粒子群算法(Particle Swarm Optimization,PSO)是一种受到自然界群体行为启发的优化算法,由James Kennedy和Russell Eberhart于1995年提出。该算法模拟了鸟类或其他动物群体(如鱼群)的社会和集体行为,来寻找复杂问题的最优解。以下是粒子群算法的基本概念和工作原理:
基本概念:
•粒子:算法中的每个解被视为一个“粒子”,它在解空间中有一个位置(代表潜在解决方案)和一个速度(决定其如何移动到新位置)。
•适应度值:每个粒子的位置对应于目标函数的值,用以评估该位置的优劣。
•个体最优解(pBest):每个粒子记录它经历过的最好位置。
•全局最优解(gBest):群体中所有粒子经历过的最好位置中的最优者。
工作原理:
1. 初始化:算法开始时,随机生成一组粒子,每个粒子都具有初始位置和速度。
2. 评估:计算每个粒子当前位置的适应度值,确定每个粒子的个体最优解pBest和整个群体的全局最优解gBest。
3. 更新速度和位置:基于粒子的当前速度、个体最优解和全局最优解,按照一定的公式更新每个粒子的速度和位置。更新公式通常包含惯性因子、认知系数(个体学习)和社会系数(社会学习)。
[ v_{i}(t+1) = w \cdot v_{i}(t) + c_1 \cdot r_1 \cdot (pBest_i - x_i(t)) + c_2 \cdot r_2 \cdot (gBest - x_i(t)) ][ x_{i}(t+1) = x_{i}(t) + v_{i}(t+1) ]
其中,(v_i) 是粒子的速度,(x_i) 是粒子的位置,(w) 是惯性权重,(c_1) 和 (c_2) 分别是个体学习和社交学习的加速常数,(r_1) 和 (r_2) 是随机数,用于引入随机性。
4. 重复步骤2和3:直到满足停止条件(如达到预设的最大迭代次数、适应度值的变化小于阈值等)。
特点与优势:
•简单易实现:算法规则直观,实现代码相对简洁。
•并行处理:天然适合并行计算,因为每个粒子的更新是独立的。
•全局优化能力:尽管存在陷入局部最优的风险,但通过适当调整参数,PSO能够有效探索搜索空间,找到全局最优解或接近最优解的解。
•参数少:相比其他进化算法,PSO需要调节的参数较少。
PSO已被广泛应用于各种领域,包括工程优化、机器学习、控制工程、模式识别等,展现了其强大的灵活性和有效性。
算法流程图
函数测试效果
![](https://img-blog.csdnimg.cn/direct/9a74c3e40ff5446cad69c96742e8178f.gif)
应用(最优值计算)
关键源码实现
package org.xcai.pso;
import org.xcai.i.PsoFunction;
import java.util.ArrayList;
import java.util.List;
import java.util.Random;
/**
* @param
* @DATA
* @Author NIRVANA
* @Description 粒子群
*/
public class PSO {
private double globalValue = -1;//当前全局最优值
private int times;//迭代次数
private List<Particle> allPar = new ArrayList<>();//全部粒子集合
private PsoFunction psoFunction;//粒子群执行函数
private double inertialFactor = 0.5;//惯性因子
private double selfStudyFactor = 2;//个体学习因子
private double socialStudyFactor = 2;//社会学习因子
private boolean isMax;//取最大值还是最小值
private double[] allBest;//全局最佳位置
private Random random = new Random();
private int[] minBorder, maxBorder;
private double maxSpeed;
private double initSpeed;//初始速度
public PSO(int dimensionNub, int[] minBorder, int[] maxBorder,
int times, int particleNub, PsoFunction psoFunction,
double inertialFactor, double selfStudyFactor, double socialStudyFactor
, boolean isMax, double maxSpeed, double initSpeed) {
this.initSpeed = initSpeed;
this.times = times;
this.psoFunction = psoFunction;
this.isMax = isMax;
allBest = new double[dimensionNub];
this.minBorder = minBorder;
this.maxBorder = maxBorder;
this.maxSpeed = maxSpeed;
if (inertialFactor > 0) {
this.inertialFactor = inertialFactor;
}
if (selfStudyFactor >= 0 && selfStudyFactor <= 4) {
this.selfStudyFactor = selfStudyFactor;
}
if (socialStudyFactor >= 0 && socialStudyFactor <= 4) {
this.socialStudyFactor = socialStudyFactor;
}
for (int i = 0; i < particleNub; i++) {//初始化生成粒子群
Particle particle = new Particle(dimensionNub);
allPar.add(particle);
}
}
public void setAllPar(List<Particle> allPar) {//外置粒子群注入
this.allPar = allPar;
}
public List<double[]> start() throws Exception {//开始进行迭代
int size = allPar.size();
for (int i = 0; i < times; i++) {
for (int j = 0; j < size; j++) {
move(allPar.get(j), j);
}
}
List<double[]> feature = new ArrayList<>();
for (int i = 0; i < size; i++) {
feature.add(allPar.get(i).getParameter());
