小白笔记 --粒子群优化算法（PSO）--python实现

PSO算法流程：

1.初始化粒子参数：

粒子群规模、粒子维度、迭代次数、惯性权重、学习因子、迭代步长范围

2.随机初始化每个粒子的（位置，速度）：

个体、群体历史最优位置、适应值。

3.迭代：更新个体速度位置，个体最优适应值和位置--再更新群体；更新其他参数；

直到--两次迭代之间适应值最小差值（）可接受的满意解/最大迭代次数。

4.速度更新公式

其中，代表粒子自身惯性权重（较大有利于跳出局部最优，较小利于快速收敛找到最优，一般取值范围：（0.4，2），eg:0.9、1.2、1.5、1.8），d是粒子维度(自变量个数)，c代表学习因子（一般取值（0，4）eg:1.6,1.8），r代表[0,1]的随机数，增加搜索随机性。

       线性变化策略：随着迭代次数的增加，惯性权重ω不断减小，从而使得粒子群算法在初期具有较强的全局收敛能力，在后期具有较强的局部收敛能力。

5.位置更新公式

python代码详解：Python粒子群优化算法实现（PSO）_python 优化算法库-CSDN博客

# coding: utf-8
import numpy as np
import random
import matplotlib.pyplot as plt


# ----------------------PSO参数设置---------------------------------
class PSO():                                     # 创建类：class
    def __init__(self, pN, dim, max_iter):       # 构造方法：__init__(self,参数) 
        self.w = 0.8
        self.c1 = 2                              # 给属性赋值
        self.c2 = 2
        self.r1 = 0.6
        self.r2 = 0.3
        self.pN = pN                             # 粒子数量
        self.dim = dim                           # 搜索维度
        self.max_iter = max_iter                 # 迭代次数
        self.X = np.zeros((self.pN, self.dim))   # 初始化所有粒子的位置和速度
        self.V = np.zeros((self.pN, self.dim))   # 形状为（self.pN, self.dim的全零数组）
        self.pbest = np.zeros((self.pN, self.dim))  # 个体经历的最佳位置和全局最佳位置
        self.gbest = np.zeros((1, self.dim))
        self.p_fit = np.zeros(self.pN)           # 每个个体的历史最佳适应值
        self.fit = 1e10                          # 全局最佳适应值

    # ---------------------目标函数-----------------------------
    def function(self, X):
        return X**2-4*X+3

    # ---------------------初始化种群----------------------------------
    def init_Population(self):
        for i in range(self.pN):
            for j in range(self.dim):
                self.X[i][j] = random.uniform(0, 1)   
                self.V[i][j] = random.uniform(0, 1)
            self.pbest[i] = self.X[i]
            tmp = self.function(self.X[i])        # 调用 self.function 方法
            self.p_fit[i] = tmp 
            if tmp < self.fit:                    
                self.fit = tmp
                self.gbest = self.X[i]

                # ----------------------更新粒子位置----------------------------------

    def iterator(self):
        fitness = []
        for t in range(self.max_iter):
            for i in range(self.pN):  # 更新gbest\pbest
                temp = self.function(self.X[i])
                if temp < self.p_fit[i]:  # 更新个体最优
                    self.p_fit[i] = temp
                    self.pbest[i] = self.X[i]
                    if self.p_fit[i] < self.fit:  # 更新全局最优
                        self.gbest = self.X[i]
                        self.fit = self.p_fit[i]
            for i in range(self.pN):
                self.V[i] = self.w * self.V[i] + self.c1 * self.r1 * (self.pbest[i] - self.X[i]) + \
                            self.c2 * self.r2 * (self.gbest - self.X[i])
                self.X[i] = self.X[i] + self.V[i]
            fitness.append(self.fit)
            print(self.X[0], end=" ")
            print(self.fit)  # 输出最优值
        return fitness

        # ----------------------程序执行-----------------------


my_pso = PSO(pN=30, dim=1, max_iter=100)
my_pso.init_Population()
fitness = my_pso.iterator()
# -------------------画图--------------------
plt.figure(1)
plt.title("Figure1")
plt.xlabel("iterators", size=14)
plt.ylabel("fitness", size=14)
t = np.array([t for t in range(0, 100)])
fitness = np.array(fitness)
plt.plot(t, fitness, color='b', linewidth=3)
plt.show()

参考文章：粒子群优化算法(Particle Swarm Optimization, PSO)的详细解读 - 知乎