import numpy as np
def pso(fitness, D=1, c1=2, c2=2, w=0.8, N=200, M=1000):
# 函數返回待優化函數的最小值和對應的解
# fitness 表示待優化函數
# D 表示數據的維度
# c1,c2 表示學習因子
# w 表示慣性權重
# N 表示粒子數量
# M 表示主循環迭代次數
# 初始化位置和速度
x = np.random.rand(N, D)
v = np.random.rand(N, D)
# 初始化粒子歷史最優值
p = np.zeros(N)
# 初始化各個粒子的歷史最優解
y = [0] * N
# 初始化粒子自身的歷史最優值
for i in range(N):
p[i] = fitness(x[i])
y[i] = x[i]
# 初始化粒子羣最優解
pg = x[-1]
for i in range(N-1):
if fitness(x[i]) < fitness(pg):
pg = x[i]
# 主循環
for t in range(M):
for i in range(N):
# 更新粒子的速度和位置
v[i] = w * v[i] + c1 * np.random.random() * (y[i] - x[i]) + c2 * np.random.random() * (pg - x[i])
x[i] += v[i]
# 更新粒子的歷史最優解
if fitness(x[i]) < p[i]:
p[i] = fitness(x[i])
y[i] = list(x[i])
# 更新粒子羣的最優解
if p[i] < fitness(pg):
pg = y[i]
# 返回待優化函數的最優解和最優值
return pg, fitness(pg)
def func(x):
x1, x2, x3 = x
return x1 ** 2 + x2 ** 2 + x3 ** 2
xm, fv = pso(func, 3)
print(xm, fv)
# [8.900130642125157e-17, 1.810901815514498e-17, 4.631944512800519e-17] 1.039466008019917e-32
優化算法(一)粒子羣算法
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.