}
return feature;
//粒子群移动结束
// draw("/Users/NIRVANA/Desktop/test/testOne/e2.jpg", fatherX, fatherY);
}
private void move(Particle particle, int id) throws Exception {//粒子群开始移动
double[] parameter = particle.getParameter();//当前粒子的位置
BestData[] bestData = particle.bestDataArray;//该粒子的信息
double value = psoFunction.getResult(parameter, id);
double selfValue = particle.selfBestValue;//局部最佳值
if (isMax) {//取最大值
if (value > globalValue) {//更新全局最大值
globalValue = value;
//更新全局最佳位置
for (int i = 0; i < allBest.length; i++) {
allBest[i] = parameter[i];
}
}
if (value > selfValue) {//更新局部最大值
particle.selfBestValue = value;
//更新局部最佳位置
for (int i = 0; i < bestData.length; i++) {
bestData[i].selfBestPosition = parameter[i];
}
}
} else {//取最小值
if (globalValue < 0 || value < globalValue) {//更新全局最小值
globalValue = value;
//更新全局最佳位置
for (int i = 0; i < allBest.length; i++) {
allBest[i] = parameter[i];
}
}
if (selfValue < 0 || value < selfValue) {//更新全局最小值
particle.selfBestValue = value;
//更新局部最佳位置
for (int i = 0; i < bestData.length; i++) {
bestData[i].selfBestPosition = parameter[i];
}
}
}
//先更新粒子每个维度的速度
for (int i = 0; i < bestData.length; i++) {
double speed = bestData[i].speed;//当前维度的速度
double pid = bestData[i].selfBestPosition;//当前自己的最佳位置
double selfPosition = parameter[i];//当前自己的位置
double pgd = allBest[i];//当前维度的全局最佳位置
//当前维度更新后的速度
speed = inertialFactor * speed + selfStudyFactor * random.nextDouble() * (pid - selfPosition)
+ socialStudyFactor * random.nextDouble() * (pgd - selfPosition);
if (Math.abs(speed) > maxSpeed) {
if (speed > 0) {
speed = maxSpeed;
} else {
speed = -maxSpeed;
}
}
bestData[i].speed = speed;
//更新该粒子该维度新的位置
double position = selfPosition + speed;
if (minBorder != null) {
if (position < minBorder[i]) {
position = minBorder[i];
}
if (position > maxBorder[i]) {
position = maxBorder[i];
}
}
bestData[i].selfPosition = position;
}
}
class Particle {//粒子
private BestData[] bestDataArray;
private double selfBestValue = -1;//自身最优的值
private double[] getParameter() {//获取粒子位置信息
double[] parameter = new double[bestDataArray.length];
for (int i = 0; i < parameter.length; i++) {
parameter[i] = bestDataArray[i].selfPosition;
}
return parameter;
}
protected Particle(int dimensionNub) {//初始化随机位置
bestDataArray = new BestData[dimensionNub];
for (int i = 0; i < dimensionNub; i++) {
double position;
if (minBorder != null && maxBorder != null) {
int min = minBorder[i];
int max = maxBorder[i];
int region = max - min + 1;
position = random.nextInt(region) + min;//初始化该维度的位置
} else {
position = random.nextDouble();
}
bestDataArray[i] = new BestData(position, initSpeed);
}
}
}
class BestData {//数据保存
private BestData(double selfPosition, double initSpeed) {
this.selfBestPosition = selfPosition;
this.selfPosition = selfPosition;
speed = initSpeed;
}
private double speed;//该粒子当前维度的速度
private double selfBestPosition;//当前维度自身最优的历史位置/自己最优位置的值
private double selfPosition;//当前维度自己现在的位置/也就是当前维度自己的值
}
}
如果对您有所帮助,请点赞打赏支持!
技术合作交流qq:2401315930
最后分享一下地图下载器设计及下载地址:
链接:https://pan.baidu.com/s/1RZX7JpTpxES-G7GiaVUxOw
提取码:61cn