粒子群算法 - 目标函数最优解计算

粒子群算法概念

粒子群算法 (particle swarm optimization,PSO) 由 Kennedy 和 Eberhart 在 1995 年提出,该算法模拟鸟群觅食的方法进行寻找最优解。基本思想:人们发现,鸟群觅食的方向由两个因素决定。第一个是自己当初飞过离食物最近的位置,第二个因素是鸟群中离食物最近的鸟的位置。根据这个两个因素不断的改变自己的位置。最终,整个鸟群都能寻找到食物。

相关知识

1.编码与适应度函数,2.粒子群算法原理,3.粒子群算法流程,4.使用 python 实现粒子群算法。

编码与适应度函数

在粒子群算法中也需要进行编码,不过相对于遗传算法粒子群算法编码非常简单。例如,函数

f(x_1,x_2)=x_1^2+x_2^2

可直接将函数解(x_1,x_2)作为编码。而函数的值f(x_1,x_2)即可作为适应度,若求解函数最小值则适应度越小越好,若求解函数最大值则适应度越大越好。

粒子群算法原理

粒子群函数是根据鸟群寻找食物实现的优化算法,每一只鸟被称为粒子,即函数的一个解。我们已经知道,每一只鸟寻找食物是根据离食物最近的鸟的位置,与自己曾经离食物最近的位置来决定改变自己现在的位置。根据这个原理,粒子群算法核心公式如下:

v=wv+c_1r_1(p-x)+c_2r_2(p_g-x)...(1)
x=v+x...(2)

其中,x=(x_1,x_2,...,x_n)为鸟群的位置,v=(v_1,v_2,...,v_n)

为鸟飞行的速度,即鸟群更新位置的因素。而公式2就是决定速度的因素:

p:个体最佳位置
pg:全局最佳位置
w:惯性权重因子,用来控制速度的更新
c1,c2:加速度常数,通常设为2
r1,r2:0到1之间的随机数

粒子群算法流程

随机初始粒子群位置与速度
计算粒子群适应度
根据公式更新粒子群位置与速度
重复2,3直到满足停止条件

使用python实现粒子群算法

实现粒子群算法。并求解函数 f(x) 在区间 [-10,10] 上的最小值:

f(x_1,x_2)=(x_1-4)^2+(x_2-5)^2

首先我们需要对粒子群位置与速度进行随机初始:

import numpy as np
#初始化粒子群位置
x = np.random.uniform(x_bound[0], x_bound[1],(pop_size, dim))
#初始化粒子群速度
v = np.random.rand(pop_size,dim)

其中,x_bound 为 x 取值范围。pop_size 为粒子群大小,即鸟的数量。dim 为搜索空间维度。

再根据 x 计算适应度:

#f(x1,x2)=(x1-4)**2+(x2-5)**2,函数值即适应度
def f(x):return np.sum(np.square(x-np.array([4,5])), axis=1)
#计算适应度
fitness = f(x)

同时计算出全局最优位置与个体最优适应度、全局最优适应度:

#全局最优位置
pg = x[np.argmin(fitness)]
#个体最优适应度
individual_best_fitness = fitness
#全局最优适应度
global_best_fitness = np.min(individual_best_fitness)

最后开始进化,不断更新粒子群位置:

#encoding=utf8
import numpy as np
pop_size =10#粒子群大小
n_iters = 1000#训练轮数
dim = 2#搜索空间维度
w = 0.6#惯性权重因子
c1 = 2#加速度常数,通常设为2
c2 = 2#加速度常数,通常设为2
x_bound = [-10,10]#函数定义域
def pso(f):'''f:目标函数pg:最优解坐标'''#初始化粒子群位置x = np.random.uniform(low=x_bound[0], high=x_bound[1], size=(pop_size, dim)) #初始化粒子群速度v = np.random.rand(pop_size,dim)#初始个体最佳位置p = x#计算适应度fitness = f(x)#全局最优位置pg = x[np.argmin(fitness)]#个体最优适应度individual_best_fitness = fitness#全局最优适应度global_best_fitness = np.min(individual_best_fitness)#开始进化for i in range(n_iters):#产生随机数r1,r2r1 = np.random.rand(pop_size,dim)r2 = np.random.rand(pop_size,dim)#计算粒子群速度v = w*v+c1*r1*(p-x)+c2*r2*(pg-x)#更新粒子群位置x = v + x#计算更新后的适应度fitness = f(x)#需更新个体update_id = np.greater(individual_best_fitness, fitness)#更新pp[update_id] = x[update_id]#更新个体最优适应度individual_best_fitness[update_id] = fitness[update_id]#更新全局最优位置与全局最优适应度if np.min(fitness) < global_best_fitness:pg = x[np.argmin(fitness)]global_best_fitness = np.min(fitness)    return pg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/760769.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

