python二元函数如何编写_利用python实现PSO算法优化二元函数
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!
python二元函数如何编写_利用python实现PSO算法优化二元函数相关推荐
- python pso_利用python实现PSO算法优化二元函数
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 ...
- MAT之PSO:利用PSO算法优化二元函数,寻找最优个体适应度
MAT之PSO:利用PSO算法优化二元函数,寻找最优个体适应度 目录 实现结果 设计代码 实现结果 设计代码 figure [x,y] = meshgrid(-5:0.1:5,-5:0.1:5); z ...
- 利用python从网页查找数据_利用Python模拟淘宝的搜索过程并对数据进行可视化分析...
数据挖掘入门与实战 公众号: datadw 本文讲述如何利用Python模拟淘宝的搜索过程并对搜索结果进行初步的数据可视化分析. 搜索过程的模拟:淘宝的搜索页面有两种形式, 一种形式是, 2019/2 ...
- python 翻译库本地库_利用python爬取并翻译GEO数据库
原标题:利用python爬取并翻译GEO数据库 GEO数据库是NCBI创建并维护的基因表达数据库,始于2000年,收录了世界各国研究机构提交的高通量基因表达数据,现芯片集数据量高达12万以上.想要从这 ...
- python单词软件哪个好_利用Python分析背单词软件的惊人真相
摘要:利用python分析背单词软件,揭秘你不知道的惊人真相 0×00 前言 你想知道背单词软件有大概多少人注册第一天都没有背完嘛 你想知道背单词软件这么火,这么多人在使用,真的有多少人真的在背诵嘛 ...
- python制作心形照片墙_利用python生成照片墙的示例代码
PIL(Python Image Library)是python的第三方图像处理库,但是由于其强大的功能与众多的使用人数,几乎已经被认为是python官方图像处理库了.其官方主页为:PIL. PIL历 ...
- python怎么做面板数据分析_利用python进行数据分析之准备(一)
原标题:利用python进行数据分析之准备(一) 欢迎关注天善智能微信公众号,我们是专注于商业智能BI,大数据,数据分析领域的垂直社区. 对商业智能BI.大数据分析挖掘.机器学习,python,R等数 ...
- python输入数组并计算_利用Python进行数据分析——Numpy基础:数组和矢量计算
利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组 对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...
- python中什么是数据驱动_利用Python如何实现数据驱动的接口自动化测试
前言 大家在接口测试的过程中,很多时候会用到对CSV的读取操作,本文主要说明Python3对CSV的写入和读取.下面话不多说了,来一起看看详细的介绍吧. 1.需求 某API,GET方法,token,m ...
最新文章
- 2021年大数据基础(五):​​​​​​​​​​​​​​​​​​​​​分布式技术
- 用grep命令查找文件中带特定扩展名的字符串
- Postgres 9.5的特性及未来发展方向
- “寒假”建站创业 选购虚拟主机是关键
- 使用 Python 进行稳定可靠的文件操作
- c语言编译器_学C语言写自己的K语言:编译器词法分析。
- python就是玩具_极客老爹的玩具DIY之路:Python + Kids + Building Stuff == Fun
- c语言iso校验算法,模式识别c语言ISODATA算法.doc
- git pull时冲突的几种解决方式
- 如何删除Win All的流氓程序文件
- [原创]java WEB学习笔记36:Java Bean 概述,及在JSP 中的使用,原理
- orb特征 稠密特征_一种基于ORB-SLAM2的双目三维稠密建图方法技术
- 微博回应用户被“劫持”;途牛否认破产清算;微软宣布开源 MsQuic | 极客头条...
- 136.Single Number
- OPNET14.5+WIN10+VS2010安装教程(附安装包)
- 量子退火算法入门(6):初识量子退火算法的发明过程
- HTML小游戏7 —— 《罗斯魔影》魔法消除游戏(附完整源码)
- netbean背景色
- 功率谱学习及matlab代码
- Lib9的bada版本移植完毕