惯性权重,r1、r2是[0,1]均匀分布的随机数,C1、C2是控制pbest和gbest影响的参数(其中w =0.1,1.5< C1,C2<2.5)
引入压缩因子(用于控制粒子的更新速度):
此后进一步限定每个变量j的累积速度,使用以下速度收缩方程:
实现Problem:
官网有提供Problem的模板,其中需要我们实现和修改的有:
1、一些的初始化:如约束个数、变量个数等
2、根据自身需要而设计的目标函数
3、evaluate函数
4、约束(如果需要约束的话)
def evaluate(self, solution: FloatSolution) -> FloatSolution:
#一些变量
variable1 = np.array([[0, 1, 0, 1, 1],
[1, 0, 0, 1, 0],
[0, 0, 0, 0, 1],