粒子群算法优化实战

粒子群算法（Particle Swarm Optimization，简称PSO）是一种群体智能优化算法，灵感来源于鸟群和鱼群等生物群体的行为。PSO通过模拟群体中个体的协作和信息共享来寻找最优解。下面是一个使用粒子群算法进行优化的实战示例，以解决一个简单的数学优化问题为例。

假设我们要优化一个单变量函数，例如：

�(�)=�2−4�+4f(x)=x2−4x+4

我们的目标是找到使得 �(�)f(x) 取得最小值的 �x。

以下是一个使用Python实现的简单的粒子群算法优化过程：

 

import numpy as np

# 定义目标函数
def objective_function(x):
    return x**2 - 4*x + 4

# 定义粒子群算法
def particle_swarm_optimization(objective_function, num_particles=10, max_iter=100, inertia_weight=0.5, cognitive_weight=1.5, social_weight=1.5):
    # 初始化粒子位置和速度
    particles_position = np.random.uniform(low=-10, high=10, size=num_particles)
    particles_velocity = np.zeros(num_particles)

    # 初始化最佳个体位置和适应值
    best_particle_position = np.copy(particles_position)
    best_particle_fitness = np.array([objective_function(p) for p in particles_position])

    # 初始化全局最佳个体位置和适应值
    global_best_position = np.copy(best_particle_position[np.argmin(best_particle_fitness)])
    global_best_fitness = np.min(best_particle_fitness)

    # 粒子群优化迭代
    for iteration in range(max_iter):
        for i in range(num_particles):
            # 更新粒子速度和位置
            inertia_term = inertia_weight * particles_velocity[i]
            cognitive_term = cognitive_weight * np.random.random() * (best_particle_position[i] - particles_position[i])
            social_term = social_weight * np.random.random() * (global_best_position - particles_position[i])

            particles_velocity[i] = inertia_term + cognitive_term + social_term
            particles_position[i] += particles_velocity[i]

            # 更新个体最佳位置和适应值
            current_fitness = objective_function(particles_position[i])
            if current_fitness < best_particle_fitness[i]:
                best_particle_fitness[i] = current_fitness
                best_particle_position[i] = particles_position[i]

                # 更新全局最佳位置和适应值
                if current_fitness < global_best_fitness:
                    global_best_fitness = current_fitness
                    global_best_position = particles_position[i]

        # 输出每轮迭代的结果
        print(f"Iteration {iteration + 1}: Global Best Fitness = {global_best_fitness}, Global Best Position = {global_best_position}")

    return global_best_position, global_best_fitness

# 调用粒子群算法进行优化
best_position, best_fitness = particle_swarm_optimization(objective_function)

print("\nOptimization Result:")
print(f"Best Position: {best_position}")
print(f"Best Fitness: {best_fitness}")