参考链接：https://blog.csdn.net/zuochao_2013/article/details/53431767?ref=myread
❃粒子群算法(particleswarm optimization，PSO)由Kennedy和Eberhart在1995年提出，该算法对于Hepper的模拟鸟群(鱼群)的模型进行修正，以使粒子能够飞向解空间，并在最好解处降落，从而得到了粒子群优化算法。
❃同遗传算法类似，也是一种基于群体叠代的，但并没有遗传算法用的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索。
❃PSO的优势在于简单，容易实现，无需梯度信息，参数少，特别是其天然的实数编码特点特别适合于处理实优化问题。同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用。
设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在哪。但是它们知道自己当前的位置距离食物还有多远。
那么找到食物的最优策略是什么？
最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
二.算法介绍
(1)简述
❃每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。
❃所有的粒子都由一个fitness-function确定适应值以判断目前的位置好坏。
❃每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。
❃每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。
(2)基本PSO算法
a. D维空间中，有m个粒子；
粒子i位置：xi=(xi1,xi2,…xiD)
粒子i速度：vi=(vi1,vi2,…viD)，1≤i≤m,1 ≤d ≤D
粒子i经历过的历史最好位置：pi=(pi1,pi2,…piD)
群体内（或领域内）所有粒子所经历过的最好位置：
pg =(pg1,pg2,…pgD)
PS:一般来说，粒子的位置和速度都是在连续的实数空间内进行取值。
b.基本PSO公式
(3)基本PSO算法流程图
关于每个粒子的更新速度和位置的公式如下:
三.简单应用
(1)•编码：因为问题的维数为5，所以每个粒子为5维的实数向量。
(2)•初始化范围：根据问题要求，设定为[-30，30]。根据前面的参数分析，我们知道，可以将最大速度设定为Vmax=60。
(3)•种群大小：为了说明方便，这里采用一个较小的种群规模，m=5。
(4)•停止准则：设定为最大迭代次数100次。
(5)•惯性权重：采用固定权重0.5。
(6)邻域拓扑结构：使用星形拓扑结构，即全局版本的粒子群优化算法
算法执行的过程如下:
class Particle:
\'\'\'
individual Particle
\'\'\'
# 类变量，所有粒子共享
globle_best_position = np.zeros(3) # 全局最优位置
globle_best_fitness = 0 # 全局最优适应度值
def __init__(self, vardim, bound, fixed_params, long):
\'\'\'
vardim: dimension of variables
bound: boundaries of variables
fitness: fitness value of Particle
position: position of Particle
velocity: speed of Particle
bestPosition: the best position of Particle
bestFitness: the best fitness of Particle
\'\'\'
self.vardim = vardim # 自变量维度08/7
self.bound = bound # 自变量的取值范围
self.fitness = 0 # 粒子的适应度值
self.spp = 0 # 约束条件1
self.tor = 0 # 约束条件2
self.position = np.zeros(vardim) # 粒子的位置
self.velocity = np.zeros(vardim) # 粒子的速度
self.bestPosition = np.zeros(vardim) # 个体最优位置
self.bestFitness = 0 # 个体最优适应度值
self.fixed_params = fixed_params # 除了自变量外的其他固定参数
self.restart_count = 0 # 粒子不满足约束条件重新生成的次数
self.long = long # 动态模型训练数据长度
def generate(self):
\'\'\'
generate a rondom position
\'\'\'
# 随机种子
np.random.seed(int(math.modf(time.time())[0] * 10000000))
self.position = np.random.uniform(self.bound[0], self.bound[1], self.vardim)
self.velocity = np.random.uniform(self.bound[0], self.bound[1], self.vardim) / 10
# calculateFitness()
# 约束条件的验证
def verification(self):
\'\'\'
if generate a invaild individual, recall to generate again
\'\'\'
# 自变量h,i,j约束条件
for i in range(self.vardim):
if self.position[i] < self.bound[0,i] or self.position[i] > self.bound[1,i]:
return False
# 因变量a,m约束条件
if self.spp < SPP_min or self.spp > SPP_max or \
self.tor < TOR_min or self.tor > TOR_max:
return False
return True
# 计算适应度值
def calculateFitness(self):
\'\'\'
calculate the fitness of the Particle
\'\'\'
self.fitness, self.spp, self.tor = ObjFunction(self.position, self.fixed_params, self.long)
# 约束条件
# 若不满足约束条件则重新生成一个新的随机粒子，直到满足约束条件为止
while self.verification() == False:
self.restart_count += 1
#print self.restart_count
self.generate()
