综合学习粒子群优化器 (CLPSO)

class pypop7.optimizers.pso.clpso.CLPSO(problem, options)

综合学习粒子群优化器（CLPSO）。

Parameters:

• 问题 (字典) –

  问题参数包含以下常见设置 (键):

  • ’fitness_function’ - 需要最小化的目标函数 (函数),

  • ’ndim_problem’ - 维度数 (整数),

  • ’upper_boundary’ - 搜索范围的上限 (类数组),

  • ’lower_boundary’ - 搜索范围的下限 (类数组).

• options (dict) –

  具有以下常见设置的优化器选项 (keys):

  • ’max_function_evaluations’ - 函数评估的最大次数 (int, 默认: np.inf),

  • ’max_runtime’ - 允许的最大运行时间 (float, 默认: np.inf),

  • ’seed_rng’ - 需要显式设置的随机数生成种子 (int);

  以及以下特定设置 (keys):

  • ’n_individuals’ - 群体（种群）大小，即粒子数量 (int, 默认: 20),

  • ’c’ - 综合学习率 (float, 默认: 1.49445),

  • ’m’ - 刷新间隔 (int, 默认: 7),

  • ’max_ratio_v’ - 速度相对于搜索范围的最大比率 (float, 默认: 0.2).

示例

使用优化器来最小化著名的测试函数 Rosenbrock:

>>> import numpy
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.pso.clpso import CLPSO
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 2,
...            'lower_boundary': -5*numpy.ones((2,)),
...            'upper_boundary': 5*numpy.ones((2,))}
>>> options = {'max_function_evaluations': 5000,  # set optimizer options
...            'seed_rng': 2022}
>>> clpso = CLPSO(problem, options)  # initialize the optimizer class
>>> results = clpso.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"CLPSO: {results['n_function_evaluations']}, {results['best_so_far_y']}")
CLPSO: 5000, 7.184727085112434e-05

关于其编码的正确性检查，请参阅此基于代码的可重复性报告以获取更多详细信息。

c

综合学习率。

Type:

float

m

刷新间隔。

Type:

int

max_ratio_v

速度相对于搜索范围的最大比率。

Type:

float

n_individuals

群体（种群）大小，即粒子数量。

Type:

int

参考文献

梁, J.J., 秦, A.K., Suganthan, P.N. 和 Baskar, S., 2006. 用于多模态函数全局优化的综合学习粒子群优化器. IEEE 进化计算汇刊, 10(3), pp.281-295. https://ieeexplore.ieee.org/abstract/document/1637688

查看Suganthan教授的原始MATLAB源代码： https://github.com/P-N-Suganthan/CODES/blob/master/2006-IEEE-TEC-CLPSO.zip