pso算法python

在Python中实现PSO算法需要用到NumPy库，以下是一个简单的PSO算法实现代码示例：

import numpy as np

def pso(cost_function, dim, num_particles, maxiter, lb, ub):
    # cost_function: 优化目标函数
    # dim: 变量数目
    # num_particles: 粒子数
    # maxiter: 最大迭代次数
    # lb: 每个变量的下界
    # ub: 每个变量的上界

    # 初始化粒子位置和速度
    x = np.random.uniform(lb, ub, (num_particles, dim))
    v = np.zeros((num_particles, dim))

    # 初始化个体历史最优位置和适应度值
    p = x
    p_best = np.zeros((num_particles, dim))
    p_best_cost = np.ones(num_particles) * np.inf

    # 初始化全局历史最优位置和适应度值
    g_best = np.zeros((1, dim))
    g_best_cost = np.inf

    # 迭代优化
    for i in range(maxiter):
        # 计算适应度值
        cost = cost_function(x)

        # 更新个体历史最优位置
        update_idx = np.less(cost, p_best_cost)
        p_best[update_idx] = x[update_idx]
        p_best_cost[update_idx] = cost[update_idx]

        # 更新全局历史最优位置
        if np.min(p_best_cost) < g_best_cost:
            g_best = p_best[np.argmin(p_best_cost)]
            g_best_cost = np.min(p_best_cost)

        # 更新粒子速度和位置
        r1 = np.random.uniform(size=(num_particles, dim))
        r2 = np.random.uniform(size=(num_particles, dim))
        v = 0.5 * v + 2 * r1 * (p_best - x) + 2 * r2 * (g_best - x)
        x = x + v

        # 边界处理
        x = np.maximum(x, lb)
        x = np.minimum(x, ub)

    return g_best, g_best_cost

其中，`cost_function`是需要优化的目标函数，`dim`是变量数目，`num_particles`是粒子数，`maxiter`是最大迭代次数，`lb`和`ub`分别是每个变量的下界和上界。函数返回全局历史最优位置和适应度值。