【寻优算法】粒子群算法（PSO） 参数寻优的python实现
粒子群优化算法（Particle swarm optimization，PSO）是模拟鸟群捕食行为的优化算法。不同于遗传算法（Genetic Alogrithm，GA），粒子群算法是有记忆的，之前迭代过程中的最优位置和最优方向都会保留下来并作用于粒子群的更新【参考资料1】。
一、算法原理
1、粒子群算法的名词解释
粒子群长度：粒子群长度等于每一个参数取值范围的大小。
粒子群维度：粒子群维度等于待寻优参数的数量。
粒子群位置：粒子群位置包含参数取值的具体数值。
粒子群方向：粒子群方向表示参数取值的变化方向。
适应度函数：表征粒子对应的模型评价指标。
pbest:（局部最优）pbest的长度等于粒子群长度，表示每一个参数取值的变化过程中，到目前为止最优适应度函数值对应的取值。
gbest:（全局最优）gbest的长度为1，表示到目前为止所有适应度函数值中最优的那个对应的参数取值。
惯性因子
：惯性因子表示粒子保持的运动惯性。
局部学习因子
：表示每个粒子向该粒子目前为止最优位置运动加速项的权重。
全局学习因子
：表示每个粒子向目前为止全局最优位置运动加速项的权重。
2、粒子更新
粒子方向更新方程为：
其中 表示第i个粒子的方向， 表示第i个粒子当前最优参数， 表示当前的全局最优参数， 表示第i个粒子的参数值， 表示介于 之间的随机数。
粒子位置更新方程为：
取值越大说明粒子更新更多受到粒子历史方向的影响， 表示粒子更新只取决于粒子当前位置，局部最优粒子位置和全局最优粒子位置，粒子方向本身没有记忆性。 表示粒子更新受到局部最优粒子的影响程度， 表示粒子只有全局搜索能力，但缺少局部搜索能力。 表示粒子更新受到全局最优粒子的影响程度， 表示粒子只有局部搜索能力，但缺少全局搜索能力。
二、PSO算法参数寻优的python实现
完整python代码和样本地址：https://github.com/shiluqiang/PSO_python
本博文以非线性SVM为待优化模型，待优化参数为正则化参数 和核参数 ，适应度函数值为3-fold交叉验证平均值。
## 2. PSO优化算法
class PSO(object):
def __init__(self,particle_num,particle_dim,iter_num,c1,c2,w,max_value,min_value):
'''参数初始化
particle_num(int):粒子群的粒子数量
particle_dim(int):粒子维度，对应待寻优参数的个数
iter_num(int):最大迭代次数
c1(float):局部学习因子，表示粒子移动到该粒子历史最优位置(pbest)的加速项的权重
c2(float):全局学习因子，表示粒子移动到所有粒子最优位置(gbest)的加速项的权重
w(float):惯性因子，表示粒子之前运动方向在本次方向上的惯性
max_value(float):参数的最大值
min_value(float):参数的最小值
'''
self.particle_num = particle_num
self.particle_dim = particle_dim
self.iter_num = iter_num
self.c1 = c1 ##通常设为2.0
self.c2 = c2 ##通常设为2.0
self.w = w
self.max_value = max_value
self.min_value = min_value
### 2.1 粒子群初始化
def swarm_origin(self):
'''粒子群初始化
input:self(object):PSO类
output:particle_loc(list):粒子群位置列表
particle_dir(list):粒子群方向列表
'''
particle_loc = []
particle_dir = []
for i in range(self.particle_num):
tmp1 = []
tmp2 = []
for j in range(self.particle_dim):
a = random.random()
b = random.random()
tmp1.append(a * (self.max_value - self.min_value) + self.min_value)
tmp2.append(b)
particle_loc.append(tmp1)
particle_dir.append(tmp2)
return particle_loc,particle_dir
## 2.2 计算适应度函数数值列表;初始化pbest_parameters和gbest_parameter
def fitness(self,particle_loc):
'''计算适应度函数值
input:self(object):PSO类
particle_loc(list):粒子群位置列表
output:fitness_value(list):适应度函数值列表
'''
fitness_value = []
### 1.适应度函数为RBF_SVM的3_fold交叉校验平均值
for i in range(self.particle_num):
rbf_svm = svm.SVC(kernel = 'rbf', C = particle_loc[i][0], gamma = particle_loc[i][1])
cv_scores = cross_validation.cross_val_score(rbf_svm,trainX,trainY,cv =3,scoring = 'accuracy')
fitness_value.append(cv_scores.mean())
### 2. 当前粒子群最优适应度函数值和对应的参数
current_fitness = 0.0
current_parameter = []
for i in range(self.particle_num):
if current_fitness < fitness_value[i]:
current_fitness = fitness_value[i]
current_parameter = particle_loc[i]
return fitness_value,current_fitness,current_parameter
## 2.3 粒子位置更新
def updata(self,particle_loc,particle_dir,gbest_parameter,pbest_parameters):
'''粒子群位置更新
input:self(object):PSO类
particle_loc(list):粒子群位置列表
particle_dir(list):粒子群方向列表
gbest_parameter(list):全局最优参数
pbest_parameters(list):每个粒子的历史最优值
output:particle_loc(list):新的粒子群位置列表
particle_dir(list):新的粒子群方向列表
'''
