实验课一 -- 粒子群算法PSO

泉绮

已于 2023-09-24 15:27:21 修改

阅读量534

点赞数 1

分类专栏： # 人工智能文章标签：算法

于 2023-09-12 15:22:49 首次发布

本文链接：https://blog.csdn.net/qq_62791684/article/details/132830103

版权

人工智能专栏收录该内容

1 篇文章 0 订阅

订阅专栏

本文详细介绍了粒子群算法的原理，包括其源自鸟群觅食行为，以及算法流程中的关键元素如群体规模、维度、速度更新等。提供了Python代码实现，展示了如何初始化粒子位置和速度，计算适应度，更新速度与位置，以及终止条件。

摘要由CSDN通过智能技术生成

算法说明：

我看了下别人写的，这个粒子群算法的思想来源与鸟类捕食
我按我的理解解释一下：
很多只鸟在草原找食物，所有鸟刚开始都不知道食物在哪里，但是鸟儿们很聪明，会互相交流，同时食物有气味，鸟儿们可以通过气味判断自己离食物的远近，闻到气味最大的鸟儿会大叫告诉其他鸟儿，其他鸟儿也往气味最大的鸟身边飞，在它周围区域寻找。
因此，人们就使用这个模型来解决某些问题。也即是让鸟儿帮我们解决问题了

算法流程：

首先，我们要明白算法里面有什么元素：

1，群体规模N，鸟儿的数量
2，维度n，鸟儿所处世界维度，鸟儿是二次元鸟儿的话，那维度就是2
3，惯性权重w，鸟儿是有惯性的，这里表示鸟儿保持速度的能力吧
4，个体学习因子c1，鸟儿的学习能力
5，群体学习因子c2，鸟儿们的学习能力
6，随机数r1,r2，用这两个数保证随机性
7，鸟儿位置X，这个X可以用一个二维数组表示，记录每只鸟儿的位置
8，鸟儿速度V，这个V可以用一个二维数组表示，记录每只鸟儿的速度
9，个体适应度P，这个P可以用一个一维数组表示，记录每只鸟儿的适应度
10，最佳适应度PD，P中最小的值就是当前最佳适应度，当前最佳和历史最佳对比，谁小谁最佳
11，当前最佳位置PPOS, 这个PPOS可以用一个二维数组表示，记录每只鸟儿的局部最佳位置
12，最佳位置Best，一个一维数组，记录最佳适应度所在的位置
13，迭代次数k，我们迭代运算的次数
14，满意值t，这个值表示我们能够接受的最小界限，即当最佳适应度PD低于这个值时，我们也大差不差得到了我们满意的结果

接下来开始：

第一步，初始化
鸟儿们的位置和速度都是随机的，但是位置和速度都是有限制的
我们要随机给每只鸟儿安排位置和速度

第二步，算适应度
算适应度需要相应的公式来算，一般情况下，我们要通过我们要解决的问题来算这个适应度
算出当前这只鸟儿的适应度后，要保存相应的位置，将这次的适应度和上一次的对比，谁最小就最佳，并对位置进行更新
最后在这群鸟儿的适应度中找最小的，并记录位置，这就是全局最佳适应度和全局最佳位置

第三步，更新速度与位置
我们要根据公式来更新速度与位置
速度公式：
pbest就是当前这只鸟儿的局部最佳位置，gbest就是这群鸟儿的全局最佳位置
位置更新公式：

要注意的是，当我们更新速度和位置的时候要注意范围，即不要让它们超出范围，它们超出范围的话，就按边界值算

第四步判断是否结束
当次数达到了规定迭代次数时可以结束
当最佳适应度值小于最小界限的时候可以结束
如果没有满足以上条件，那就返回第二步重新执行

代码实现：

目前只写了python的，能够展示粒子群的移动：
PSO.py

import math
import sys
from math import cos, sqrt
import numpy as np
from PyQt5 import QtCore
from PyQt5.QtWidgets import *
import random
# 1 初始化粒子群参数
import time
class PSO(QWidget):
    up = QtCore.pyqtSignal(int, int, np.ndarray)
    def __init__(self):
        """
        列表:
            X: 记录粒子位置(-400,400)
            V: 记录粒子速度(-20,20)
            P: 记录响应粒子搜索到的最佳位置
            PD: 群体最优位置
        单值:
            Fp: 个体历史最优位置
            Fg: 群体历史最优位置
        :return:
        """
        super().__init__()
        self.choose = 1



