粒子群算法原理很简单，用matlab和python都很快实现编程。
程序：
参数部分，需要修改的可以修改。这个程序实现的是基本粒子群算法，对于提升粒子群算法的表现，
可以在上面进行更多的功能添加。
import numpy as np import random import matplotlib.pyplot as plt #———————-PSO参数设置——————————— class PSO(): def __init__(self,pN,dim,max_iter): self.w = 0.8 self.c1 = 2 self.c2 = 2 self.r1= 0.6 self.r2=0.3 self.pN = pN #粒子数量 self.dim = dim #搜索维度 self.max_iter = max_iter #迭代次数 self.X = np.zeros((self.pN,self.dim)) #所有粒子的位置和速度 self.V = np.zeros((self.pN,self.dim)) self.pbest = np.zeros((self.pN,self.dim)) #个体经历的最佳位置和全局最佳位置 self.gbest = np.zeros((1,self.dim)) self.p_fit = np.zeros(self.pN) #每个个体的历史最佳适应值 self.fit = 1e10 #全局最佳适应值 #———————目标函数Sphere函数—————————– def function(self,x): sum = 0 length = len(x) x = x**2 for i in range(length): sum += x[i] return sum #———————初始化种群———————————- def init_Population(self): for i in range(self.pN): for j in range(self.dim): self.X[i][j] = random.uniform(0,1) self.V[i][j] = random.uniform(0,1) self.pbest[i] = self.X[i] tmp = self.function(self.X[i]) self.p_fit[i] = tmp if(tmp < self.fit): self.fit = tmp self.gbest = self.X[i] #———————-更新粒子位置———————————- def iterator(self): fitness = [] for t in range(self.max_iter): for i in range(self.pN): #更新gbest\pbest temp = self.function(self.X[i]) if(temp<self.p_fit[i]): #更新个体最优 self.p_fit[i] = temp self.pbest[i] = self.X[i] if(self.p_fit[i] < self.fit): #更新全局最优 self.gbest = self.X[i] self.fit = self.p_fit[i] for i in range(self.pN): self.V[i] = self.w*self.V[i] + self.c1*self.r1*(self.pbest[i] – self.X[i])\ + self.c2*self.r2*(self.gbest – self.X[i]) self.X[i] = self.X[i] + self.V[i] fitness.append(self.fit) print(self.fit) #输出最优值 return fitness #———————-程序执行———————– my_pso = PSO(pN=30,dim=5,max_iter=100) my_pso.init_Population() fitness = my_pso.iterator() #——————-画图——————– plt.figure(1) plt.title(“Figure1”) plt.xlabel(“iterators”, size=14) plt.ylabel(“fitness”, size=14) t = np.array([t for t in range(0,100)]) fitness = np.array(fitness) plt.plot(t,fitness, color=’b’,linewidth=3) plt.show()
计算结果：fitness = 8.64346866606e-07