## 1.计算新的量子群方向和粒子群位置
for i in range(self.particle_num):
a1 = [x * self.w for x in particle_dir[i]]
a2 = [y * self.c1 * random.random() for y in list(np.array(pbest_parameters[i]) - np.array(particle_loc[i]))]
a3 = [z * self.c2 * random.random() for z in list(np.array(gbest_parameter) - np.array(particle_dir[i]))]
particle_dir[i] = list(np.array(a1) + np.array(a2) + np.array(a3))
# particle_dir[i] = self.w * particle_dir[i] + self.c1 * random.random() * (pbest_parameters[i] - particle_loc[i]) + self.c2 * random.random() * (gbest_parameter - particle_dir[i])
particle_loc[i] = list(np.array(particle_loc[i]) + np.array(particle_dir[i]))
## 2.将更新后的量子位置参数固定在[min_value,max_value]内
### 2.1 每个参数的取值列表
parameter_list = []
for i in range(self.particle_dim):
tmp1 = []
for j in range(self.particle_num):
tmp1.append(particle_loc[j][i])
parameter_list.append(tmp1)
### 2.2 每个参数取值的最大值、最小值、平均值
value = []
for i in range(self.particle_dim):
tmp2 = []
tmp2.append(max(parameter_list[i]))
tmp2.append(min(parameter_list[i]))
value.append(tmp2)
for i in range(self.particle_num):
for j in range(self.particle_dim):
particle_loc[i][j] = (particle_loc[i][j] - value[j][1])/(value[j][0] - value[j][1]) * (self.max_value - self.min_value) + self.min_value
return particle_loc,particle_dir
## 2.4 画出适应度函数值变化图
def plot(self,results):
'''画图
'''
X = []
Y = []
for i in range(self.iter_num):
X.append(i + 1)
Y.append(results[i])
plt.plot(X,Y)
plt.xlabel('Number of iteration',size = 15)
plt.ylabel('Value of CV',size = 15)
plt.title('PSO_RBF_SVM parameter optimization')
plt.show()
## 2.5 主函数
def main(self):
'''主函数
'''
results = []
best_fitness = 0.0
## 1、粒子群初始化
particle_loc,particle_dir = self.swarm_origin()
## 2、初始化gbest_parameter、pbest_parameters、fitness_value列表
### 2.1 gbest_parameter
gbest_parameter = []
for i in range(self.particle_dim):
gbest_parameter.append(0.0)
### 2.2 pbest_parameters
pbest_parameters = []
for i in range(self.particle_num):
tmp1 = []
for j in range(self.particle_dim):
tmp1.append(0.0)
pbest_parameters.append(tmp1)
### 2.3 fitness_value
fitness_value = []
for i in range(self.particle_num):
fitness_value.append(0.0)
## 3.迭代
for i in range(self.iter_num):
### 3.1 计算当前适应度函数值列表
current_fitness_value,current_best_fitness,current_best_parameter = self.fitness(particle_loc)
### 3.2 求当前的gbest_parameter、pbest_parameters和best_fitness
for j in range(self.particle_num):
if current_fitness_value[j] > fitness_value[j]:
pbest_parameters[j] = particle_loc[j]
if current_best_fitness > best_fitness:
best_fitness = current_best_fitness
gbest_parameter = current_best_parameter
print('iteration is :',i+1,';Best parameters:',gbest_parameter,';Best fitness',best_fitness)
results.append(best_fitness)
### 3.3 更新fitness_value
fitness_value = current_fitness_value
### 3.4 更新粒子群
particle_loc,particle_dir = self.updata(particle_loc,particle_dir,gbest_parameter,pbest_parameters)
## 4.结果展示
results.sort()
self.plot(results)
print('Final parameters are :',gbest_parameter)
最优适应度函数值随迭代次数的变化图如下：
参考资料
1、https://blog.csdn.net/qq_34504481/article/details/79763824