優(yōu)化算法-1.粒子群算法實(shí)現(xiàn)(python)

本文基于 優(yōu)化算法筆記(三)粒子群算法(1) - 簡書 (jianshu.com) 進(jìn)行實(shí)現(xiàn)灶轰,建議先看原理谢揪。

輸出結(jié)果如下

PSO.gif

實(shí)現(xiàn)代碼如下

# 粒子群算法
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
from PIL import Image
import shutil
import os
import glob 

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用來正常顯示中文標(biāo)簽
plt.rcParams['axes.unicode_minus'] = False  # 用來正常顯示負(fù)號

def plot_jpg(start, end, point_g, point_best, err, m, n, lower, upper, W, title):
    plt.figure(figsize=(8, 12))
    gs = gridspec.GridSpec(3, 2)
    
    ax1 = plt.subplot(gs[:2, :2])
    ax1.scatter(start[:, 0], start[:, 1], alpha=0.3, color='green', s=20, label='當(dāng)前位置')  # 當(dāng)前位置
    ax1.scatter(point_g[0], point_g[1], alpha=1, color='blue', s=20, label='當(dāng)前最優(yōu)點(diǎn)')  # 全局最優(yōu)點(diǎn)
    ax1.scatter(point_best[0], point_best[1], alpha=0.3, color='red', label='目標(biāo)點(diǎn)')  # 最優(yōu)點(diǎn)

    for i in range(n):
        ax1.text(start[i][0]-5, start[i][1], f'{i}', alpha=0.3, fontsize=10, color='red')
        ax1.plot([start[i][0], end[i][0]], [start[i][1], end[i][1]], alpha=0.3, color='gray')
    
    ax1.grid(True, color='gray', linestyle='-.', linewidth=0.5)
    ax1.set_xlim(lower[0]*1.2, upper[0]*1.2)
    ax1.set_ylim(lower[1]*1.2, upper[1]*1.2)
    ax1.set_xlabel(f'iter:{m}  W: {W:.8f}  dist: {err[-1]:.8f}'  )
    ax1.set_title(title)
    ax1.legend(loc='lower right', bbox_to_anchor=(1, 0), ncol=1)
    
    ax2 = plt.subplot(gs[2, :])
    ax2.plot(range(len(err)), err, marker='o', markersize=5)
    ax2.grid(True, color='gray', linestyle='-.', linewidth=0.5)
    ax2.set_xlim(0, max_iter)
    ax2.set_ylim(0, np.ceil(max(err)))
    ax2.set_xticks(range(0, max_iter, 5))
    
    plt.savefig(rf'./tmp/tmp_{m:04}.png')
    plt.close()


# 目標(biāo)函數(shù)
def target(point):
    return (point[0]-a)**2 + (point[1]-b)**2

# 速度限制
def limit_speed(speed, maxV):
    rate = ((speed[:, 0]**2 + speed[:, 1]**2)**0.5)/maxV
    rate = np.where(rate > 1, rate, 1)
    for t in range(d):
        speed[:, t] = speed[:, t]/rate
    return speed

def PSO(C1, C2, W, maxV):
    # 初始化粒子位置
    start = np.random.random(size=(n, d))
    for _ in range(d):
        start[:, _] = start[:, _]*(upper_lim[_]-lower_lim[_])+lower_lim[_]
    # 初始化粒子速度
    speed = np.random.random(size=(n, d))
    for _ in range(d):
        speed[:, _] = speed[:, _]*(upper_lim[_]-lower_lim[_])+lower_lim[_]
    # 速度限制
    speed = limit_speed(speed, maxV)  

    if os.path.exists(tmp_path):
        shutil.rmtree(tmp_path) 
    os.makedirs(tmp_path, exist_ok=True)

