具有全局拓扑结构的标准粒子群优化器 (SPSO)

class pypop7.optimizers.pso.spso.SPSO(problem, options)[source]

具有全局拓扑的标准粒子群优化器（SPSO）。

注意

“在多维函数的情况下，必须找到计算方向和更新速度的最合适方法，以便粒子收敛到函数的最优值。” —[Floreano&Mattiussi, 2008]

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),

    • ’cognition’ - 认知学习率 (float, 默认: 2.0),

    • ’society’ - 社会学习率 (float, 默认: 2.0),

    • ’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 SPSO 来最小化著名的测试函数 Rosenbrock:

 1>>> import numpy
 2>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
 3>>> from pypop7.optimizers.pso.spso import SPSO
 4>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
 5...            'ndim_problem': 2,
 6...            'lower_boundary': -5.0*numpy.ones((2,)),
 7...            'upper_boundary': 5.0*numpy.ones((2,))}
 8>>> options = {'max_function_evaluations': 5000,  # set optimizer options
 9...            'seed_rng': 2022}
10>>> spso = SPSO(problem, options)  # initialize the optimizer class
11>>> results = spso.optimize()  # run the optimization process
12>>> # return the number of function evaluations and best-so-far fitness
13>>> print(f"SPSO: {results['n_function_evaluations']}, {results['best_so_far_y']}")
14SPSO: 5000, 3.456e-09

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

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

Floreano, D. 和 Mattiussi, C., 2008. 生物启发的人工智能：理论、方法和技术。 MIT Press. https://mitpress.mit.edu/9780262062718/bio-inspired-artificial-intelligence/ （详情请参见[第7.2章 粒子群优化]。）

Venter, G. 和 Sobieszczanski-Sobieski, J., 2003. 粒子群优化。 AIAA 期刊, 41(8), 页 1583-1589. https://arc.aiaa.org/doi/abs/10.2514/2.2111

Eberhart, R.C., Shi, Y. 和 Kennedy, J., 2001. 群体智能。 Elsevier. https://www.elsevier.com/books/swarm-intelligence/eberhart/978-1-55860-595-4

Shi, Y. 和 Eberhart, R., 1998年5月. 一种改进的粒子群优化器. 在IEEE世界计算智能大会 (第69-73页). IEEE. https://ieeexplore.ieee.org/abstract/document/699146

Kennedy, J. 和 Eberhart, R., 1995年11月. 粒子群优化. 在国际神经网络会议论文集 (pp. 1942-1948). IEEE. https://ieeexplore.ieee.org/document/488968