粒子群优化算法-python实现

zi663227

　　PSOIndividual.py



1 import numpy as np
2 import ObjFunction
3 import copy
4
5
6 class PSOIndividual:
7
8     '''
9     individual of PSO
10     '''
11
12     def __init__(self, vardim, bound):
13         '''
14         vardim: dimension of variables
15         bound: boundaries of variables
16         '''
17         self.vardim = vardim
18         self.bound = bound
19         self.fitness = 0.
20
21     def generate(self):
22         '''
23         generate a rondom chromsome
24         '''
25         len = self.vardim
26         rnd = np.random.random(size=len)
27         self.chrom = np.zeros(len)
28         self.velocity = np.random.random(size=len)
29         for i in xrange(0, len):
30             self.chrom = self.bound[0, i] + \
31                 (self.bound[1, i] - self.bound[0, i]) * rnd
32         self.bestPosition = np.zeros(len)
33         self.bestFitness = 0.
34
35     def calculateFitness(self):
36         '''
37         calculate the fitness of the chromsome
38         '''
39         self.fitness = ObjFunction.GrieFunc(
40             self.vardim, self.chrom, self.bound)
　　PSO.py



  1 import numpy as np
  2 from PSOIndividual import PSOIndividual
  3 import random
  4 import copy
  5 import matplotlib.pyplot as plt
  6
  7
  8 class ParticleSwarmOptimization:
  9
10     '''
11     the class for Particle Swarm Optimization
12     '''
13
14     def __init__(self, sizepop, vardim, bound, MAXGEN, params):
15         '''
16         sizepop: population sizepop
17         vardim: dimension of variables
18         bound: boundaries of variables
19         MAXGEN: termination condition
20         params: algorithm required parameters, it is a list which is consisting of[w, c1, c2]
21         '''
22         self.sizepop = sizepop
23         self.vardim = vardim
24         self.bound = bound
25         self.MAXGEN = MAXGEN
26         self.params = params
27         self.population = []
28         self.fitness = np.zeros((self.sizepop, 1))
29         self.trace = np.zeros((self.MAXGEN, 2))
30
31     def initialize(self):
32         '''
33         initialize the population of pso
34         '''
35         for i in xrange(0, self.sizepop):
36             ind = PSOIndividual(self.vardim, self.bound)
37             ind.generate()
38             self.population.append(ind)
39
40     def evaluation(self):
41         '''
42         evaluation the fitness of the population
43         '''
44         for i in xrange(0, self.sizepop):
45             self.population.calculateFitness()
46             self.fitness = self.population.fitness
47             if self.population.fitness > self.population.bestFitness:
48                 self.population.bestFitness = self.population.fitness
49                 self.population.bestIndex = copy.deepcopy(
50                     self.population.chrom)
51
52     def update(self):
53         '''
54         update the population of pso
55         '''
56         for i in xrange(0, self.sizepop):
57             self.population.velocity = self.params[0] * self.population.velocity + self.params[1] * np.random.random(self.vardim) * (
58                 self.population.bestPosition - self.population.chrom) + self.params[2] * np.random.random(self.vardim) * (self.best.chrom - self.population.chrom)
59             self.population.chrom = self.population[
60                 i].chrom + self.population.velocity
61
62     def solve(self):
63         '''
64         the evolution process of the pso algorithm
65         '''
66         self.t = 0
67         self.initialize()
68         self.evaluation()
69         best = np.max(self.fitness)
70         bestIndex = np.argmax(self.fitness)
71         self.best = copy.deepcopy(self.population[bestIndex])
72         self.avefitness = np.mean(self.fitness)
73         self.trace[self.t, 0] = (1 - self.best.fitness) / self.best.fitness
74         self.trace[self.t, 1] = (1 - self.avefitness) / self.avefitness
75         print("Generation %d: optimal function value is: %f; average function value is %f" % (
76             self.t, self.trace[self.t, 0], self.trace[self.t, 1]))
77         while self.t < self.MAXGEN - 1:
78             self.t += 1
79             self.update()
80             self.evaluation()
81             best = np.max(self.fitness)
82             bestIndex = np.argmax(self.fitness)
83             if best > self.best.fitness:
84                 self.best = copy.deepcopy(self.population[bestIndex])
85             self.avefitness = np.mean(self.fitness)
86             self.trace[self.t, 0] = (1 - self.best.fitness) / self.best.fitness
87             self.trace[self.t, 1] = (1 - self.avefitness) / self.avefitness
88             print("Generation %d: optimal function value is: %f; average function value is %f" % (
89                 self.t, self.trace[self.t, 0], self.trace[self.t, 1]))
90
91         print("Optimal function value is: %f; " % self.trace[self.t, 0])
92         print "Optimal solution is:"
93         print self.best.chrom
94         self.printResult()
95
96     def printResult(self):
97         '''
98         plot the result of pso algorithm
99         '''
100         x = np.arange(0, self.MAXGEN)
101         y1 = self.trace[:, 0]
102         y2 = self.trace[:, 1]
103         plt.plot(x, y1, 'r', label='optimal value')
104         plt.plot(x, y2, 'g', label='average value')
105         plt.xlabel("Iteration")
106         plt.ylabel("function value")
107         plt.title("Particle Swarm Optimization algorithm for function optimization")
108         plt.legend()
109         plt.show()
　　运行程序：



1 if __name__ == "__main__":
2
3     bound = np.tile([[-600], [600]], 25)
4     pso = PSO(60, 25, bound, 1000, [0.7298, 1.4962, 1.4962])
5     pso.solve()
　　
　　ObjFunction见简单遗传算法-python实现。