自适应突变粒子群算法APSO

自适应突变粒子群算法（Adaptive Mutation Particle Swarm Optimization，AMPSO）是一种改进的自适应粒子群优化算法。它通过引入突变操作来增加算法的多样性，从而提高算法的全局搜索能力。下面是AMPSO的基本步骤：

1.初始化粒子群的位置和速度，并计算每个粒子的适应度值。
2.根据适应度值和历史最优值，更新每个粒子的个体最优位置和全局最优位置。
3.根据当前的全局最优位置和个体最优位置，更新每个粒子的速度和位置。
4.引入突变操作，以一定的概率对每个粒子进行突变，从而增加算法的多样性。
5.根据适应度值和历史最优值，更新每个粒子的个体最优位置和全局最优位置。
6.重复步骤3-5，直到达到预设的停止条件。

下面是AMPSO的Python实现代码：

import random
import numpy as np

class AMPSO:
    def __init__(self, dim, size, iter_num, c1, c2, w_min, w_max, p_mut):
        self.dim = dim # 粒子维度
        self.size = size # 粒子群大小
        self.iter_num = iter_num # 迭代次数
        self.c1 = c1 # 学习因子1
        self.c2 = c2 # 学习因子2
        self.w_min = w_min # 最小惯性权重
        self.w_max = w_max # 最大惯性权重
        self.p_mut = p_mut # 突变概率
        self.x = np.zeros((size, dim)) # 粒子位置
        self.v = np.zeros((size, dim)) # 粒子速度
        self.fitness = np.zeros(size) # 粒子适应度值
        self.pbest = np.zeros((size, dim)) # 粒子个体最优位置
        self.gbest = np.zeros(dim) # 粒子群全局最优位置
        self.gbest_fitness = float('inf') # 粒子群全局最优适应度值

    def init_particles(self):
        for i in range(self.size):
            self.x[i] = np.random.uniform(-10, 10, self.dim)
            self.v[i] = np.random.uniform(-1, 1, self.dim)
            self.fitness[i] = self.evaluate(self.x[i])
            self.pbest[i] = self.x[i]
            if self.fitness[i] < self.gbest_fitness:
                self.gbest = self.x[i]
                self.gbest_fitness = self.fitness[i]

    def evaluate(self, x):
        return sum(x ** 2)

    def update_particles(self):
        w = self.w_max - (self.w_max - self.w_min) * self.iter / self.iter_num
        for i in range(self.size):
            r1 = random.random()
            r2 = random.random()
            self.v[i] = w * self.v[i] + self.c1 * r1 * (self.pbest[i] - self.x[i]) + self.c2 * r2 * (self.gbest - self.x[i])
            self.x[i] = self.x[i] + self.v[i]
            if random.random() < self.p_mut:
                self.x[i] = self.x[i] + np.random.normal(0, 1, self.dim)
            self.fitness[i] = self.evaluate(self.x[i])
            if self.fitness[i] < self.evaluate(self.pbest[i]):
                self.pbest[i] = self.x[i]
            if self.fitness[i] < self.gbest_fitness:
                self.gbest = self.x[i]
                self.gbest_fitness = self.fitness[i]

    def run(self):
        self.init_particles()
        for i in range(self.iter_num):
            self.iter = i
            self.update_particles()
        return self.gbest, self.gbest_fitness