另一个极值粒子本身所找到的最优解pbest

最新推荐文章于 2022-04-12 19:13:18 发布

zxc131405

最新推荐文章于 2022-04-12 19:13:18 发布

阅读量3k

点赞数

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}=wv_i+c_1rand_1*(pbest_i-x_i)+c_2rand_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

#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

作者：Auraros
来源：CSDN
原文：https://blog.csdn.net/qq_43634001/article/details/91398204
版权声明：本文为博主原创文章，转载请附上博文链接！

zxc131405

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
另一个极值粒子本身所找到的最优解pbest

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...
复制链接

扫一扫