2021-01-28粒子群最適化アルゴリズム-PythonバージョンとMatlab関数particleswarmcall

PSO-PythonバージョンとMatlab関数particleswarm 呼び出し

2日前に、粒子群最適化アルゴリズムの原理とMatlabの原理の実現を共有しました。この記事では、PythonコードでのPSOの実装と、Matlabでの粒子群関数を共有します。

前の記事を参照してください：粒子群最適化アルゴリズム（PSO）

---

Ras関数（Rastriginの関数）を目的関数として、x1、x2∈[-5、5]でその最小値を見つけます。この関数は、局所最小点と局所最大点が多く、アルゴリズムを局所最適に簡単に分類でき、グローバル最適解を得ることができないため、シミュレーテッドアニーリングや進化的計算などのアルゴリズムを非常に欺きます。次の図に示すように、この関数のグローバル最小値は（0,0）で0のみです。

 

Pythonコードの実装

​​​​​​​

import numpy as npimport matplotlib.pyplot as plt

# 目标函数定义def ras(x):    y = 20 + x[0] ** 2 + x[1] ** 2 - 10 * (np.cos(2 * np.pi * x[0]) + np.cos(2 * np.pi * x[1]))    return y

# 参数初始化w = 1.0c1 = 1.49445c2 = 1.49445
maxgen = 200  # 进化次数sizepop = 20  # 种群规模
# 粒子速度和位置的范围Vmax = 1Vmin = -1popmax = 5popmin = -5
# 产生初始粒子和速度pop = 5 * np.random.uniform(-1, 1, (2, sizepop))v = np.random.uniform(-1, 1, (2, sizepop))
fitness = ras(pop)  # 计算适应度i = np.argmin(fitness)  # 找最好的个体gbest = pop  # 记录个体最优位置zbest = pop[:, i]  # 记录群体最优位置fitnessgbest = fitness  # 个体最佳适应度值fitnesszbest = fitness[i]  # 全局最佳适应度值
# 迭代寻优t = 0record = np.zeros(maxgen)while t < maxgen:
    # 速度更新    v = w * v + c1 * np.random.random() * (gbest - pop) + c2 * np.random.random() * (zbest.reshape(2, 1) - pop)    v[v > Vmax] = Vmax  # 限制速度    v[v < Vmin] = Vmin
    # 位置更新    pop = pop + 0.5 * v    pop[pop > popmax] = popmax  # 限制位置    pop[pop < popmin] = popmin
    '''    # 自适应变异    p = np.random.random()             # 随机生成一个0~1内的数    if p > 0.8:                          # 如果这个数落在变异概率区间内，则进行变异处理        k = np.random.randint(0,2)     # 在[0,2)之间随机选一个整数        pop[:,k] = np.random.random()  # 在选定的位置进行变异     '''
    # 计算适应度值    fitness = ras(pop)
    # 个体最优位置更新    index = fitness < fitnessgbest    fitnessgbest[index] = fitness[index]    gbest[:, index] = pop[:, index]
    # 群体最优更新    j = np.argmin(fitness)    if fitness[j] < fitnesszbest:        zbest = pop[:, j]        fitnesszbest = fitness[j]
    record[t] = fitnesszbest  # 记录群体最优位置的变化
    t = t + 1
# 结果分析print(zbest)
plt.plot(record, 'b-')plt.xlabel('generation')plt.ylabel('fitness')plt.title('fitness curve')plt.show()

結果は

[0.99699579 0.00148844]

解かれた点は最小値ではなく、アルゴリズムは極小値にトラップされていることがわかります。

適応変異部分のアノテーションを削除すると、実行後の結果は次のようになり、グローバルな最適解に収束していることがわかります。

[0.00022989 0.00014612]

 

 

Matlabには、独自の粒子群最適化関数particleswarmがあり、これも使用できます。この例のコードは次のとおりです。

 

y = @(x) 20 + x(1).^2 + x(2).^2 - 10*(cos(2*pi*x(1))+cos(2*pi*x(2)));rng defaultoptions = optimoptions('particleswarm','SwarmSize',200,'HybridFcn',@fmincon,'MaxIterations',200, 'Display','iter');lb = [-5 -5];     % 这是变量的下限ub = [5 5];       % 这是变量的上限[x,fval,exitflag,output] = particleswarm(y,length(lb),lb,ub,options);

結果は次のとおりです

パーティクルウォームリファレンスの詳細：

https://www.mathworks.com/help/gads/particleswarm.html

Matlabのドキュメント