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。
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。