    # 初始化位置与速度
    def ini(self):
        self.N = 1000  # 群规模
        self.D = 2  # 群维度
        self.K = 500  # 迭代次数
        self.w = 1  # 惯性权重
        self.c1 = 2  # 个体学习因子
        self.c2 = 2  # 群体学习因子
        self.r1 = random.uniform(0, 1)  # 随机数1
        self.r2 = random.uniform(0, 1)  # 随机数2
        self.MAX_X = 400  # 位置最大
        self.MIN_X = -400  # 位置最小
        self.MAX_V = 5  # 速度最大
        self.MIN_V = -5  # 速度最小
        self.X = np.zeros((self.N, self.D))
        self.V = np.zeros((self.N, self.D))
        self.XN = np.zeros((self.N, self.D))
        self.VN = np.zeros((self.N, self.D))
        self.PPOS = np.zeros((self.N, self.D))  # 当前最佳位置
        self.Best = np.zeros(self.D)            # 全局最佳位置
        print(self.Best)

        self.P = []
        self.PD = 10086

        # self.choose = 1     # 公式选择
        for i in range(self.N):
            self.P.append(1e+6)
            for j in range(self.D):
                a = random.uniform(self.MIN_X, self.MAX_X)
                self.X[i][j] = a
                b = random.uniform(self.MIN_V, self.MAX_V)
                self.V[i][j] = b
                self.PPOS[i][j] = self.X[i][j]


    def check_x(self, x):
        if self.MAX_X <= x:
            return self.MAX_X
        elif self.MIN_X >= x:
            return self.MIN_X
        return x

    def check_v(self, v):
        if self.MAX_V <= v:
            return self.MAX_V
        elif self.MIN_V >= v:
            return self.MIN_V
        return v


    # 公式计算：
    def Cal1(self):

        for i in range(self.N):
            res1 = 0  # X平方
            res2 = 1
            pos_tmp = self.X[i]
            for j in range(self.D):
                res1 = res1 + self.X[i][j]*self.X[i][j]
                res2 = res2 * cos(self.X[i][j] / sqrt(j + 1))

            ans = 1+1/4000 * res1 - res2

            #   更新每只鸟儿的局部最优解
            if self.P[i] > ans:
                self.P[i] = min(self.P[i], ans)
                for j in range(self.D):
                    self.PPOS[i][j] = self.X[i][j]

    # 更新速度与位置

    def Cal2(self):
        for i in range(self.N):
            ans = 20 + self.X[i][0]*self.X[i][0] + \
                  self.X[i][1]*self.X[i][1] -   \
            10*(cos(2*math.pi*self.X[i][0])+cos(2*math.pi*self.X[i][1]))

            #   更新每只鸟儿的局部最优解
            if self.P[i] > ans:
                self.P[i] = min(self.P[i], ans)
                for j in range(self.D):
                    self.PPOS[i][j] = self.X[i][j]

            self.P[i] = min(self.P[i], ans)

    def Update_X_Y(self):
        # print("更新")
        # 获取下一步速度
        # 用位置跟新
        for i in range(self.N):
            for j in range(self.D):
                self.VN[i][j] = self.w * self.V[i][j] + \
                                self.c1*self.r1*(self.PPOS[i][j]-self.X[i][j]) + \
                                self.c2*self.r2*(self.Best[j]-self.X[i][j])
                self.VN[i][j] = self.check_v(self.VN[i][j])
                # 更新位置
                self.XN[i][j] = self.X[i][j] + self.VN[i][j]
                self.XN[i][j] = self.check_x(self.XN[i][j])

