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 最大迭代次数

#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

总结

以上所述是小编给大家介绍的利用python实现PSO算法优化二元函数，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对脚本之家网站的支持！

如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！