学习python实现粒子群算法的问题

最新推荐文章于 2023-03-06 16:57:56 发布

原创

最新推荐文章于 2023-03-06 16:57:56 发布 · 327 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #粒子群算法

本文通过一个二维寻优实例探讨了粒子群优化算法的实现细节。重点对比了使用个体历史最优位置(p_best)与当前位置(X[i])更新全局最优解的效果差异，并分析了可能的原因。

学习python实现粒子群算法遇到的的问题

参考：https://blog.youkuaiyun.com/qq_43634001/article/details/91398204.
初学粒子群算法，按照参考文章学习，原文是一维函数寻优，自己练习写了二维的例子（代码23行左右位置），出现了一个问题。

在更新粒子位置部分中的更新全局最优，我觉得p_best（个体经历的最佳位置）和X[ i ]（个体经历位置）应该是相同的（代码47行），但实际运行后若使用X[ i ]更新全局最优，会出现无法输出最优解情况，从图像看上随着迭代次数增加，群体反而不容易找到最优解位置。而使用p_best就没有这种情况。

使用p_best结果输出效果还可以：
在这里插入图片描述
但用X[ i ]找最优解效果很差：
数据很散
最终结果很离谱

原因猜测有可能是过优化？可能是数据类型的问题？目前没有再验证原因是什么。

import numpy as np
import random
import matplotlib.pyplot as plt
# ----------------------PSO参数设置---------------------------------
class PSO():
    def __init__(self, pN, dim, max_iter):
        self.w = 1
        self.c1 = 2
        self.c2 = 2
        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))+2  # 所有粒子的位置和速度
        self.V = np.zeros((self.pN, self.dim