粒子群优化算法-Python版本和Matlab函数调用

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了粒子群优化算法-Python版本和Matlab函数调用相关的知识,希望对你有一定的参考价值。

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(Rastrigins 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。

粒子群优化算法-Python版本和Matlab函数调用_最小值


粒子群优化算法-Python版本和Matlab函数调用_粒子群_02

Python代码实现


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]

粒子群优化算法-Python版本和Matlab函数调用_python_03

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]


粒子群优化算法-Python版本和Matlab函数调用_最小值_04


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:


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

粒子群优化算法-Python版本和Matlab函数调用_python_05

particleswarm详细资料参考:


​https://www.mathworks.com/help/gads/particleswarm.html​


Matlab文档



以上是关于粒子群优化算法-Python版本和Matlab函数调用的主要内容,如果未能解决你的问题,请参考以下文章

MATLAB教程案例11基于PSO粒子群优化算法的函数极值计算matlab仿真及其他应用

求直接调用的matlab粒子群算法和模拟退火法的函数

matlab-粒子群源码优化模糊隶属度函数值

优化求解粒子群优化灰狼算法matlab源码

[matlab] 3.粒子群优化算法

三维装箱基于matlab粒子群算法求解三维装箱优化问题含Matlab源码 950期