### PSO算法的Python代码实现 以下是基于提供的参考资料以及PSO算法原理编写的完整Python代码实现： ```python import numpy as np import matplotlib.pyplot as plt class PSO: def __init__(self, cost_function, bounds, num_particles, max_iter, w=0.8, c1=0.5, c2=0.5): """ 初始化粒子群优化器。 参数说明： - cost_function: 需要最小化的成本函数。 - bounds: 搜索空间的边界，形式为 [(下界1, 上界1), (下界2, 上界2), ...]。 - num_particles: 粒子数量。 - max_iter: 最大迭代次数。 - w: 惯性权重，默认值为 0.8。 - c1: 自我认知部分的学习因子，默认值为 0.5。 - c2: 社会认知部分的学习因子，默认值为 0.5。 """ self.cost_function = cost_function self.bounds = np.array(bounds) self.num_particles = num_particles self.max_iter = max_iter self.w = w self.c1 = c1 self.c2 = c2 # 初始化粒子位置和速度 self.particles_position = np.zeros((num_particles, len(self.bounds))) self.particles_velocity = np.zeros_like(self.particles_position) for i in range(len(self.bounds)): self.particles_position[:, i] = np.random.uniform(self.bounds[i][0], self.bounds[i][1], num_particles) self.particles_velocity[:, i] = np.random.uniform(-abs(self.bounds[i][1]-self.bounds[i][0]), abs(self.bounds[i][1]-self.bounds[i][0]), num_particles) # 初始化个体最优和全局最优 self.personal_best_positions = self.particles_position.copy() self.personal_best_values = np.apply_along_axis(self.cost_function, 1, self.particles_position) global_best_index = np.argmin(self.personal_best_values) self.global_best_position = self.personal_best_positions[global_best_index].copy() self.global_best_value = self.personal_best_values[global_best_index] def optimize(self): """ 运行PSO优化过程。 """ fitness_history = [] for iteration in range(self.max_iter): # 更新粒子的速度和位置 r1, r2 = np.random.rand(), np.random.rand() self.particles_velocity = ( self.w * self.particles_velocity + self.c1 * r1 * (self.personal_best_positions - self.particles_position) + self.c2 * r2 * (self.global_best_position - self.particles_position) ) # 应用速度限制 for i in range(len(self.bounds)): velocity_bound = 0.2 * (self.bounds[i][1] - self.bounds[i][0]) self.particles_velocity[:, i] = np.clip( self.particles_velocity[:, i], -velocity_bound, velocity_bound ) self.particles_position += self.particles_velocity # 边界处理 for i in range(len(self.bounds)): self.particles_position[:, i] = np.clip( self.particles_position[:, i], self.bounds[i][0], self.bounds[i][1] ) # 计算适应度值 current_fitness = np.apply_along_axis(self.cost_function, 1, self.particles_position) better_indices = current_fitness < self.personal_best_values self.personal_best_positions[better_indices] = self.particles_position[better_indices] self.personal_best_values[better_indices] = current_fitness[better_indices] # 更新全局最优解 best_particle_idx = np.argmin(self.personal_best_values) if self.personal_best_values[best_particle_idx] < self.global_best_value: self.global_best_position = self.personal_best_positions[best_particle_idx].copy() self.global_best_value = self.personal_best_values[best_particle_idx] fitness_history.append(self.global_best_value) print(f"Iteration {iteration+1}/{self.max_iter}, Best Fitness: {self.global_best_value}") return self.global_best_position, self.global_best_value, fitness_history if __name__ == "__main__": # 定义目标函数（Sphere Function） def sphere_function(x): return sum(xi ** 2 for xi in x) # 设置搜索范围和其他参数 bounds = [(-10, 10), (-10, 10)] pso = PSO(cost_function=sphere_function, bounds=bounds, num_particles=30, max_iter=50) # 执行优化 best_position, best_value, history = pso.optimize() # 可视化收敛曲线 plt.figure(figsize=(8, 6)) plt.plot(history, marker='o') plt.title("Convergence Curve") plt.xlabel("Iteration") plt.ylabel("Best Fitness Value") plt.grid(True) plt.show() ``` 此代码实现了完整的PSO算法流程，并提供了可视化功能来展示每次迭代的最佳适应度变化情况。 --- #### 关键点解释 - **惯性权重 `w`**: 控制粒子前一时刻速度的影响程度[^4]。 - **学习因子 `c1`, `c2`**: 调节粒子向自身历史最佳位置和社会历史最佳位置移动的趋势[^4]。 - **边界约束**: 使用 `np.clip()` 方法确保粒子不会超出指定的搜索空间[^3]。 - **适应度计算**: 利用了 NumPy 的矢量化操作加速性能[^2]。 ---