self.fitness, self.spp, self.tor = ObjFunction(self.position, self.fixed_params, self.long)
#print(self.position, self.fitness)
#print("%f %d %d" % (self.fitness, self.spp, self.tor))
# 更新个体最优位置和最优适应度值
if self.fitness > self.bestFitness:
self.bestFitness = self.fitness
self.bestPosition = self.position
# 更新全局最优位置和最优适应度值
if self.bestFitness > Particle.globle_best_fitness:
Particle.globle_best_fitness = self.bestFitness
Particle.globle_best_position = self.bestPosition
#print(self.position, self.fixed_params)
#print("globle_best_fitness: %f %d %d" % (self.fitness, self.spp, self.tor))
class ParticleSwarmOptimization:
\'\'\'
the class for Particle Swarm Optimization
\'\'\'
def __init__(self, p_size, vardim, bound, params, fixed_params, data_id, turn, terminal_round, max_round, verbose ,long):
\'\'\'
p_size: population size
vardim: dimension of variables
bound: boundaries of variables
params: algorithm required parameters, it is a list which is consisting of[w, c1, c2]
fixed_params: It is a list which is a row of CSV file drop [h,i,j] columns.
\'\'\'
self.p_size = p_size # 种群大小，即粒子数
self.vardim = vardim # 自变量个数
self.bound = bound # 自变量范围
self.params = params # 粒子群优化算法的参数 [w, c1, c2]
self.population = [] # 种群
self.fixed_params = fixed_params # 模型值中除了自变量外的其他固定输入变量
self.data_id = data_id
self.turn = turn # 粒子群优化次数
self.terminal_round = terminal_round # 连续n轮迭代最优适应度值不变则终止迭代--终止迭代条件
self.max_round = max_round # 最多迭代的次数
self.verbose = verbose # 是否显示优化过程
self.long = long # 动态模型训练数据长度
# 初始化粒子群
def initialize(self):
\'\'\'
initialize the population of pso
\'\'\'
for i in range(0, self.p_size):
particle = Particle(self.vardim, self.bound, self.fixed_params, self.long)
particle.generate()
particle.calculateFitness()
self.population.append(particle)
# 更新种群粒子位置和速度以及适应度值
def update(self):
\'\'\'
update the population of pso
\'\'\'
for i in range(0, self.p_size):
self.population[i].velocity = self.params[0] * self.population[i].velocity + \
self.params[1] * np.random.random(self.vardim) * (self.population[i].bestPosition - self.population[i].position) + \
self.params[2] * np.random.random(self.vardim) * (Particle.globle_best_position - self.population[i].position)
self.population[i].position = self.population[i].position + self.population[i].velocity
self.population[i].calculateFitness()
#print(self.population[i].position, self.population[i].fitness, self.population[i].bestFitness)
#print(timer() - start)
# 运行粒子群算法
def solve(self):
\'\'\'
the evolution process of the pso algorithm
\'\'\'
self.iter = 0
self.initialize()
round_best_fitness = Particle.globle_best_fitness # 当前迭代的最优适应度值
count = 0
# 终止条件：连续n轮迭代最优适应度值不变或者达到最大迭代次数则终止迭代
while count < self.terminal_round and self.iter < self.max_round:
self.iter += 1
self.update()
# 更新最优适应度值没有提高的轮数
if round_best_fitness < Particle.globle_best_fitness:
count = 0
else:
count += 1
round_best_fitness = Particle.globle_best_fitness
if self.verbose == True:
print("Row: %d Turn: %d Itr %d: opt value: %f Pos: " % \
(self.data_id, self.turn, self.iter, Particle.globle_best_fitness), Particle.globle_best_position)
total_restart_count = 0
for i in range(0, self.p_size):
total_restart_count += self.population[i].restart_count