-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathPSO.py
217 lines (164 loc) · 8.23 KB
/
PSO.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
import time
import copy
import numpy as np
from matplotlib import cm
import matplotlib.pyplot as plt
import math
import random
from RandomNumberGenerator import *
from scipy.stats import uniform
# Wartość współczynnika bezwładności (w) wpływa na zdolność cząstek do zachowania poprzedniej prędkości.
# Wraz ze wzrostem wartości tego parametru, zwiększa się zdolność cząstek do przeszukiwania nowych rejonów przestrzeni rozwiązań.
# Wzór -> w=1-aktualnaIteracja/maxLiczbaIteracji
# c - tempo uczenia (od 0 do 1) (nazywane współczynnikiem ścisku)
# Wzór -> omega = cl+cg (musi być większe niż 4) c = 2/|2-omega-sqrt(omega*omega-4*omega)|
class PSO():
_population = 10
_size = 2
_iterations = 100
_w = 1
_c = 1
_cl = 2.1
_cg = 2.1
_L = -100
_U = 100
_populationList = []
_speedList = []
_localBestList = []
_globalBest = []
def __init__(self, size, population, iterations, cl, cg):
self._size = size
self._population = population
self._iterations = iterations
self._cl = cl
self._cg = cg
self._populationList = [
[0 for i in range(size)] for j in range(population)]
self._speedList = [
[0 for i in range(size)] for j in range(population)]
self._localBestList = [
[0 for i in range(size)] for j in range(population)]
self._globalBest = [0 for i in range(size)]
def simplescore(self, permutation):
score = 0
for i in range(self._size):
score=score+(permutation[i]**2)
return score
def solve(self):
for i in range(self._size):
self._populationList[0][i] = round(uniform.rvs(loc=self._L, scale=self._U-self._L), 5)
self._localBestList[0] = copy.deepcopy(self._populationList[0])
self._globalBest = copy.deepcopy(self._populationList[0])
for i in range(self._size):
self._speedList[0][i] = round(uniform.rvs(loc=self._L-self._U, scale=2*self._U-2*self._L), 5)
for j in range(self._population):
if j == 0:
continue
for i in range(self._size):
self._populationList[j][i] = round(uniform.rvs(loc=self._L, scale=self._U-self._L), 5)
self._localBestList[j] = copy.deepcopy(self._populationList[j])
if self.simplescore(self._populationList[j]) < self.simplescore(self._globalBest):
self._globalBest = copy.deepcopy(self._populationList[j])
#print("Najlepsza: "+str(self._globalBest))
for i in range(self._size):
self._speedList[j][i] = round(uniform.rvs(loc=self._L-self._U, scale=2*self._U-2*self._L), 5)
omega = self._cl+self._cg
self._c = 2/math.fabs(2-omega-math.sqrt(omega**2-4*omega))
for actualIter in range(self._iterations):
self._w = 1-(actualIter+1)/self._iterations
for j in range(self._population):
for i in range(self._size):
rl = round(uniform.rvs(),5)
rg = round(uniform.rvs(),5)
a = self._w*self._speedList[j][i]
b = self._cl*rl * (self._localBestList[j][i]-self._populationList[j][i])
c = self._cg*rg * (self._globalBest[i]-self._populationList[j][i])
self._speedList[j][i] = a+b+c
self._populationList[j][i] = self._populationList[j][i] + self._c*self._speedList[j][i]
if self.simplescore(self._populationList[j]) < self.simplescore(self._localBestList[j]):
self._localBestList[j] = copy.deepcopy(self._populationList[j])
if self.simplescore(self._populationList[j]) < self.simplescore(self._globalBest):
self._globalBest = copy.deepcopy(self._populationList[j])
#print("Najlepsza: "+str(self._globalBest))
return self._globalBest
#ZMIENNE
n = 3 #rozmiar problemu
k = 30 #liczba czastek
iterations = 1000 #liczba iteracji
#PARAMETRY
#Współczynnik dążenia do najlepszego lokalnego rozwiązania (ol) (cl)
#Im większa wartość tego parametru tym większa skłonność cząstki do oscylacji wokół swojej najlepszej pozycji.
cl = 2
#Współczynnik dążenia do najlepszego globalnego rozwiązania (og) (cg)
#Zwiększanie wartości tego parametru powoduje zwiększenie tendencji do grupowania się cząstek wokół najlepszego globalnego rozwiązania.
