- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章Python编程实现粒子群算法(PSO)详解由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
1 原理 。
粒子群算法是群智能一种,是基于对鸟群觅食行为的研究和模拟而来的。假设在鸟群觅食范围,只在一个地方有食物,所有鸟儿看不到食物(不知道食物的具体位置),但是能闻到食物的味道(能知道食物距离自己位置)。最好的策略就是结合自己的经验在距离鸟群中距离食物最近的区域搜索.
利用粒子群算法解决实际问题本质上就是利用粒子群算法求解函数的最值。因此需要事先把实际问题抽象为一个数学函数,称之为适应度函数。在粒子群算法中,每只鸟都可以看成是问题的一个解,这里我们通常把鸟称之为粒子,每个粒子都拥有:
位置,可以理解函数的自变量的值; 经验,也即是自身经历过的距离食物最近的位置; 速度,可以理解为自变量的变化值; 适应度,距离食物的位置,也就是函数值.
粒子群算法的过程 。
PSO流程图 。
初始化。包括根据给定的粒子个数,初始化粒子,包括初始化一下的值:
位置:解空间内的随机值; 经验:与初始位置相等; 速度:0; 适应度:根据位置,带入适应度函数,得到适应度值。 更新。包括两部分: 粒子自身信息:包括根据下面的公式更新粒子的速度、位置,根据适应度函数更新适应度,然后和用更新后的适应度和自身经验进行比较,如果新的适应度由于经验的适应度,就利用当前位置更新经验; 。
速度更新公式 。
位置更新公式 。
上面公式中:i表示粒子编号;t表示时刻,反映在迭代次数上;w是惯性权重,一般设置在0.4左右;c表示学习因子,一般都取值为2;Xpbest表示的是粒子i的经验,也即是粒子i所到过最佳位置;Xgbest代表的是全局最优粒子的位置;r是0到1之间的随机值.
种群信息:把当前适应度和全局最优位置的适应度进行比较,如果当前适应度优于全局最优的适应度,那么久用当前粒子替换群居最优.
判断结束条件。结束条件包括最大迭代次数和适应度的阈值.
2 代码 。
实验环境为python 2.7.11.
这个代码最初是用于求解一维最大熵分割图像问题的,因此是求解函数最大值,如果需要求解最小值,把代码中的大于号全部改成小于号就可以了.
首先需要解决的是粒子的存储,我第一反应是利用结构体来存储,但是python并没有相应的数据结构,所以我选择用一个类来表示粒子结构,该类的一个对象就是一个粒子,上代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
class
bird:
"""
speed:速度
position:位置
fit:适应度
lbestposition:经历的最佳位置
lbestfit:经历的最佳的适应度值
"""
def
__init__(
self
, speed, position, fit, lBestPosition, lBestFit):
self
.speed
=
speed
self
.position
=
position
self
.fit
=
fit
self
.lBestFit
=
lBestPosition
self
.lBestPosition
=
lPestFit
|
接下来就是粒子群算法的主干部分,用一个类来封装,代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
|
import
random
class
PSO:
"""
fitFunc:适应度函数
birdNum:种群规模
w:惯性权重
c1,c2:个体学习因子,社会学习因子
solutionSpace:解空间,列表类型:[最小值,最大值]
"""
def
__init__(
self
, fitFunc, birdNum, w, c1, c2, solutionSpace):
self
.fitFunc
=
fitFunc
self
.w
=
w
self
.c1
=
c1
self
.c2
=
c2
self
.birds,
self
.best
=
self
.initbirds(birdNum, solutionSpace)
def
initbirds(
self
, size, solutionSpace):
birds
=
[]
for
i
in
range
(size):
position
=
random.uniform(solutionSpace[
0
], solutionSpace[
1
])
speed
=
0
fit
=
self
.fitFunc(position)
birds.append(bird(speed, position, fit, position, fit))
best
=
birds[
0
]
for
bird
in
birds:
if
bird.fit > best.fit:
best
=
bird
return
birds,best
def
updateBirds(
self
):
for
bird
in
self
.birds:
# 更新速度
bird.speed
=
self
.w
*
bird.speed
+
self
.c1
*
random.random()
*
(bird.lBestPosition
-
bird.position)
+
self
.c2
*
random.random()
*
(
self
.best.position
-
bird.position)
# 更新位置
bird.position
=
bird.position
+
bird.speed
# 跟新适应度
bird.fit
=
self
.fitFunc(bird.position)
# 查看是否需要更新经验最优
if
bird.fit > bird.lBestFit:
bird.lBestFit
=
bird.fit
bird.lBestPosition
=
bird.position
def
solve(
self
, maxIter):
# 只考虑了最大迭代次数,如需考虑阈值,添加判断语句就好
for
i
in
range
(maxIter):
# 更新粒子
self
.updateBirds()
for
bird
in
self
.birds:
# 查看是否需要更新全局最优
if
bird.fit >
self
.best.fit:
self
.best
=
bird
|
有了以上代码,只需要自定义适应度函数fitFunc就可以进行求解,但是需要注意的是只适用于求解 一维问题 .
