蚁群算法求解函数极值python实现

1. 代码的主要作用

这段代码的主要作用是使用**粒子群优化算法（PSO）**来寻找一个三维目标函数的最小值。代码通过定义目标函数，使用PSO类对其进行优化，并最终输出最优解和最优值。

数学公式

在粒子群优化（PSO）算法中，粒子的速度和位置更新公式为：

1. 速度更新公式，对于粒子i：
   $$v_i^{(t+1)}=w\cdot v_i^{(t)}+c_1\cdot r_1\cdot (p_i-x_i^{(t)})+c_2\cdot r_2\cdot (g-x_i^{(t)})$$
   其中，$v_i^{(t+1)}$ 是粒子 $i$ 在下一代的速度，$w$ 是惯性权重，$c_1$ 和 $c_2$ 是学习因子，$r_1$ 和 $r_2$ 是随机数，$p_i$ 是粒子 $i$ 的个体最优位置，$g$ 是全局最优位置，$x_i^{(t)}$ 是粒子 $i$ 的当前代位置。

2. 位置更新公式：
   $$x_i^{(t+1)}=x_i^{(t)}+v_i^{(t+1)}$$
   其中，$x_i^{(t+1)}$ 是粒子 $i$ 在下一代的位置。

2. 按模块解释

代码分为以下几个模块：

1. 目标函数定义模块：定义目标函数demo_func。
2. PSO算法参数初始化和运行模块：初始化PSO算法的参数并运行优化。
3. 结果输出和可视化模块：输出最优结果并绘制适应度值的变化曲线。

3. 每行代码解释

模块1：目标函数定义模块

def demo_func(x):
    x1, x2, x3 = x
    return x1 ** 2 + (x2 - 0.05) ** 2 + x3 ** 2

• def demo_func(x):：定义目标函数demo_func，它接收一个三维向量x作为输入。
• x1, x2, x3 = x：将输入向量x解包为三个独立的变量x1、x2和x3。
• return x1 ** 2 + (x2 - 0.05) ** 2 + x3 ** 2：计算目标函数值，该函数形式为$f(x_1,x_2,x_3)=x_1^2+(x_2-0.05{)}^2+x_3^2$，这是一个简单的二次函数，用于模拟一个优化问题。

模块2：PSO算法参数初始化和运行模块

pso = PSO(func=demo_func, dim=3, pop=40, max_iter=150, lb=[0, -1, 0.5], ub=[1, 1, 1], w=0.8, c1=0.5, c2=0.5)

• PSO：调用sko.PSO库中的PSO类进行粒子群优化算法的初始化。
• func=demo_func：将定义的目标函数demo_func传递给PSO算法。
• dim=3：设置问题的维度为3，即优化问题在三维空间中进行。
• pop=40：设置种群数量为40，表示同时有40个粒子参与搜索最优解。
• max_iter=150：设置最大迭代次数为150，即算法最多迭代150次。
• lb=[0, -1, 0.5]和ub=[1, 1, 1]：设置粒子在每个维度的上下边界。lb表示下边界，ub表示上边界。具体来说，$x_1\in [0,1]$, $x_2\in [-1,1]$, $x_3\in [0.5,1]$。
• w=0.8：设置惯性权重为0.8，用于控制粒子速度的惯性。
• c1=0.5 和 c2=0.5：分别设置个体学习因子和群体学习因子为0.5，控制粒子向个体历史最优位置和全局最优位置移动的趋势。

pso.run()

• pso.run()：运行PSO算法，开始迭代搜索目标函数的最优解。

模块3：结果输出和可视化模块

print('best_x is ', pso.gbest_x, 'best_y is', pso.gbest_y)

• print('best_x is ', pso.gbest_x, 'best_y is', pso.gbest_y)：输出PSO算法找到的最优解位置pso.gbest_x和对应的最优目标函数值pso.gbest_y。

plt.plot(pso.gbest_y_hist)

• plt.plot(pso.gbest_y_hist)：绘制目标函数值随迭代次数的变化曲线，pso.gbest_y_hist记录了每次迭代的全局最优值。

plt.show()

• plt.show()：显示绘制的适应度值变化曲线。

结果解释

最终，代码输出了最优解best_x和最优值best_y，并绘制了优化过程中目标函数值的变化曲线。

best_x is  [0.   0.05 0.5 ] best_y is [0.25]

参考

@若冰（马世拓）
– 侵删 –