粒子群模型Python代码

粒子群优化算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化算法，它通过模拟鸟群觅食行为来寻找问题的最优解。以下是一个简单的粒子群优化算法的Python实现：

import numpy as np

def pso(func, lb, ub, dim, n_particles, max_iter):
    # 初始化参数
    w = 0.729844  # 惯性权重
    c1 = 1.496180  # 加速常数1
    c2 = 1.496180  # 加速常数2

    # 初始化粒子位置和速度
    pos = np.random.uniform(lb, ub, (n_particles, dim))
    vel = np.random.uniform(-0.1, 0.1, (n_particles, dim))

    # 初始化个体最优和全局最优
    pbest_pos = pos.copy()
    pbest_val = np.array([func(pos[i]) for i in range(n_particles)])
    gbest_pos = pos[np.argmin(pbest_val)]
    gbest_val = np.min(pbest_val)

    # 迭代更新
    for t in range(max_iter):
        # 更新速度和位置
        r1 = np.random.rand(n_particles, dim)
        r2 = np.random.rand(n_particles, dim)
        vel = w * vel + c1 * r1 * (pbest_pos - pos) + c2 * r2 * (gbest_pos - pos)
        pos = pos + vel

        # 更新个体最优和全局最优
        for i in range(n_particles):
            current_val = func(pos[i])
            if current_val < pbest_val[i]:
                pbest_pos[i] = pos[i].copy()
                pbest_val[i] = current_val
                if current_val < gbest_val:
                    gbest_pos = pos[i].copy()
                    gbest_val = current_val

    return gbest_pos, gbest_val

# 示例：使用PSO求解Rastrigin函数的最小值
def rastrigin(x):
    A = 10
    n = len(x)
    return A * n + sum([(xi ** 2 - A * np.cos(2 * np.pi * xi)) for xi in x])

lb = [-5.12, -5.12]
ub = [5.12, 5.12]
dim = 2
n_particles = 30
max_iter = 100

best_position, best_value = pso(rastrigin, lb, ub, dim, n_particles, max_iter)
print("最优位置：", best_position)
print("最优值：", best_value)

这个代码实现了一个简单的粒子群优化算法，用于求解Rastrigin函数的最小值。你可以根据需要修改目标函数、搜索空间范围、粒子数量和最大迭代次数等参数。