### 关于 PSO 算法的 Python 仿真代码 粒子群优化 (Particle Swarm Optimization, PSO) 是一种基于群体智能的全局优化方法，广泛应用于连续优化问题。以下是实现 PSO 的基本框架以及一段完整的 Python 示例代码。 #### 基本原理 PSO 算法通过模拟鸟群觅食行为来解决问题。每个解称为一个“粒子”，这些粒子在搜索空间中移动并更新自己的位置和速度[^1]。每次迭代过程中，粒子会根据自身的最优解和个人历史最优解调整其飞行方向。 #### 参数定义 - `w`: 惯性权重(inertia weight），控制前一时刻的速度对当前速度的影响程度。 - `c1`, `c2`: 学习因子（learning factors），分别表示个体认知部分和社会认知部分的学习因子。 - `v_max`: 防止粒子飞得过远的最大速度限制。 #### 实现代码示例 以下是一个简单的 PSO 算法 Python 实现： ```python import numpy as np def objective_function(x): """目标函数：这里以二次函数为例""" return x[0]**2 + x[1]**2 class Particle: def __init__(self, bounds): self.position = np.random.uniform(bounds[:, 0], bounds[:, 1]) self.velocity = np.zeros_like(self.position) self.best_position = self.position.copy() self.best_value = float('inf') def pso(objective_func, bounds, num_particles=30, max_iter=100, w=0.8, c1=2, c2=2): particles = [Particle(bounds) for _ in range(num_particles)] global_best_position = None global_best_value = float('inf') for iteration in range(max_iter): for particle in particles: fitness_candidate = objective_func(particle.position) if fitness_candidate < particle.best_value: particle.best_value = fitness_candidate particle.best_position = particle.position.copy() if fitness_candidate < global_best_value: global_best_value = fitness_candidate global_best_position = particle.position.copy() for particle in particles: r1, r2 = np.random.rand(2) particle.velocity = (w * particle.velocity + c1 * r1 * (particle.best_position - particle.position) + c2 * r2 * (global_best_position - particle.position)) particle.position += particle.velocity if iteration % 10 == 0: print(f"Iteration {iteration}: Best Value={global_best_value}") return global_best_position, global_best_value if __name__ == "__main__": dimensions = 2 bounds = np.array([[-10, 10]] * dimensions) # 定义变量范围 best_pos, best_val = pso(objective_function, bounds=bounds, max_iter=100) print(f"\nFinal Solution: Position={best_pos}, Objective Function Value={best_val}") ``` 上述代码实现了标准的 PSO 算法，并将其用于求解二维平面上的一个简单目标函数 \(f(x_1,x_2)=x_1^2+x_2^2\)。可以根据实际需求修改目标函数和其他参数设置。 #### 参考扩展阅读 如果希望进一步了解如何应用此算法解决更复杂的问题或者调优技巧，可以查阅更多资料或尝试其他变种版本如自适应惯性权值策略等。