粒子群优化算法python_粒子群优化算法（PSO）python 3实现

粒子群算法属于智慧算法的一类，与该类算法类似的还有蚁群算法，遗传算法等。大家可以将这几种算法进行比较。

粒子群优化算法(Particle Swarm Optimization，PSO)属于进化算法的一种，是通过模拟鸟群捕食行为设计的。从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质。在这里，我们举一个例子来深入理解一下该算法：假设有一鸟群，在一座岛上某个地方放有食物，但是鸟群并不知道食物在哪，只是知道与食物之间的距离。这时候鸟儿们很聪明，它们在目前距离食物最近的鸟的周围搜索，这样它们可以更好更快的找到食物。

所有的粒子具有一下两个属性：

位置v

速度x

PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代种，粒子通过跟踪两个“极值”来跟新自己。第一个就是粒子本身所找到的最优解pbest；另一个极值是整个种群目前找到的最优解，及全局极值gbest。粒子通过下面的公式来更新自己速度和位置：

速度变换公式：

vi+1=w∗vi+c1∗rand1∗(pbesti−xi)+c2∗rand2∗(gbesti−xi) v_{i+1}=w*v_i+c_1*rand_1*(pbest_i-x_i)+c_2*rand_2*(gbest_i-x_i)v

i+1

​

=w∗v

i

​

+c

1

​

∗rand

1

​

∗(pbest

i

​

−x

i

​

)+c

2

​

∗rand

2

​

∗(gbest

i

​

−x

i

​

)

位置变换公式：

xi=xi+vi+1 x_i=x_i+v_{i+1}x

i

​

=x

i

​

+v

i+1

​

以上式子中：

w为惯性因子，一般取1

c1,c2 c_1,c_2c

1

​

,c

2

​

为学习因子，一般取2

rand1,rand2 rand_1,rand_2rand

1

​

,rand

2

​

为(0，1)之间的随机数

vi和xi v_i和x_iv

i

​

和x

i

​

分别表示粒子第i维的速度和位置

pbesti,,gbesti pbest_i,,gbest_ipbest

i

​

,,gbest

i

​

分别表示某个粒子最好位置第i维的值，整个种群最好位置第i维的值

注意：以上两式是针对粒子的某一个维度进行跟新的。对粒子的每一维，都要用上述的式子进行更新。

流程图如下：

# coding: utf-8

import numpy as np

import random

import matplotlib.pyplot as plt

class PSO():

# PSO参数设置

def __init__(self, pN, dim, max_iter):

self.w = 0.8

self.c1 = 2

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)) # 所有粒子的位置和速度

self.V = np.zeros((self.pN, self.dim))

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Sphere函数

def function(self, X):

return X**4-2*X+3

#初始化种群

def init_Population(self):

for i in range(self.pN): #因为要随机生成pN个数据，所以需要循环pN次

for j in range(self.dim): #每一个维度都需要生成速度和位置，故循环dim次

self.X[i][j] = random.uniform(0, 1)

self.V[i][j] = random.uniform(0, 1)

self.pbest[i] = self.X[i] #其实就是给self.pbest定值

tmp = self.function(self.X[i]) #得到现在最优

self.p_fit[i] = tmp 这个个体历史最佳的位置

if tmp < self.fit: #得到现在最优和历史最优比较大小，如果现在最优大于历史最优，则更新历史最优

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): #迭代次数，不是越多越好

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

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

加入下列代码验证结果：

#程序

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()

1

2

3

4

5

6

7

8

9

10

11

12

13

在上面我们计算X4−2X+3 X^4-2X+3X

4

−2X+3的优化函数。

我们看一看结果：

1.迭代图像

2.迭代最后的结果可以看出来在x取0.1937左右，X4−2X+3 X^4-2X+3X

4

−2X+3取得较优值