pso算法python

以下是一个简单的PSO算法Python实现：

import random

# PSO算法参数设置
w = 0.5
c1 = 0.8
c2 = 0.9

# 求解的目标函数
def objective_function(x):
    return x ** 2

# 粒子类
class Particle:
    def __init__(self, x0):
        self.position_i = []          # 粒子的位置
        self.velocity_i = []          # 粒子的速度
        self.pos_best_i = []          # 粒子最好的位置
        self.err_best_i = -1          # 粒子最好的适应度值
        self.err_i = -1               # 粒子当前适应度值

        for i in range(0, num_dimensions):
            self.velocity_i.append(random.uniform(-1, 1))
            self.position_i.append(x0[i])

    # 更新粒子的位置和速度
    def update(self, pos_best_g):
        for i in range(0, num_dimensions):
            r1 = random.random()
            r2 = random.random()

            vel_cognitive = c1 * r1 * (self.pos_best_i[i] - self.position_i[i])
            vel_social = c2 * r2 * (pos_best_g[i] - self.position_i[i])
            self.velocity_i[i] = w * self.velocity_i[i] + vel_cognitive + vel_social
            self.position_i[i] += self.velocity_i[i]

    # 计算粒子的适应度值
    def evaluate(self, objective_function):
        self.err_i = objective_function(self.position_i)

        if self.err_i < self.err_best_i or self.err_best_i == -1:
            self.pos_best_i = self.position_i
            self.err_best_i = self.err_i

# PSO算法主函数
class PSO:
    def __init__(self, objective_function, x0, bounds, num_particles, maxiter):
        global num_dimensions

        num_dimensions = len(x0)
        err_best_g = -1
        pos_best_g = []

        swarm = []
        for i in range(0, num_particles):
            swarm.append(Particle(x0))

        i = 0
        while i < maxiter:
            # 遍历所有粒子，更新其位置和速度
            for j in range(0, num_particles):
                swarm[j].evaluate(objective_function)

                if swarm[j].err_i < err_best_g or err_best_g == -1:
                    pos_best_g = list(swarm[j].position_i)
                    err_best_g = float(swarm[j].err_i)

            for j in range(0, num_particles):
                swarm[j].update(pos_best_g)
            i += 1

        # 输出最优解和适应度值
        print('Best Position: ', pos_best_g)
        print('Best Error: ', err_best_g)

if __name__ == "__PSO__":
    initial = [5]                  # 初始解
    bounds = [(-10, 10)]           # 取值范围
    PSO(objective_function, initial, bounds, num_particles=15, maxiter=30)

该实现中定义了一个Particle类来表示粒子，它包含了粒子的位置、速度等信息，同时还定义了更新位置和速度、计算适应度值等方法。在PSO类中，首先定义了一些PSO算法的参数，然后生成了一个粒子群，遍历所有粒子，计算每个粒子的适应度值，并记录全局最优解。接着更新所有粒子的位置和速度，循环迭代直到满足停止条件。最后输出最优解和适应度值。