PSO优化算法python

PSO算法（Particle Swarm Optimization，粒子群优化算法）是一种基于群体智能的优化算法，可以用于单目标或多目标、连续或离散问题的优化。

以下是一个简单的PSO算法的Python实现，用于求解函数 y = x^2 的最小值：

import random

# 定义目标函数
def target_function(x):
    return x**2

# 定义PSO类
class PSO:
    def __init__(self, dim, size, max_iter, c1, c2):
        self.dim = dim # 粒子维度
        self.size = size # 群体大小
        self.max_iter = max_iter # 最大迭代次数
        self.c1 = c1 # 学习因子1
        self.c2 = c2 # 学习因子2
        self.swarm = [] # 粒子群
        self.pbest = [] # 个体最优解
        self.gbest = [0, [0]*dim] # 全局最优解
        for i in range(size):
            particle = [random.uniform(-5, 5) for _ in range(dim)] # 随机初始化粒子位置
            velocity = [random.uniform(-1, 1) for _ in range(dim)] # 随机初始化粒子速度
            self.swarm.append([particle, velocity])
            self.pbest.append([particle, target_function(particle)])
            if target_function(particle) < target_function(self.gbest[1]):
                self.gbest = [i, particle]

    # 更新粒子速度和位置
    def update(self):
        for i in range(self.size):
            particle, velocity = self.swarm[i]
            rp, rg = random.uniform(0, 1), random.uniform(0, 1)
            new_velocity = [velocity[j] + self.c1*rp*(self.pbest[i][0][j]-particle[j]) + self.c2*rg*(self.gbest[1][j]-particle[j]) for j in range(self.dim)]
            new_particle = [particle[j] + new_velocity[j] for j in range(self.dim)]
            # 粒子位置越界处理
            for j in range(self.dim):
                if new_particle[j] < -5: new_particle[j] = -5
                if new_particle[j] > 5: new_particle[j] = 5
            self.swarm[i] = [new_particle, new_velocity]
            # 更新个体最优解
            if target_function(new_particle) < self.pbest[i][1]:
                self.pbest[i] = [new_particle, target_function(new_particle)]
            # 更新全局最优解
            if target_function(new_particle) < target_function(self.gbest[1]):
                self.gbest = [i, new_particle]

    # 进行PSO算法
    def run(self):
        for i in range(self.max_iter):
            self.update()
            print("Iteration {}: Best Fitness = {}".format(i+1, target_function(self.gbest[1])))

# 测试PSO算法
pso = PSO(dim=1, size=30, max_iter=100, c1=2, c2=2)
pso.run()

在上述代码中，我们定义了一个PSO类，其中包括粒子群的初始化、更新粒子速度和位置、以及进行PSO算法的run()方法。在测试时，我们初始化了一个一维粒子群，群体大小为30，最大迭代次数为100，学习因子c1和c2均为2。运行PSO算法后，每次迭代输出当前的最优适应度值。