用python语言改写《Matlab智能算法30个案例分析》第13个案例——粒子群算法的寻优算法

记录自己的python和智能算法学习之路。

class PSO:
    '''简易粒子群算法'''

    def __init__(self,c1,c2,maxgen,sizepop,popmax,popmin,Vmax,Vmin):
        '''
        遗传算法相关参数设定
        c1,c2：速度更新参数
        maxgen：迭代次数
        sizepop：种群规模
        popmax,popmin：个体大小
        Vmax,Vmin：个体速度约束
        '''
        self.c1=c1
        self.c2=c2
        self.maxgen=maxgen
        self.sizepop=sizepop
        self.popmax=popmax
        self.popmin=popmin
        self.Vmax=Vmax
        self.Vmin=Vmin
        self.result=[None]*maxgen
        self.pop=[None]*self.sizepop
        self.V=[None]*self.sizepop
        self.fitness=[None]*self.sizepop
        
    def init_pop(self):
        '''种群初始化'''
        from random import uniform
        import math

        # 随机产生一个种群
        for i in range(0,self.sizepop):

            # 初始化粒子
            self.pop[i]=[2*uniform(-1,1),2*uniform(-1,1)]
            
            # 初始化速度
            self.V[i]=[0.5*uniform(-1,1),0.5*uniform(-1,1)]
            
            # 计算粒子适应度
            self.fitness[i]=self.fun(self.pop[i])
         
    def fun(self,partical):
        '''计算种群适应度'''
        from math import sin,cos,sqrt,exp,pi
        x1=partical[0]
        x2=partical[1]
        y=sin(sqrt(x1**2+x2**2))/sqrt(x1**2+x2**2)+exp(1/2*(cos(2*pi*x1)+cos(2*pi*x2)))-2.71289
        return y

    def init_extremum(self):
        '''寻找初始极值'''
        bestfitness=max(self.fitness)
        bestindex=self.fitness.index(bestfitness)
        # 群体极值的位置
        self.zbest=self.pop[bestindex][:]
        # 个体极值的位置,用切片操作来复制一个列表
        self.gbest=self.pop[:]
        # 个体极值适应度值
        self.fitnessgbest=self.fitness[:]
        # 群体极值适应度值
        self.fitnesszbest=bestfitness

    def iteration_optimizition(self):
        '''迭代寻优'''
        import random
        for i in range(0,self.maxgen):
            # 粒子位置和速度更新
            for j in range(0,self.sizepop):

                
                r1=random.random()
                r2=random.random()
                for k in range(0,len(self.V[j])):
                    # 速度更新
                    self.V[j][k]=self.V[j][k]+self.c1*r1*(self.gbest[j][k]-self.pop[j][k])+self.c2*r2*(self.zbest[k]-self.pop[j][k])
                    if self.V[j][k]>self.Vmax:
                        self.V[j][k]=self.Vmax
                    elif self.V[j][k]<self.Vmin:
                        self.V[j][k]=self.Vmin

                    # 粒子位置更新
                    self.pop[j][k]=self.pop[j][k]+0.5*self.V[j][k]                 
                    if self.pop[j][k]>self.popmax:
                        self.pop[j][k]=self.popmax
                    elif self.pop[j][k]<self.popmin:
                        self.pop[j][k]=self.popmin

                # 新粒子适应度
                self.fitness[j]=self.fun(self.pop[j])

            # 个体极值和群体极值更新
            for j in range(0,self.sizepop):

                # 个体极值更新
                if self.fitness[j]>self.fitnessgbest[j]:
                    self.gbest[j]=self.pop[j]
                    self.fitnessgbest[j]=self.fitness[j]

                # 群体极值更新
                if self.fitness[j]>self.fitnesszbest:
                    self.zbest=self.pop[j][:]
                    self.fitnesszbest=self.fitness[j]

            # 每代最优值记录到result数组中
            self.result[i]=self.fitnesszbest


import matplotlib.pyplot as plt                
myPSO=PSO(1.49445,1.49445,300,20,2,-2,0.5,-0.5)
myPSO.init_pop()
myPSO.init_extremum()
myPSO.iteration_optimizition()
print("极值",myPSO.result[299],"极值点",myPSO.zbest)
plt.plot(myPSO.result)
plt.show()

算法并不能总是寻找到极值点附近，偶尔会陷入局部最优。

好好学习，天天向上