前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >粒子群优化算法-Python版本和Matlab函数调用

粒子群优化算法-Python版本和Matlab函数调用

作者头像
用户9925864
发布2022-07-27 08:28:21
8530
发布2022-07-27 08:28:21
举报
文章被收录于专栏:算法工程师的学习日志

前两天分享了粒子群优化算法的原理和Matlab原理实现,本文分享一下Python代码下的PSO实现以及Matlab下的粒子群函数。

前文参看:粒子群优化算法(PSO)


以Ras函数(Rastrigin's Function)为目标函数,求其在x1,x2∈[-5,5]上的最小值。这个函数对模拟退火、进化计算等算法具有很强的欺骗性,因为它有非常多的局部最小值点和局部最大值点,很容易使算法陷入局部最优,而不能得到全局最优解。如下图所示,该函数只在(0,0)处存在全局最小值0。

Python代码实现

代码语言:javascript
复制
import numpy as np
import matplotlib.pyplot as plt


# 目标函数定义
def ras(x):
    y = 20 + x[0] ** 2 + x[1] ** 2 - 10 * (np.cos(2 * np.pi * x[0]) + np.cos(2 * np.pi * x[1]))
    return y


# 参数初始化
w = 1.0
c1 = 1.49445
c2 = 1.49445

maxgen = 200  # 进化次数
sizepop = 20  # 种群规模

# 粒子速度和位置的范围
Vmax = 1
Vmin = -1
popmax = 5
popmin = -5

# 产生初始粒子和速度
pop = 5 * np.random.uniform(-1, 1, (2, sizepop))
v = np.random.uniform(-1, 1, (2, sizepop))

fitness = ras(pop)  # 计算适应度
i = np.argmin(fitness)  # 找最好的个体
gbest = pop  # 记录个体最优位置
zbest = pop[:, i]  # 记录群体最优位置
fitnessgbest = fitness  # 个体最佳适应度值
fitnesszbest = fitness[i]  # 全局最佳适应度值

# 迭代寻优
t = 0
record = np.zeros(maxgen)
while t < maxgen:

    # 速度更新
    v = w * v + c1 * np.random.random() * (gbest - pop) + c2 * np.random.random() * (zbest.reshape(2, 1) - pop)
    v[v > Vmax] = Vmax  # 限制速度
    v[v < Vmin] = Vmin

    # 位置更新
    pop = pop + 0.5 * v
    pop[pop > popmax] = popmax  # 限制位置
    pop[pop < popmin] = popmin

    '''
    # 自适应变异
    p = np.random.random()             # 随机生成一个0~1内的数
    if p > 0.8:                          # 如果这个数落在变异概率区间内,则进行变异处理
        k = np.random.randint(0,2)     # 在[0,2)之间随机选一个整数
        pop[:,k] = np.random.random()  # 在选定的位置进行变异 
    '''

    # 计算适应度值
    fitness = ras(pop)

    # 个体最优位置更新
    index = fitness < fitnessgbest
    fitnessgbest[index] = fitness[index]
    gbest[:, index] = pop[:, index]

    # 群体最优更新
    j = np.argmin(fitness)
    if fitness[j] < fitnesszbest:
        zbest = pop[:, j]
        fitnesszbest = fitness[j]

    record[t] = fitnesszbest  # 记录群体最优位置的变化

    t = t + 1

# 结果分析
print(zbest)

plt.plot(record, 'b-')
plt.xlabel('generation')
plt.ylabel('fitness')
plt.title('fitness curve')
plt.show()

结果为

[0.99699579 0.00148844]

可以知道求解的点非最小值,算法陷入了局部最小值。

删除自适应变异部分的注释,运行后结果如下,可以看出收敛到全局最优解。

[0.00022989 0.00014612]

Matlab有个自带的粒子群优化函数particleswarm也可以使用。本例的代码如下:

代码语言:javascript
复制
y = @(x) 20 + x(1).^2 + x(2).^2 - 10*(cos(2*pi*x(1))+cos(2*pi*x(2)));
rng default
options = optimoptions('particleswarm','SwarmSize',200,'HybridFcn',@fmincon,'MaxIterations',200, 'Display','iter');
lb = [-5 -5];     % 这是变量的下限
ub = [5 5];       % 这是变量的上限
[x,fval,exitflag,output] = particleswarm(y,length(lb),lb,ub,options);

结果如下

particleswarm详细资料参考:

https://www.mathworks.com/help/gads/particleswarm.html Matlab文档

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-01-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 算法工程师的学习日志 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档