FPGA工程正确的设计流程

1 正确的设计流程 分析项目的具体需求来设计系统的结构&#xff0c;划分系统的层次&#xff0c;确定各个子模块的结构关系和信号之间的相互关系&#xff0c;然后确定模块的端口信号等根据每隔模块的功能和自己的理解&#xff0c;结合芯片手册接口的时序&#xff0c;使用visio画…

基于QGraphicsView的图像显示控件,支持放大、缩小、鼠标拖动

原链接 前言 这是一个Qt平台的基于QGraphicsView类的图像显示控件&#xff0c;支持输入QPixmap、QImage、opencv的从cv::Mat类。 实现平台&#xff1a;Windows 10 x64 Qt 6.2.3 MSVC 2019 opencv 4.5 先来看演示视频 控件类实现 ImageViewer.h文件 #ifndef IMAGEVIEWER…

error: C preprocessor fails sanity check

问题 ./configure --prefix/opt/mips_lib/libev --hostmipsel-openwrt-linux CCmipsel-openwrt-linux-gcc运行后提示 checking how to run the C preprocessor... mipsel-openwrt-linux-gcc --sysroot/opt/mt7628/toolchain-mipsel_24kc_gcc-8.4.0_musl -I/opt/mt7628/toolch…

Docker 笔记(八)--Dockerfile

目录 1. 背景2. 参考3. 原文3.1 Dockerfile 支持的指令3.2 Dockerfile格式3.3 Parser指令syntaxescape 3.4 环境变量替换3.5 docker构建忽略文件3.6 Shell 和 exec 格式Exec 格式Shell 格式使用不同的 shell 3.7 FROM指令了解ARG和FROM如何交互 3.8 RUN指令RUN指令缓存失效RUN …

4 CUDA 环境搭建

4.1 简介 本章面向从未接触过CUDA的初学者。我们将依次介绍如何在不同操作系统上安装CUDA、有哪些可用的CUDA 工具以及CUDA如何编译代码&#xff0c;最后介绍应用程序接口提供的错误处理手段&#xff0c;并帮助读者识别CUDA代码和开发过程中必然碰到的应用程序接口报错。Windo…

java框架 2 springboot 过滤器 拦截器 异常处理 事务管理 AOP

Filter 过滤器 对所有请求都可以过滤。 实现Filter接口&#xff0c;重写几个方法&#xff0c;加上WebFilter注解&#xff0c;表示拦截哪些路由&#xff0c;如上是所有请求都会拦截。 然后还需要在入口处加上SvlterComponentScan注解&#xff0c;因为Filter是javaweb三大组件之…

Leetcode刷题【每日n题】(8)

题目一 思路分析 1.循环遍历直到这个数小于102.获取每个位数之合3.将合赋值给目标数&#xff0c;直到小于10 代码实现 class MyTest{public int addDigits(int num) {//直到目标数小于10while(num>10){//定义各个位数合int sum0;//num不能为0while(num>0){//获取每个位上…

linux 获取cpu和硬盘id

直接代码&#xff0c;有的电脑cpuid可能没有&#xff0c;代码头文件没有理清但是满足编译需求 std::string getcpuid() 来获取cpu id信息 std::string get_harddisk_info()来获取硬盘id #include <unistd.h> #include <cstdio> #include <cstring> #include…

java-ssm-jsp基于javaweb的宠物猫狗商业系统

java-ssm-jsp基于javaweb的宠物猫狗商业系统 获取源码——》公主号&#xff1a;计算机专业毕设大全 获取源码——》公主号&#xff1a;计算机专业毕设大全

conda创建新的env报错CondaVerificationError

conda创建新的env报错CondaVerificationError 错误详情解决方案 错误详情 Downloading and Extracting PackagesPreparing transaction: done Verifying transaction: failedCondaVerificationError: The package for _openmp_mutex located at /home/work/miniconda3/pkgs/_o…

leetcode106从中序与后序遍历序列构造二叉树

目录 1.解题关键2.思路3.变量名缩写与英文单词对应关系4.算法思路图解5.代码 本文针对原链接题解的比较晦涩的地方重新进行说明解释 原题解链接&#xff1a;https://leetcode.cn/problems/construct-binary-tree-from-inorder-and-postorder-traversal/solutions/50561/tu-jie-…

