具有局部拓扑的标准粒子群优化器 (SPSOL)

class pypop7.optimizers.pso.spsol.SPSOL(problem, options)

具有局部（环形）拓扑结构的标准粒子群优化器（SPSOL）。

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.spsol import SPSOL
>>> 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}
>>> spsol = SPSOL(problem, options)  # initialize the optimizer class
>>> results = spsol.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"SPSOL: {results['n_function_evaluations']}, {results['best_so_far_y']}")
SPSOL: 5000, 3.470837498146212e-08

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

Blackwell, T. 和 Kennedy, J., 2018. 粒子群优化中通信拓扑的影响. IEEE Transactions on Evolutionary Computation, 23(4), pp.689-702. https://ieeexplore.ieee.org/abstract/document/8531770

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

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

Eberhart, R. 和 Kennedy, J., 1995年10月。 一种使用粒子群理论的新优化器。 在国际微机器与人类科学研讨会论文集（第39-43页）中。IEEE。 https://ieeexplore.ieee.org/abstract/document/494215