### 改进粒子群优化 (Improved Particle Swarm Optimization, IPSO) 的 Python 实现 改进粒子群优化算法是对标准粒子群优化算法的一种扩展，旨在提高其性能和适用范围。以下是基于已有研究[^1][^2]的一个典型 IPSSO 算法的 Python 实现： #### 代码实现 以下是一个简单的改进粒子群优化算法的 Python 实现，其中引入了自适应惯性权重来提升收敛速度。 ```python import numpy as np import random class ImprovedPSO: def __init__(self, n_particles, dimensions, bounds, max_iter, w_min=0.4, w_max=0.9, c1=2, c2=2): """ 初始化参数 :param n_particles: 粒子数量 :param dimensions: 搜索空间维度 :param bounds: 变量取值范围 [(min_bound, max_bound), ...] :param max_iter: 最大迭代次数 :param w_min: 自适应惯性权重最小值 :param w_max: 自适应惯性权重最大值 :param c1: 学习因子1 :param c2: 学习因子2 """ self.n_particles = n_particles self.dimensions = dimensions self.bounds = np.array(bounds) self.max_iter = max_iter self.w_min = w_min self.w_max = w_max self.c1 = c1 self.c2 = c2 # 初始化粒子位置和速度 self.particles = np.random.uniform(self.bounds[:, 0], self.bounds[:, 1], size=(n_particles, dimensions)) self.velocities = np.zeros_like(self.particles) # 记录个体最佳位置和个人历史最佳适应度 self.personal_best_positions = np.copy(self.particles) self.personal_best_fitness = np.full(n_particles, float('inf')) # 全局最佳位置及其对应的适应度 self.global_best_position = None self.global_best_fitness = float('inf') def evaluate_fitness(self, particles): """定义目标函数""" fitness_values = [] for particle in particles: # 这里可以替换为目标函数 f(x)，例如 Sphere 函数 value = sum(p ** 2 for p in particle) # 使用 Sphere 测试函数作为例子 fitness_values.append(value) return np.array(fitness_values) def update_velocity_and_position(self, iteration): """更新粒子的速度和位置""" r1, r2 = np.random.rand(), np.random.rand() w = self.w_max - ((self.w_max - self.w_min) / self.max_iter) * iteration # 动态调整惯性权重 for i in range(self.n_particles): cognitive_component = self.c1 * r1 * (self.personal_best_positions[i] - self.particles[i]) social_component = self.c2 * r2 * (self.global_best_position - self.particles[i]) # 更新速度 self.velocities[i] = w * self.velocities[i] + cognitive_component + social_component # 应用边界条件并更新位置 new_position = self.particles[i] + self.velocities[i] bounded_new_position = np.clip(new_position, self.bounds[:, 0], self.bounds[:, 1]) self.particles[i] = bounded_new_position def optimize(self): """执行优化过程""" history = [] for t in range(self.max_iter): current_fitness = self.evaluate_fitness(self.particles) # 更新个人最佳位置 better_indices = current_fitness < self.personal_best_fitness self.personal_best_fitness[better_indices] = current_fitness[better_indices] self.personal_best_positions[better_indices] = self.particles[better_indices] # 更新全局最佳位置 min_index = np.argmin(current_fitness) if current_fitness[min_index] < self.global_best_fitness: self.global_best_fitness = current_fitness[min_index] self.global_best_position = self.particles[min_index].copy() # 更新速度和位置 self.update_velocity_and_position(t) # 记录每次迭代的最佳适应度 history.append(self.global_best_fitness) return self.global_best_position, self.global_best_fitness, history if __name__ == "__main__": # 参数设置 n_particles = 30 dimensions = 5 bounds = [(-10, 10)] * dimensions max_iter = 100 optimizer = ImprovedPSO(n_particles=n_particles, dimensions=dimensions, bounds=bounds, max_iter=max_iter) best_pos, best_fit, fit_history = optimizer.optimize() print("Global Best Position:", best_pos) print("Global Best Fitness:", best_fit) ``` 上述代码实现了带动态惯性权重调节机制的改进粒子群优化算法，并将其应用于一个典型的测试函数——Sphere 函数上。可以根据实际需求修改 `evaluate_fitness` 方法中的目标函数表达式。 --- ### 关键点解析 - **自适应惯性权重**：通过线性递减方式调整惯性权重 \(w\) 来平衡探索能力和开发能力[^1]。 - **认知和社会成分**：分别由学习因子 \(\text{c1}\) 和 \(\text{c2}\) 控制，用于引导粒子向局部最优和全局最优靠近[^3]。 - **边界处理**：采用裁剪方法 (\(np.clip\)) 将超出边界的粒子重新拉回可行域内[^4]。 ---