cg = 4
#To problem unimodalny, więc zalecane aby "og" lepszy niż "ol"
# φ1>0 oraz φ2=0 Każda cząstka realizuje stochastyczny algorytm wspinania się na wzgórze(ang. hill climbing).
# φ1=0 oraz φ2>0 Cały rój realizuje stochastyczny algorytm wspinania się na wzgórze.
# φ1=φ2>0 Cząstka przyciągana jest przez średnią z pi oraz g.
# φ1>φ2 Zalecane w przypadku problemów multimodalnych.
# φ1<φ2 Zalecane w przypadku problemów unimodalnych.
# niskie φ1, φ2 Gładkie trajektorie cząstek.
# wysokie φ1, φ2 Gwałtowne trajektorie cząstek.
def main():
wyniki = []
wynikiczasowe = []
print("Rozwiązanie problemu optymalizacji funkcji ciągłej Sphere function przy pomocy PSO")
for n in range(1,16):
for k in [10,20]:
for iterations in [100,200]:
for cl in [2,3,4]:
cg = 6-cl
start = time.time()
x = PSO(n, k, iterations, cl, cg)
wynik = x.solve()
end = time.time()
czas = end - start
print("===Wynik dla n="+str(n)+", k="+str(k)+", iter="+str(iterations)+", cl="+str(cl)+", cg="+str(cg))
print("Koniec: "+str(wynik))
print("Wartosc funkcji: "+str(x.simplescore(wynik)))
print("Czas: "+str(czas))
wyniki.append(x.simplescore(wynik))
wynikiczasowe.append(czas)
argumenty = np.linspace(1, 15, 15)
plt.plot(argumenty, wyniki[::12], label="k=10 - iter=100 - 2i4")
plt.plot(argumenty, wyniki[1::12], label="k=10 - iter=100 - 3i3")
plt.plot(argumenty, wyniki[2::12], label="k=10 - iter=100 - 4i2")
plt.plot(argumenty, wyniki[3::12], label="k=10 - iter=200 - 2i4")
plt.plot(argumenty, wyniki[4::12], label="k=10 - iter=200 - 3i3")
plt.plot(argumenty, wyniki[5::12], label="k=10 - iter=200 - 4i2")
plt.plot(argumenty, wyniki[6::12], label="k=20 - iter=100 - 2i4")
plt.plot(argumenty, wyniki[7::12], label="k=20 - iter=100 - 3i3")
plt.plot(argumenty, wyniki[8::12], label="k=20 - iter=100 - 4i2")
plt.plot(argumenty, wyniki[9::12], label="k=20 - iter=200 - 2i4")
plt.plot(argumenty, wyniki[10::12], label="k=20 - iter=200 - 3i3")
plt.plot(argumenty, wyniki[11::12], label="k=20 - iter=200 - 4i2")
plt.grid(True)
plt.xlabel("Liczba argumentow (n)")
plt.ylabel("Wynik dzialania funkcji")
plt.title(
"Wykres wyników w zależności od parametorów")
plt.legend()
plt.savefig("WykresPSOWyniki.jpg", dpi=72)
plt.show()
plt.plot(argumenty, wynikiczasowe[::12], label="k=10 - iter=100 - 2i4")
plt.plot(argumenty, wynikiczasowe[1::12], label="k=10 - iter=100 - 3i3")
plt.plot(argumenty, wynikiczasowe[2::12], label="k=10 - iter=100 - 4i2")
plt.plot(argumenty, wynikiczasowe[3::12], label="k=10 - iter=200 - 2i4")
plt.plot(argumenty, wynikiczasowe[4::12], label="k=10 - iter=200 - 3i3")
plt.plot(argumenty, wynikiczasowe[5::12], label="k=10 - iter=200 - 4i2")
plt.plot(argumenty, wynikiczasowe[6::12], label="k=20 - iter=100 - 2i4")
plt.plot(argumenty, wynikiczasowe[7::12], label="k=20 - iter=100 - 3i3")
plt.plot(argumenty, wynikiczasowe[8::12], label="k=20 - iter=100 - 4i2")
plt.plot(argumenty, wynikiczasowe[9::12], label="k=20 - iter=200 - 2i4")
plt.plot(argumenty, wynikiczasowe[10::12], label="k=20 - iter=200 - 3i3")
plt.plot(argumenty, wynikiczasowe[11::12], label="k=20 - iter=200 - 4i2")
plt.grid(True)
plt.xlabel("Liczba argumentow (n)")
plt.ylabel("Czas [s]")
plt.title(
"Wykres czasu działania w zależności od parametrów")
plt.legend()
plt.savefig("WykresPSOWynikiCzasowe.jpg", dpi=72)
plt.show()
main()