如何利用python实现PSO算法优化二元函数-创新互联
这篇文章将为大家详细讲解有关如何利用python实现PSO算法优化二元函数,小编觉得挺实用的,因此分享给大家做个参考,希望大家阅读完这篇文章后可以有所收获。
专业成都网站建设公司,做排名好的好网站,排在同行前面,为您带来客户和效益!成都创新互联为您提供成都网站建设,五站合一网站设计制作,服务好的网站设计公司,网站建设、网站设计负责任的成都网站制作公司!python实现PSO算法优化二元函数,具体代码如下所示:
import numpy as np import random import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D #----------------------PSO参数设置--------------------------------- class PSO(): def __init__(self,pN,dim,max_iter): #初始化类 设置粒子数量 位置信息维度 大迭代次数 #self.w = 0.8 self.ws = 0.9 self.we = 0.4 self.c1 = 1.49445 self.c2 = 1.49445 self.r1= 0.6 self.r2= 0.3 self.pN = pN #粒子数量 self.dim = dim #搜索维度 self.max_iter = max_iter #迭代次数 self.X = np.zeros((self.pN,self.dim)) #所有粒子的位置(还要确定取值范围) self.Xmax = 5 self.Xmin = -5 self.V = np.zeros((self.pN,self.dim)) #所有粒子的速度(还要确定取值范围) self.Vmax = 1 self.Vmin = -1 self.pbest = np.zeros((self.pN,self.dim)) #个体经历的最佳位置 self.gbest = np.zeros((1,self.dim)) #全局最佳位置 self.p_fit = np.zeros(self.pN) #每个个体的历史最佳适应值 self.fit = 0 #全局最佳适应值 #---------------------目标函数Sphere函数----------------------------- def function(self,x): y = np.sin(10*np.pi*x)/x return y def Holder_table(self,x,y): z = -np.abs(np.sin(x) * np.cos(y) * np.exp(np.abs(1 - np.sqrt(x**2 + y**2)/np.pi))) return z def fuck(self,x,y): z = x**2 + y**2 - 10*np.cos(2*np.pi*x) - 10*np.cos(2*np.pi*y) + 20 return z #---------------------初始化种群---------------------------------- def init_Population(self): for i in range(self.pN): #遍历所有粒子 for j in range(self.dim): #每一个粒子的纬度 self.X[i][j] = random.uniform(-5,5) #给每一个粒子的位置赋一个初始随机值(在一定范围内) self.V[i][j] = random.uniform(-1,1) #给每一个粒子的速度给一个初始随机值(在一定范围内) self.pbest[i] = self.X[i] #把当前粒子位置作为这个粒子的最优位置 tmp = self.fuck(self.X[i][0],self.X[i][1]) #计算这个粒子的适应度值 self.p_fit[i] = tmp #当前粒子的适应度值作为个体最优值 if(tmp > self.fit): #与当前全局最优值做比较并选取更佳的全局最优值 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): w = self.ws - (self.ws - self.we) * (t / self.max_iter) for i in range(self.pN): #更新速度 self.V[i] = w*self.V[i] + self.c1*self.r1*(self.pbest[i] - self.X[i]) + self.c2*self.r2*(self.gbest - self.X[i]) if self.V[i][0] > self.Vmax: self.V[i][0] = self.Vmax elif self.V[i][0] < self.Vmin: self.V[i][0] = self.Vmin if self.V[i][1] > self.Vmax: self.V[i][1] = self.Vmax elif self.V[i][1] < self.Vmin: self.V[i][1] = self.Vmin #更新位置 self.X[i] = self.X[i] + self.V[i] if self.X[i][0] > self.Xmax: self.X[i][0] = self.Xmax elif self.X[i][0] < self.Xmin: self.X[i][0] = self.Xmin if self.X[i][1] > self.Xmax: self.X[i][1] = self.Xmax elif self.X[i][1] < self.Xmin: self.X[i][1] = self.Xmin for i in range(self.pN): #更新gbest\pbest temp = self.fuck(self.X[i][0],self.X[i][1]) if(temp > self.p_fit[i]): #更新个体最优 self.pbest[i] = self.X[i] self.p_fit[i] = temp if(temp > self.fit): #更新全局最优 self.gbest = self.X[i] self.fit = temp fitness.append(self.fit) print('最优值为:',self.fit)#输出最优值 z1 = self.fit print('最优位置为:',self.X[i][0],self.X[i][1]) x1 = self.X[i][0] y1 = self.X[i][1] return fitness, z1, x1,y1 #----------------------程序执行----------------------- my_pso = PSO(pN=100,dim=2,max_iter=200) my_pso.init_Population() fitness,z1,x1,y1 = my_pso.iterator() plt.figure(1) plt.title("Figure1") plt.xlabel("iterators", size=14) plt.ylabel("fitness", size=14) t = np.array([t for t in range(0,200)]) fitness = np.array(fitness) plt.plot(t,fitness, color='b',linewidth=3) plt.show() fig = plt.figure(figsize=(15,10)) ax = Axes3D(fig) X = np.arange(-5,5,0.1) Y = np.arange(-5,5,0.1) X,Y = np.meshgrid(X,Y) def f(x,y): return (x**2 + y**2 - 10*np.cos(2*np.pi*x) - 10*np.cos(2*np.pi*y) + 20) ax.plot_surface(X,Y,f(X,Y),rstride=1,cstride=1,cmap= plt.get_cmap('rainbow')) ax.scatter(x1, y1, z1,s=400,c='k',marker = '*') plt.show()
效果图如下
关于“如何利用python实现PSO算法优化二元函数”这篇文章就分享到这里了,希望以上内容可以对大家有一定的帮助,使各位可以学到更多知识,如果觉得文章不错,请把它分享出去让更多的人看到。
网页标题:如何利用python实现PSO算法优化二元函数-创新互联
网页路径:http://myzitong.com/article/djccoo.html