增量粒子群优化器 (IPSO)

class pypop7.optimizers.pso.ipso.IPSO(problem, options)

增量粒子群优化器 (IPSO)。

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’ - 随机数生成的种子，需要显式设置 (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),

  • ’constriction’ - 收缩因子 (float, 默认: 0.729),

  • ’cognition’ - 认知学习率 (float, 默认: 2.05),

  • ’society’ - 社会学习率 (float, 默认: 2.05),

  • ’max_ratio_v’ - 速度相对于搜索范围的最大比率 (float, 默认: 0.5).

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.ipso import IPSO
>>> 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}
>>> ipso = IPSO(problem, options)  # initialize the optimizer class
>>> results = ipso.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"IPSO: {results['n_function_evaluations']}, {results['best_so_far_y']}")
IPSO: 5000, 2.29225104244031e-07

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。

cognition

认知学习率，也称为加速系数。

Type:

float

constriction

收缩因子。

Type:

float

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

society

社交学习率，又称加速系数。

Type:

float

参考文献

De Oca, M.A.M., Stutzle, T., Van den Enden, K. 和 Dorigo, M., 2011. 粒子群中的增量社会学习。 IEEE 系统、人与控制论汇刊，B 部分（控制论），41(2)，第368-384页。 https://ieeexplore.ieee.org/document/5582312