粒子群算法python实现: 带活化因子

求解一个较复杂的函数
实现

求解一个较复杂的函数

 def function(x):#2004年考研题(我这里只求极小值):x^2-6xy+10^2-2yz-z^2+18=0,求z=z(x,y)的极值点和极值#此题答案极小值3，极小值点(9,3)#因为看答案知道z+y>0，所以只试z+y>0的情况z=(18+x[0]**2-6*x[0]*x[1]+11*x[1]**2)**0.5-x[1]#化成x1，x2即y表示z的形式return z

实现

class Particle:def __init__(self, dim, max_opsition=100, max_velocity=0.05):self.position = [random.uniform(-max_opsition, max_opsition) for i in range(dim)] #粒子初始位置self.velocity = [random.uniform(-max_velocity, max_velocity) for i in range(dim)]  # 粒子初始速度self.particle_best = [0.0 for i in range(dim)]  # 初始粒子最优解def set_position(self, i, value):self.position[i] = valuedef get_position(self):return self.positiondef set_particle_best(self, value):self.particle_best = valuedef get_particle_best(self):return self.particle_bestdef set_velocity(self, i, value):self.velocity[i] = valuedef get_velocity(self):return self.velocityimport randomparticle_num = 100 #粒子数目
dim = 2
particles = [Particle(dim=2) for i in range(particle_num)] # 初始粒子
global_best = [0.0 for i in range(dim)] # 全局最优解def update(particles,global_best,iter_num,a,W,n1,n2,max_velocity,function): """状态更新"""for j in range(iter_num):for i in range(len(particles)):# 计算每个粒子的最适应度，就是代个解看它的y是多少，如果y小于当前的最优解的值，就更新最优解为这个解if function(particles[i].get_position()) < function(particles[i].get_particle_best()):particles[i].set_particle_best(particles[i].get_position())# 更新全局最优解同理if function(particles[i].get_position()) < function(global_best):global_best = particles[i].get_position()for k in range(dim):# 更新惯性权重w = W[1]-(j+1)*(W[1]-W[0])/iter_num# 套速度更新的公式particles[i].set_velocity(k, w * particles[i].get_velocity()[k] + \n1 * random.random() * (a*particles[i].get_particle_best()[k] - particles[i].get_position()[k]) \+ n2 * random.random() * (global_best[k] - particles[i].get_position()[k]))# 限制速度，别让它飞了if particles[i].get_velocity()[k] > max_velocity:particles[i].get_velocity()[k] = max_velocityelif particles[i].get_velocity()[k] < -max_velocity:particles[i].get_velocity()[k] = -max_velocity# 套位置更新的公式particles[i].set_position(k,particles[i].get_position()[k] +  particles[i].get_velocity()[k])return global_besta = 1. #活化因子
W = [0,1] #惯性权重
n1 = 1. #认知学习因子
n2 = 2. #社会学习因子
max_velocity = 0.05 #速度限制
iter_num = 2000 #迭代次数result=update(particles,global_best,iter_num,a,W,n1,n2,max_velocity,function)
print(result) #极值点，答案约为(9,3)
print(function(result)) #极小值，答案约为3

粒子群算法python实现: 带活化因子相关推荐

粒子群算法python（含例程代码与详解)
目录 1.算法简介 2.算法流程 3.算法示例 4.算法实现 5.算法应用 1.算法简介粒子群算法的思想源于对鸟类捕食行为的研究,模拟鸟集群飞行觅食的行为,鸟之间通过集体的协作使群体达到最优目的. ...
粒子群算法（PSO）的python实现
文章目录前言一.粒子群算法的原理二.python代码实现总结前言 CSDN上找了一圈粒子群算法的python代码,全是以类来写的,由于对类不感冒(其实是不咋会用),于是参照matlab版本的 ...
【超参数寻优】量子粒子群算法（QPSO）超参数寻优的python实现
[超参数寻优]量子粒子群算法(QPSO) 超参数寻优的python实现一.粒子群算法的缺点二.量子粒子群算法三.QPSO算法的python实现参考资料一.粒子群算法的 ...
Python编程实现粒子群算法(PSO)详解
1 原理粒子群算法是群智能一种,是基于对鸟群觅食行为的研究和模拟而来的.假设在鸟群觅食范围,只在一个地方有食物,所有鸟儿看不到食物(不知道食物的具体位置),但是能闻到食物的味道(能知道食物距离自己位 ...
粒子群算法求解带约束优化问题源码实现
算法原理之前求解的无约束的问题. 粒子群算法求解无约束优化问题源码实现算法原理如下今天讲解下求解约束优化的问题.该问题常用的方法是罚函数法.即如果一个解x不满足约束条件,就对适应度值设置一个惩 ...
优化算法笔记|粒子群算法理解及Python实现
粒子群算法的理解及Python实现 1.粒子群算法概述 2 基本PSO算法流程图 3 粒子群算法的Python实现 1.粒子群算法概述粒子群算法来源于对鸟群捕食模型的修正. 假设在一个n维空间中, ...
【超参数寻优】粒子群算法（PSO）超参数寻优的python实现
[超参数寻优]粒子群算法(PSO) 超参数寻优的python实现一.算法原理 1.粒子群算法的名词解释 2.粒子更新二.PSO算法参数寻优的python实现参考资料粒子群优化算法(Partic ...
【路径规划】基于粒子群算法求解带时间窗的车辆路径规划问题VRPTW模型matlab源码
1 模型简介将粒子群算法(PSO)应用于带时间窗车辆路径优化问题(VRPTW),构造车辆路径问题的粒子表达方法,建立了此问题的粒子群算法,并与遗传算法作了比较.实验结果表明,粒子群算法可以快速,有效 ...
【TWVRP】基于matlab粒子群算法求解带时间窗的车辆路径规划问题（总成本最低）【含Matlab源码 2590期】
⛄一.VRP简介 1 VRP基本原理车辆路径规划问题(Vehicle Routing Problem,VRP)是运筹学里重要的研究问题之一.VRP关注有一个供货商与K个销售点的路径规划的情况,可以简 ...

粒子群算法python实现: 带活化因子

粒子群算法python实现: 带活化因子

求解一个较复杂的函数

实现

粒子群算法python实现: 带活化因子相关推荐

最新文章

热门文章