        # 下一次迭代了，该换换了
        for i in range(self.N):
            for j in range(self.D):
                self.V[i][j] = self.VN[i][j]
                self.X[i][j] = self.XN[i][j]


        self.r1 = random.uniform(0, 1)  # 随机数1
        self.r2 = random.uniform(0, 1)  # 随机数2


    def go1(self):
        self.ini()
        print("开始，初始化")
        print("群初始位置：")
        for i in range(self.N):
            print(f'X{i+1}: ', end=' ')
            print(self.X[i])

        print("群初始速度：")
        for i in range(self.N):
            print(f'V{i + 1}: ', end=' ')
            print(self.V[i])


    # 最佳适应度公式选择
    def go2(self):
        if self.choose == 1:
            self.Cal1()
        elif self.choose == 2:
            self.Cal2()

    def start(self):

        # 步骤1 初始化
        self.go1()
        self.tol = 1e-6
        for i in range(self.K):
            QApplication.processEvents()
            # 控制时间
            # time.sleep(0.5)

            self.up.emit(self.N, self.D, self.X)
            QApplication.processEvents()

            # 步骤2 进行计算
            self.go2()

            self.PD = min(self.P)
            self.Best = self.X[self.P.index(self.PD)]


            if self.PD < self.tol:
                break
            # print("取群体历史最优解并更新个体位置")
            # print(f"目前最佳值:  {self.PD}")
            self.Update_X_Y()

        if self.choose == 1:
            print("选择公式1")
        elif self.choose == 2:
            print("选择公式2")
        print(f"最终结果: {self.PD}")
        print(f'最佳位置: {self.Best}')



# 只显示结果可运行这个

if __name__ == "__main__":
    app = QApplication(sys.argv)
    PSO = PSO()
    PSO.show()
    PSO.hide()
    PSO.start()
    sys.exit(app.exec_())

窗口展示Window.py

import sys

from PyQt5 import QtCore
from PyQt5.QtWidgets import *
from PyQt5.QtGui import QPainter,  QColor
from PyQt5.QtCore import Qt, QPoint

from PSO import PSO

_translate = QtCore.QCoreApplication.translate  # 翻译函数

class Window(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("人工智能")
        menubar = self.menuBar()
        self.menu = menubar.addMenu('粒子群算法')

        self.setGeometry(100, 100, 1000, 1000)
        self.points = []  # 存储点的列表
        self.central_widget = DrawingWidget()
        self.setCentralWidget(self.central_widget)
        QApplication.processEvents()
        self.actionPSO1 = QAction("公式1", self)
        self.actionPSO1.triggered.connect(self.PSO1)
        self.actionPSO2 = QAction("公式2", self)
        self.actionPSO2.triggered.connect(self.PSO2)
        self.menu.addAction(self.actionPSO1)
        self.menu.addAction(self.actionPSO2)
        QApplication.processEvents()

    def PSO1(self):
        self.central_widget.PSO.choose = 1
        self.central_widget.PSO.start()

    def PSO2(self):
        self.central_widget.PSO.choose = 2
        self.central_widget.PSO.start()


class DrawingWidget(QWidget):
    def __init__(self):
        super().__init__()
        self.setGeometry(0, 0, 1000, 1000)
        self.points = []  # 存储点的列表
        self.PSO = PSO()
        self.PSO.up.connect(self.op)

        QApplication.processEvents()


    def paintEvent(self, event):
        painter = QPainter(self)
        painter.setRenderHint(QPainter.Antialiasing)
        painter.setPen(QColor(0, 0, 255))  # 设置画笔颜色为蓝色
        painter.setBrush(Qt.SolidPattern)
        for point in self.points:
            painter.drawEllipse(point, 2, 2)  # 绘制小圆点

    def op(self, n, d, lis):
        q = []

        for i in range(n):
            p = QPoint(int(lis[i, 0]+400), int(lis[i, 1]+400))
            q.append(p)

        self.points = q
        self.update()


if __name__ == '__main__':
    app = QApplication(sys.argv)
    window = Window()
    window.show()
    sys.exit(app.exec_())