总结 。
以上就是本文关于Python编程实现粒子群算法(PSO)详解的全部内容,希望对大家有所帮助。有什么问题可以随时留言,小编会及时回复大家的。感谢朋友们对本站的支持! 。
原文链接:http://www.jianshu.com/p/2bf2c07110e2 。
最后此篇关于Python编程实现粒子群算法(PSO)详解的文章就讲到这里了,如果你想了解更多关于Python编程实现粒子群算法(PSO)详解的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
全称“Java Virtual Machine statistics monitoring tool”(statistics 统计;monitoring 监控;tool 工具) 用于监控虚拟机的各种运
主要是讲下Mongodb的索引的查看、创建、删除、类型说明,还有就是Explain执行计划的解释说明。 可以转载,但请注明出处。  
1>单线程或者单进程 相当于短链接,当accept之后,就开始数据的接收和数据的发送,不接受新的连接,即一个server,一个client 不存在并发。 2>循环服务器和并发服务器
详解 linux中的关机和重启命令 一 shutdown命令 shutdown [选项] 时间 选项: ?
首先,将json串转为一个JObject对象: ? 1
matplotlib官网 matplotlib库默认英文字体 添加黑体(‘SimHei')为绘图字体 代码: plt.rcParams['font.sans-serif']=['SimHei'
在并发编程中,synchronized关键字是常出现的角色。之前我们都称呼synchronized关键字为重量锁,但是在jdk1.6中对synchronized进行了优化,引入了偏向锁、轻量锁。本篇
一般我们的项目中会使用1到2个数据库连接配置,同程艺龙的数据库连接配置被收拢到统一的配置中心,由DBA统一配置和维护,业务方通过某个字符串配置拿到的是Connection对象。  
实例如下: ? 1
1. MemoryCahe NetCore中的缓存和System.Runtime.Caching很相似,但是在功能上做了增强,缓存的key支持object类型;提供了泛型支持;可以读缓存和单个缓存
argument是javascript中函数的一个特殊参数,例如下文,利用argument访问函数参数,判断函数是否执行 复制代码 代码如下: <script
一不小心装了一个Redis服务,开了一个全网的默认端口,一开始以为这台服务器没有公网ip,结果发现之后悔之莫及啊 某天发现cpu load高的出奇,发现一个minerd进程 占了大量cpu,googl
今天写这个是为了 提醒自己 编程过程 不仅要有逻辑 思想 还有要规范 代码 这样可读性 1、PHP 编程规范与编码习惯最主要的有以下几点: 1 文件说明 2 funct
摘要:虚拟机安装时一般都采用最小化安装,默认没有lspci工具。一台测试虚拟网卡性能的虚拟机,需要lspci工具来查看网卡的类型。本文描述了在一个虚拟机中安装lspci工具的具体步骤。 由于要测试
1、修改用户进程可打开文件数限制 在Linux平台上,无论编写客户端程序还是服务端程序,在进行高并发TCP连接处理时,最高的并发数量都要受到系统对用户单一进程同时可打开文件数量的限制(这是因为系统
目录 算术运算符 基本四则运算符 增量赋值运算符 自增/自减运算符 关系运算符 逻
如下所示: ? 1
MapperScannerConfigurer之sqlSessionFactory注入方式讲解 首先,Mybatis中的有一段配置非常方便,省去我们去写DaoImpl(Dao层实现类)的时间,这个
Linux的网络虚拟化是LXC项目中的一个子项目,LXC包括文件系统虚拟化,进程空间虚拟化,用户虚拟化,网络虚拟化,等等,这里使用LXC的网络虚拟化来模拟多个网络环境。 本文从基本的网络设备讲
? 1
我是一名优秀的程序员,十分优秀!