python 实现粒子群算法

# -*- coding: utf-8 -*-
"""
Created on Wed Jul 14 18:00:24 2021

@author: pony
"""

import numpy as np
#设置参数
w = 0.8    			#惯性因子
c1 = 2     			#自身认知因子
c2 = 2     			#社会认知因子
r1 = 0.6  				#自身认知学习率
r2 = 0.3  				#社会认知学习率
pN = 50                #粒子数量
dim = 1              	#搜索维度  
max_iter = 300    				#最大迭代次数
#定义适应度函数
def get_fitness(x):
    y = -x**2 + 20*x + 10
    return y 
#初始化粒子群
X = np.zeros((pN, dim))       #初始粒子的位置和速度 
V = np.zeros((pN, dim)) 
p_best = np.zeros((pN, dim), dtype = float)   #粒子历史最佳位置
g_best = np.zeros((1, dim), dtype = float)  		#全局最佳位置  
p_bestfit = np.zeros(pN)              #每个个体的历史最佳适应值  
g_bestfit = -1e15             				#全局最佳适应值  
for i in range(pN):  
    #初始化每一个粒子的位置和速度
    X[i] = np.random.uniform(0,5,[1, dim])  
    V[i] = np.random.uniform(0,5,[1, dim])  
    p_best[i] = X[i]  #初始化历史最佳位置
    p_bestfit[i] = get_fitness(X[i])  #得到对应的fit值
    if p_bestfit[i] > g_bestfit:  
        g_bestfit = p_bestfit[i] 
        g_best = X[i]  	#得到全局最佳
#迭代更新粒子群
fitness = [] #计算适应度 
for _ in range(max_iter):  
    for i in range(pN):         #更新g_best\p_best  
        temp = get_fitness(X[i])  #获得当前位置的适应值
        if temp > p_bestfit[i]:      #更新个体最优  
            p_bestfit[i] = temp  
            p_best[i] = X[i]  
            if p_bestfit[i] > g_bestfit:  #更新全局最优  
                g_best = X[i]  
                g_bestfit = p_bestfit[i]  

    for i in range(pN):  	#更新权重
        V[i] = w*V[i] + c1*r1*(p_best[i] - X[i]) + c2*r2*(g_best - X[i])  
        X[i] = X[i] + V[i]  
    fitness.append(g_bestfit)
    print(g_best, g_bestfit)