    errors = [target(min(start.tolist(), key=target))**0.5]
    for _ in range(max_iter):
        # 下次目標(biāo)位置
        r1, r2 = np.random.random(2)
        # 全局最優(yōu)點(diǎn)
        point_g = min(start.tolist(), key=target)
        # 各粒子歷史最優(yōu)點(diǎn)
        if _ == 0:
            point_p = start.copy()
        else:
            point_p = np.array([min([point_p[i], end[i]], key=target) for i in range(n)])
        # 更新速度
        speed = W*speed + r1*C1*(point_p - start) + r2*C2*(point_g - start)
        speed = limit_speed(speed, maxV)  # 速度限制 
        # 更新位置
        end = start + speed
        
        title = f'PSO\nC1:{C1} C2:{C2} n:{n} maxV:{maxV} max_iter:{max_iter}'
        plot_jpg(start, end, point_g, point_best, errors,  _, n, lower_lim, upper_lim, W, title)
        # 更新開始位置
        start = end
        errors.append(target(min(start.tolist(), key=target))**0.5)
        # 慣性衰減
        # W *= 0.8
        W -= step
    plot_jpg(start, end, point_g, point_best, errors,  max_iter, n, lower_lim, upper_lim, W, title)
    return errors


C1 = 2  # C1:自我學(xué)習(xí)因子
C2 = 2  # C2:全局學(xué)習(xí)因子
W = 0.5  # W:慣性系數(shù)
maxV = 20  # 最大速率

n = 10  # 粒子數(shù)量
d = 2  # 粒子維度
max_iter = 50  # 迭代次數(shù)

step = W/(max_iter)  # 慣性系數(shù)衰減

# 搜索區(qū)間 
lower_lim = [-100, -100]
upper_lim = [100, 100]

# 目標(biāo)點(diǎn)
a, b = 0, 0
point_best = (a, b)

# 臨時(shí)文件路徑
tmp_path = r'./tmp/'

err = PSO(C1, C2, W, maxV)

# png 轉(zhuǎn) gif
images = [Image.open(png) for png in glob.glob(os.path.join(tmp_path, '*.png'))]
im = images.pop(0)
im.save(r"./PSO.gif", save_all=True, append_images=images, duration=500)

im = Image.open(r"./PSO.gif")
im.show()
im.close()
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末赴蝇,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖赫模,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異蒸矛,居然都是意外死亡瀑罗,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進(jìn)店門莉钙,熙熙樓的掌柜王于貴愁眉苦臉地迎上來廓脆,“玉大人,你說我怎么就攤上這事磁玉。” “怎么了驾讲?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵蚊伞,是天一觀的道長。 經(jīng)常有香客問我吮铭,道長时迫,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任谓晌,我火速辦了婚禮掠拳,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘纸肉。我一直安慰自己溺欧,他們只是感情好喊熟,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著姐刁,像睡著了一般芥牌。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上聂使,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天壁拉,我揣著相機(jī)與錄音,去河邊找鬼柏靶。 笑死弃理,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的屎蜓。 我是一名探鬼主播案铺,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼梆靖!你這毒婦竟也來了控汉?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤返吻,失蹤者是張志新(化名)和其女友劉穎姑子,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體测僵,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡街佑,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,511評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了捍靠。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片沐旨。...
    茶點(diǎn)故事閱讀 38,646評論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖榨婆,靈堂內(nèi)的尸體忽然破棺而出磁携,到底是詐尸還是另有隱情,我是刑警寧澤良风,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布谊迄,位于F島的核電站,受9級特大地震影響烟央,放射性物質(zhì)發(fā)生泄漏统诺。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一疑俭、第九天 我趴在偏房一處隱蔽的房頂上張望暑刃。 院中可真熱鬧贷笛,春花似錦坪圾、人聲如沸曾掂。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春舟误,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背姻乓。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工嵌溢, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人蹋岩。 一個(gè)月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓赖草,卻偏偏與公主長得像,于是被迫代替她去往敵國和親剪个。 傳聞我的和親對象是個(gè)殘疾皇子秧骑,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內(nèi)容