《牛客》-D小红统计区间(easy)

思路&#xff1a;顶级二分前缀和 不多解释&#xff0c;太帅了&#xff01;,看代码好吧&#xff08;一发ac太爽了&#xff0c;逃~&#xff09; Accode: #include <bits/stdc.h> using namespace std; #define int long long const int N1e510; int n,k,a[N],pre[N],ans;…

Java程序设计 3 选择

布尔数据类型和逻辑运算符 boolean类型的值为true和false&#xff0c;其字面值也只有true和false&#xff08;也就是不能等同视为0和非零&#xff0c;这一点和C/C有所不同&#xff09;&#xff0c;且不能和其他数据类型混合运算&#xff08;包括类型转换&#xff09;。 Java里面…

算法笔记p142快速排序

目录 快速排序划分快排 随机划分的快速排序 快速排序 快速排序是排序算法中平均时间复杂度为O(nlogn)的一种算法。 划分 快排的实现需要解决划分的问题&#xff1a;对于一个序列A[1]、A[2]、……、A[n]&#xff0c;从中选取一个枢轴&#xff08;或主元&#xff09;&#xff…

分布式事务协调器Seata

Seata 是什么&#xff1f; | Apache Seata 1、四种模式的选择 1.1 只有AT、 XA模式是代码无侵入的。首选这两个。 1.2 XA模式 XA 是一种基于两阶段提交协议&#xff08;2PC&#xff09;的分布式事务协议&#xff0c;它由 X/Open 组织提出。在这种模式下&#xff0c;事务管理…

UGUI界面性能优化1-UGUI开发界面时常见的优化方法和注意事项

UGUI是Unity引擎中的一套用户界面系统&#xff0c;用于开发游戏和应用程序的UI界面。在进行UGUI开发时&#xff0c;可以采取以下优化方法和注意事项&#xff1a; 使用UI对象池&#xff1a;在频繁创建和销毁UI对象时&#xff0c;可以使用对象池来重复利用已创建的UI对象&#xf…

MySQL数据库索引介绍

前言 在数据库中创建索引可以提高数据检索的速度和效率。索引是一种数据结构&#xff0c;类似于书籍的目录&#xff0c;它可以帮助数据库系统快速定位和访问表中的特定数据行。 目录 一、索引相关介绍 1. 概述 2. 作用 3. 副作用 4. 创建原则依据 二、索引的分类与管理…

ChatGPT:智能论文写作指南,让您成为写作高手

ChatGPT无限次数:点击直达 写作是学术研究中不可或缺的一环&#xff0c;然而&#xff0c;对于许多人来说&#xff0c;写作往往是一项艰巨而费时的任务。但是&#xff0c;现在有了ChatGPT&#xff0c;您将能够以前所未有的速度和准确性编写高质量的论文。本文将向您介绍如何利用…

Vue2(七):脚手架、render函数、ref属性、props配置项、mixin(混入)、插件、scoped样式

一、脚手架结构&#xff08;Vue CLI&#xff09; ├── node_modules ├── public │ ├── favicon.ico: 页签图标 │ └── index.html: 主页面 ├── src │ ├── assets: 存放静态资源 │ │ └── logo.png │ │── component: 存放组件 │ │ …

详解main函数参数argc、argv及如何传参

目录 1、main()函数参数 2、main函数如何传参 2.1 环境准备 2.2 通过 Powershell 窗口传参 2.3 通过vs界面传参 3、int main() 和 int main(int argc, char *argv[]) 特点 1、main()函数参数 在C语言中&#xff0c;main函数可以带参数。main函数的原型通常为以下两种形式…