标准粒子群优化器（全局拓扑，SPSO）

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

标准粒子群优化器（全局拓扑，SPSO）。

注意

“对于多维函数，必须找到最合适的方法来计算方向和更新速度，以便粒子能够收敛到函数的最优值。” —[Floreano & Mattiussi, 2008]

参数:

• problem (dict) –

  问题参数，包含以下通用设置 (键)

  • 'fitness_function' - 需要被最小化的目标函数 (func),

  • 'ndim_problem' - 维度数量 (int),

  • 'upper_boundary' - 搜索范围的上边界 (array_like),

  • 'lower_boundary' - 搜索范围的下边界 (array_like).

• options (dict) –

  优化器选项，包含以下通用设置 (键)

  • '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' - 随机数生成器的种子，需要明确设置 (int);

  以及以下特定设置 (键)

  • 'n_individuals' - 粒子群（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' - 相对于搜索范围的最大速度比率 (float, 默认: 0.2).

示例

使用 SPSO 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.spso import SPSO
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 2,
...            'lower_boundary': -5.0*numpy.ones((2,)),
...            'upper_boundary': 5.0*numpy.ones((2,))}
>>> options = {'max_function_evaluations': 5000,  # set optimizer options
...            'seed_rng': 2022}
>>> spso = SPSO(problem, options)  # initialize the optimizer class
>>> results = spso.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"SPSO: {results['n_function_evaluations']}, {results['best_so_far_y']}")
SPSO: 5000, 3.456e-09

关于其编码的正确性检查，请参阅这份基于代码的可重复性报告以获取更多详情。

cognition

认知学习率，也称为加速系数。

类型:

float

max_ratio_v

相对于搜索范围的最大速度比率。

类型:

float

n_individuals

粒子群（种群）大小，即粒子数量。

类型:

int

society

社会学习率，也称为加速系数。

类型:

float

参考文献

Floreano, D. and Mattiussi, C., 2008. Bio-inspired artificial intelligence: Theories, methods, and technologies. MIT Press. https://mitpress.mit.edu/9780262062718/bio-inspired-artificial-intelligence/ （详见 [Chapter 7.2 Particle Swarm Optimization]。）

Venter, G. and Sobieszczanski-Sobieski, J., 2003. Particle swarm optimization. AIAA Journal, 41(8), pp.1583-1589. https://arc.aiaa.org/doi/abs/10.2514/2.2111

Eberhart, R.C., Shi, Y. and Kennedy, J., 2001. Swarm intelligence. Elsevier. https://www.elsevier.com/books/swarm-intelligence/eberhart/978-1-55860-595-4

Shi, Y. and Eberhart, R., 1998, May. A modified particle swarm optimizer. In IEEE World Congress on Computational Intelligence (pp. 69-73). IEEE. https://ieeexplore.ieee.org/abstract/document/699146

Kennedy, J. and Eberhart, R., 1995, November. Particle swarm optimization. In Proceedings of International Conference on Neural Networks (pp. 1942-1948). IEEE. https://ieeexplore.ieee.org/document/488968