基本PSO演算法實現(Java)

標籤：

一.演算法流程

Step1:初始化一群粒子（粒子個數為50個），包括隨即位置和速度；

Step2:計算每個粒子的適應度fitness；

Step3:對每個粒子，將其適應度與其進過的最好位置（局部）pbest做比較，如果較好，則將其作為當前的最好位置pbest；

Step4:對每個粒子，將其將其適應值與群體所經過的最好位置gbest做比較，如果較好，則將其作為當前最好位置gbest；

Step5:更新所有粒子位置和速度；

Step6:未達到結束條件則轉Step2。

 

二.實驗設定

(1)   粒子數particle_num=20；

(2)   迭代次數N=50；

(3)  慣性因子w=1.4；

(4)  c1=c2=2；

(5)  最大速度Vmax=2。

 

三.實驗說明

PSO維基：https://en.wikipedia.org/wiki/Particle_swarm_optimization

目標函數：https://en.wikipedia.org/wiki/Test_functions_for_optimization 中的Ackley‘s function、Sphere function、和Rosenbrock function(都是求最小值)

完整代碼見我的github： https://github.com/wqpod2g/PSO

 

四.java代碼

1.particle類

package nju.iip;import java.util.Random;/** * 粒子類 * @author mrpod2g * */public class Particle {    //維數    public  int dimension = 2;        //粒子的位置    public double[] X = new double[dimension];        //局部最好位置    public double[] pbest = new double[dimension];        //粒子的速度    public double[] V = new double[dimension];        //最大速度    public double Vmax = 2;        //適應值    public double fitness;        /**     * 根據當前位置計算適應值     * @return newFitness     */    public double calculateFitness() {        //1.Ackley‘s function:        //double newFitness = -20*Math.pow(Math.E,(-0.2*Math.sqrt(0.5*(X[0]*X[0]+X[1]*X[1]))))-Math.pow(Math.E,(0.5*(Math.cos(2*Math.PI*X[0])+Math.cos(2*Math.PI*X[1]))))+Math.E+20;            //2.Sphere function        //double newFitness = X[0]*X[0]+X[1]*X[1];                //3.Rosenbrock function        double newFitness = 100*(Math.pow((X[1]-X[0]*X[0]),2))+Math.pow((X[0]-1), 2);                return newFitness;    }            /**     * 初始化自己的位置和pbest     */    public void initialX() {        for(int i=0;i<dimension;i++) {            X[i] = new Random().nextInt(100);            pbest[i] = X[i];        }    }        /**     * 初始化自己的速度     */    public void initialV() {        for(int i=0;i<dimension;i++) {            double tmp = new Random().nextDouble();//隨機產生一個0~1的隨機小數            V[i] = tmp*4+(-2);        }    }    }

 

2.PSO演算法實現過程

package nju.iip;import java.util.ArrayList;import java.util.List;import java.util.Random;/** * PSO演算法實現 * @author mrpod2g * */public class PSO {        private static double[] gbest;//全域最優位置        private static double gbest_fitness = Double.MAX_VALUE;//全域最優位置對應的fitness        private static int particle_num = 20;//粒子數        private static int N = 50;//迭代次數        private static int c1,c2 = 2;        private static double w = 1.4;//慣性因子        private static List<Particle> particles = new ArrayList<Particle>();//粒子群        /**     * 初始化所有粒子     */    public static void initialParticles() {        for(int i=0;i<particle_num;i++) {            Particle particle = new Particle();            particle.initialX();            particle.initialV();            particle.fitness = particle.calculateFitness();            particles.add(particle);        }    }        /**     * update gbest     */    public static void updateGbest() {        double fitness = Double.MAX_VALUE;        int index = 0;        for(int i=0;i<particle_num;i++) {            if(particles.get(i).fitness<fitness) {                index = i;                fitness = particles.get(i).fitness;            }        }        if(fitness<gbest_fitness) {            gbest = particles.get(index).pbest.clone();            gbest_fitness = fitness;        }    }        /**     * 跟新每個粒子的速度     */    public static void updateV() {        for(Particle particle:particles) {            for(int i=0;i<particle.dimension;i++) {                double v = w*particle.V[i]+c1*rand()*(particle.pbest[i]-particle.X[i])+c2*rand()*(gbest[i]-particle.X[i]);                if(v>particle.Vmax)                    v = particle.Vmax;                else if(v<-particle.Vmax)                    v = -particle.Vmax;                particle.V[i] = v;//更新Vi            }        }    }        /**     * 更新每個粒子的位置和pbest     */    public static void updateX() {        for(Particle particle:particles) {            for(int i=0;i<particle.dimension;i++) {                particle.X[i] = particle.X[i] + particle.V[i];            }            double newFitness = particle.calculateFitness();//新的適應值            //如果新的適應值比原來的小則跟新fitness和pbest            if(newFitness<particle.fitness) {                particle.pbest = particle.X.clone();                particle.fitness = newFitness;            }        }    }        /**     * 演算法主要流程     */    public static void process() {        int n = 0;        initialParticles();        updateGbest();        while(n++<N) {            updateV();            updateX();            updateGbest();            System.out.println(n+".當前gbest:("+gbest[0]+","+gbest[1]+")  fitness="+gbest_fitness);        }    }        /**     * 返回一個0~1的隨機數     * @return     */    public static double rand() {        return new Random().nextDouble();    }        public static void main(String[] args) {        process();    }}

 

基本PSO演算法實現(Java)