python的粒子群算法代码

以下是一个基于Python实现的粒子群算法代码示例：

import random

# 粒子群算法类
class PSO:
    def __init__(self, dim, particle_num, max_iter, func):
        self.w = 0.8 # 惯性权重
        self.c1 = 2 # 学习因子
        self.c2 = 2 # 学习因子
        self.dim = dim # 搜索空间的维度
        self.particle_num = particle_num # 粒子数量
        self.max_iter = max_iter # 最大迭代次数
        self.func = func # 适应度函数
        self.particles = [] # 粒子列表
        self.gbest_fitness = float('inf') # 全局最优适应度值
        self.gbest_position = [0.0 for _ in range(dim)] # 全局最优位置
        self.init_particles() # 初始化粒子

    # 初始化粒子
    def init_particles(self):
        for i in range(self.particle_num):
            position = [random.uniform(-100, 100) for _ in range(self.dim)] # 随机生成粒子的位置
            velocity = [random.uniform(-1, 1) for _ in range(self.dim)] # 随机生成粒子的速度
            fitness = self.func(position) # 计算粒子的适应度值
            particle = Particle(position, velocity, fitness, position, fitness) # 创建粒子对象
            self.particles.append(particle) # 将粒子添加到列表中
            if particle.fitness < self.gbest_fitness: # 更新全局最优位置
                self.gbest_fitness = particle.fitness
                self.gbest_position = particle.position

    # 粒子群算法主函数
    def optimize(self):
        for i in range(self.max_iter):
            for particle in self.particles:
                r1, r2 = random.random(), random.random() # 随机生成两个0~1之间的随机数
                particle.velocity = [self.w * v + self.c1 * r1 * (pbest - pos) + self.c2 * r2 * (self.gbest_position - pos)
                                      for v, pos, pbest in zip(particle.velocity, particle.position, particle.pbest_position)] # 更新速度
                particle.position = [pos + v for pos, v in zip(particle.position, particle.velocity)] # 更新位置
                particle.fitness = self.func(particle.position) # 计算适应度值
                if particle.fitness < particle.pbest_fitness: # 更新粒子的个体最优位置
                    particle.pbest_fitness = particle.fitness
                    particle.pbest_position = particle.position
                if particle.fitness < self.gbest_fitness: # 更新全局最优位置
                    self.gbest_fitness = particle.fitness
                    self.gbest_position = particle.position

# 粒子类
class Particle:
    def __init__(self, position, velocity, fitness, pbest_position, pbest_fitness):
        self.position = position # 粒子的当前位置
        self.velocity = velocity # 粒子的当前速度
        self.fitness = fitness # 粒子的适应度值
        self.pbest_position = pbest_position # 粒子的个体最优位置
        self.pbest_fitness = pbest_fitness # 粒子的个体最优适应度值

# 适应度函数示例
def sphere(x):
    return sum([xi ** 2 for xi in x])

# 示例代码
if __name__ == '__main__':
    pso = PSO(dim=10, particle_num=30, max_iter=500, func=sphere)
    pso.optimize()
    print('最优解：', pso.gbest_position)
    print('最优适应度值：', pso.gbest_fitness)

在这个示例代码中，我们定义了一个PSO类和一个Particle类。其中，PSO类实现了粒子群算法的主要逻辑，而Particle类则是粒子的实体类，包含粒子的位置、速度、适应度值以及个体最优位置和个体最优适应度值等属性。此外，我们还定义了一个适应度函数`sphere`，用于评估粒子的适应度值。

在示例代码中，我们使用了`random`模块生成了随机数，使用了`sum`函数计算向量的平方和。在实际应用中，我们可能需要根据具体问题自行编写随机数生成函数和适应度函数。