1粒子群アルゴリズムの概要
粒子群最適化(PSO)は、1995年にEberhart博士とKennedy博士によって提案されました。粒子群アルゴリズムは、鳥の群れの捕食行動をシミュレートすることによって設計された群知能アルゴリズムです。この地域にはさまざまな食料源があります。鳥の群れの仕事は最大の食料源を見つけることであり(グローバルな最適解)、鳥の群れの仕事はこの食料源を見つけることです。検索プロセス全体を通して、鳥の群れはそれぞれの位置情報を相互に通信して、他の鳥に食料源の場所を知らせます。最終的に、鳥の群れ全体が食料源の周りに集まることができます。最適な解決策問題は収束します。自然に触発されて、学者はアリコロニーアルゴリズム、カッコウ探索アルゴリズム、魚群アルゴリズム、狩猟アルゴリズムなど、多くの同様のインテリジェントアルゴリズムを開発しました。
2アルゴリズムの原理
これは、鳥の群れの採餌行動から派生したヒューリスティックアルゴリズムです。現在、鳥の群れがあり、一緒に採餌しようとしています。目標は、実行可能領域で最も豊富な食物を見つけることです。同じWeChatグループチャットで、鳥は見つけた最も豊かな場所を常に共有できます。戦略は次のとおりです:
1。各鳥はランダムに場所を見つけ、ランダムな方向に始まります。
2.2。毎分飛行した後、各鳥はグループ内で見つけたものの最適な場所と在庫を共有し、グループが見つけた最適な位置を計算します。
3.3。各鳥は自分の進路を見直し、移動した最良の位置とグループの最良の位置を包括的に考慮して、次の方向を決定します。
4.4。全員が同じ場所の近くにいる場合は検索を停止し、そうでない場合は手順2と3を繰り返します。
次の図に示すように、グループ全体の位置が更新され、各赤い点は粒子です:( scikit-optからの画像)
特定の鳥(パーティクルの1つ)の位置更新方法は次のとおりです。
3反復式
反復式は非常に単純で明確
です。毎回の速度更新式:
位置更新式:
c1、c2-加速定数、最大学習ステップ長
r1、r2を調整します-2つのランダム関数、値の範囲[0,1] 、検索のランダム性を高めるために
w-慣性の重み、非負の数は、解空間の検索範囲を調整します。
場所の長所と短所を判断する方法は?解く必要のある最小化された目的関数は適応度関数と呼ばれ、粒子の位置が適応度関数に取り込まれます。結果が小さいほど良いです。
4アルゴリズムフロー
5計算例
ここで、簡単な例を示します。1次元の最適化問題を解くための目的関数y = x 2 y = x ^ 2そして=バツ2最小ポイント。
2つのパーティクルを初期化します。位置はx = − 3、x = 2 x = -3、x = 2です。バツ=− 3 、バツ=2、初速度はv = 1、v = − 1 v = 1、v = -1v=1 、v=− 1、計算の便宜上w、c 1、r 1、c 2、r 2 w、c_1、r_1、c_2、r_2w 、c1、r1、c2、r2パラメータ値は1です。
6コードの実装
6.1numpyに基づく
import numpy as np
import random
# pso
def suit(x):
x1, x2=x
return -(x1-10) ** 2 + -(x2 - 3) ** 2 # + -x3 ** 2
def best_p(current_p,person_best): #
x = np.zeros_like(current_p)
n,d = current_p.shape
for i in range(n):# 每个粒子比较一次
a = current_p[i]
b = person_best[i]
if suit(b)>suit(a):
x[i] = b
else: x[i]= a
return x
def global_b(person_best): # n*d
n,d= person_best.shape
s = []
for j in range(n):
s.append(suit(person_best[j]))
i = np.array(s).argmax()
x = np.array(person_best[i])
return x
# init
n = 40 # 粒子个数
d = 2
current_v = np.array([[random.randint(1, 100) for i in range(n)]]).reshape(-1,d)
current_p = np.array([[random.randint(1, 100) for i in range(n)]]).reshape(-1,d)
person_best = current_p
global_best = global_b(person_best)
T = 0
w=1
while T<100000:
# if all([current_p[i][0]==current_p[0][0] for i in range(len(current_p))]):
# print(T,current_p)
# break
if sum(person_best.std(axis=0))<.1:
break
else:
w = w*0.99996;r1 = random.random(); r2 = random.random()
current_v = w*current_v + r1*(person_best-current_p)+ r1*(global_best - current_p)
# w = w*0.999
# current_v = w*current_v +(person_best-current_p)+(global_best - current_p)
current_p = current_p + current_v
person_best = best_p(current_p, person_best)
global_best = global_b(person_best)
#current_v = current_v + 2* (person_best- current_p)+2*(global_best- current_p)
T+=1
print(T, person_best)
6.2sko.psoに基づく
python skoライブラリには、一般的に使用されるヒューリスティックアルゴリズムと、直接呼び出すことができる粒子群最適化PSOが含まれています。これは、非常に高速で便利です。
from sko.PSO import PSO
def demo_func(x):
x1, x2, x3 = x
return (x1-5) ** 2 + (x2 - 2) ** 2 + (x3-19) ** 2
pso = PSO(func=demo_func, dim=3)
fitness = pso.fit()
print('best_x is ', pso.gbest_x, 'best_y is', pso.gbest_y)
>>>best_x is [ 4.99981675 2.00044853 18.99955148] best_y is [4.35931123e-07]
支配基準:
[1] J。ケネディとRCエバーハート。「粒子群最適化。」IEEE International Conference on Neural Networks、volume 4、IEEE Press、1995、pp。1942–1948。
[2] scikit_opt