粒子群优化算法(Particle Swarm Optimization, PSO)是一种基于群体智能的优化算法,它通过模拟鸟群觅食的行为来解决问题。在PSO中,每个优化问题的解被视作搜索空间中的一个粒子,所有粒子都有一个由被优化函数决定的适应度值(fitness value),并且每个粒子都跟随两个“最佳位置”来更新自己的位置:一是粒子本身迄今为止找到的最佳位置(个体极值 pbest),二是整个种群迄今为止找到的最佳位置(全局极值 gbest)。
以下是一个使用Python实现的简单粒子群优化算法的示例,该算法用于求解一维函数的最小值问题(例如,f(x) = x^2):
import numpy as np | |
class Particle: | |
def __init__(self, bounds, fitness_func): | |
self.position = np.random.uniform(bounds[0], bounds[1], 1) | |
self.velocity = np.zeros_like(self.position) | |
self.pbest_position = self.position.copy() | |
self.pbest_value = fitness_func(self.position) | |
def update_velocity(self, global_best_position, w=0.5, c1=1.0, c2=2.0): | |
r1, r2 = np.random.rand(), np.random.rand() | |
cognitive_component = c1 * r1 * (self.pbest_position - self.position) | |
social_component = c2 * r2 * (global_best_position - self.position) | |
self.velocity = w * self.velocity + cognitive_component + social_component | |
def update_position(self, bounds): | |
self.position += self.velocity | |
# 边界处理 | |
self.position = np.clip(self.position, bounds[0], bounds[1]) | |
def evaluate(self, fitness_func): | |
current_value = fitness_func(self.position) | |
if current_value < self.pbest_value: | |
self.pbest_value = current_value | |
self.pbest_position = self.position.copy() | |
class PSO: | |
def __init__(self, num_particles, bounds, fitness_func, max_iter=100): | |
self.num_particles = num_particles | |
self.bounds = bounds | |
self.fitness_func = fitness_func | |
self.max_iter = max_iter | |
self.particles = [Particle(bounds, fitness_func) for _ in range(num_particles)] | |
self.gbest_position = None | |
self.gbest_value = float('inf') | |
def optimize(self): | |
for iteration in range(self.max_iter): | |
for particle in self.particles: | |
particle.evaluate(self.fitness_func) | |
if particle.pbest_value < self.gbest_value: | |
self.gbest_value = particle.pbest_value | |
self.gbest_position = particle.pbest_position.copy() | |
for particle in self.particles: | |
particle.update_velocity(self.gbest_position) | |
particle.update_position(self.bounds) | |
# 输出进度(可选) | |
if iteration % 10 == 0: | |
print(f"Iteration {iteration}: Best Value = {self.gbest_value}") | |
return self.gbest_position, self.gbest_value | |
# 示例使用 | |
def fitness_func(x): | |
return x**2 | |
bounds = [-10, 10] # 定义搜索范围 | |
pso = PSO(num_particles=30, bounds=bounds, fitness_func=fitness_func, max_iter=100) | |
best_position, best_value = pso.optimize() | |
print(f"Best Position: {best_position}, Best Value: {best_value}") |
这段代码首先定义了Particle
类来表示每个粒子,它包含了粒子的位置、速度、个体最佳位置和对应的值。PSO
类用于管理整个粒子群,包括初始化粒子、执行优化循环、更新粒子速度和位置以及处理边界条件。在优化循环中,每个粒子都会更新其速度和位置,并检查是否需要更新其个体最佳位置和全局最佳位置。。