کد الگوریتم PSO در پایتون Python

در این پست سورس کد الگوریتم PSO در پایتون Python قرار گرفته شده است. این سورس کد به زبان پایتون Python برای الگوریتم ازدحام ذرات یا همان PSO نوشته شده است. این سورس کد بر اساس ۱۲ توابع تست الگوریتم PSO را اجرا می‌کند. برای اینکه بتوانید مسئله الگوریتم PSO را واضح و کامل درک کنید مقاله‌ای کامل با عنوان الگوریتم PSO در همین سایت نوشته شده است. در ادامه مختصری از الگوریتم برای درک کد الگوریتم ازدحام ذرات در پایتون بیان می‌شود.

الگوریتم PSO

الگوریتم PSO یا (Particle swarm optimization) بهینه سازی ازدحام ذرات (PSO) یک روش بهینه سازی تصادفی مبتنی بر جمعیت است که الهام گرفته از رفتار اجتماعی ازدحام پرندگان و پرورش ماهی است. این الگوریتم با جمع آوری راه حل‌های تصادفی و جستجو برای بهینه سازی با به روز رسانی نسل‌ها آغاز می‌شود. همانطور که قبلا اشاره شد، الگوریتم PSO رفتارهای ازدحام پرنده را شبیه سازی می‌کند.

تصور کنید سناریوی زیر: گروهی از پرندگان به طور تصادفی در یک منطقه در معرض غذا قرار می‌گیرند. در منطقه مورد جستجو تنها یک قطعه غذا وجود دارد. همه پرندگان نمی‌دانند کجا غذا است. اما آنها می‌دانند که چقدر مواد غذایی در هر تکرار است. بنابراین بهترین استراتژی برای یافتن غذا چیست؟ راه حل این است که دنبال پرنده‌ای که نزدیکتر به غذا است را دنبال کنید.

طراحان PSO از این سناریو اقتباس کردند و از آن برای حل مشکلات بهینه سازی استفاده کردند. در PSO، هر یک از راه حل یک “پرنده” در فضای جستجو است. ما آن را “ذره” می‌نامیم. تمام ذرات دارای مقادیر تناسب هستند که توسط تابع تناسب برای بهینه سازی ارزیابی می‌شوند و دارای سرعت‌هایی هستند که پرواز ذرات را هدایت می‌کنند. ذرات از طریق فضای مشکل با ذرات بهینه مطلوب جریان می‌یابند.

نحوه عملکرد

الگوریتم PSO با گروهی از ذرات تصادفی (راه حل) آغاز می‌شود و سپس با به روز رسانی نسل‌ها جستجو می‌کند. در هر تکرار، هر ذره با دو ارزش “بهترین” به روزرسانی می‌شود. اولین مورد بهترین راه حل ( تابع تناسب ) است که تاکنون به دست آورده است. (ارزش تناسب نیز ذخیره می‌شود.) این ارزش pbest نامیده می‌شود. یکی دیگر از “بهترین‌ها” ارزشی است که تا کنون توسط هر ذره در جمعیت به دست آمده است.

این بهترین ارزش جهانی بهترین است و به نام gbest است. هنگامی که یک ذره بخشی از جمعیت را به عنوان همسایگان توپولوژیکی خود می‌گیرد، بهترین ارزش بهترین محلی است و به نام lbest نامیده می‌شود.

پس از پیدا کردن بهترین مقادیر pbest و gbest  ذره سرعت و موقعیت خود را با معادله زیر (۱) و (۲) به روز می‌کند.

v[] = v[] + c1 * rand() * (pbest[] – present[]) + c2 * rand() * (gbest[] – present[]) (1)
present[] = persent[] + v[] (2)

که در آن v سرعت ذرات است، present ذره فعلی (راه حل) است. pbest و gbest قبلا تعریف شده اند. rand یک عدد تصادفی بین (۰،۱) است. C1، C2 عامل یادگیری هستند. معمولا c1 = c2 = 2 هستند.

قسمت هایی از سورس کد

import CostFun as fit
import random
import numpy
import matplotlib.pyplot as plt   

# PSO parameters
lb=-10
ub=10
dim=30
PopSize=50
iters=100
Vmax=6
wMax=0.9
wMin=0.2
c1=2
c2=2
if not isinstance(lb, list):
    lb = [lb] * dim
if not isinstance(ub, list):
    ub = [ub] * dim
    
# Initializations
    
vel=numpy.zeros((PopSize,dim))
    
pBestScore=numpy.zeros(PopSize) 
pBestScore.fill(float("inf"))
    
pBest=numpy.zeros((PopSize,dim))
gBest=numpy.zeros(dim)
    
gBestScore=float("inf")

pos = numpy.zeros((PopSize, dim))
for i in range(dim):
   pos[:, i] = numpy.random.uniform(0,1, PopSize) * (ub[i] - lb[i]) + lb[i]
    
convergence_curve=numpy.zeros(iters)

***  توجه  ***

قبل از اجرای سورس کد الگوریتم در محیط پایتون حتماً از نصب پکیج‌های مورد استفاده در این سورس کد در Python خود مطمئن شوید پکیج‌های استفاده شده در این سورس کد numpy و matplotlib می‌باشد که اولی پکیج مربوط به استفاده از آرایه‌ها و ماتریس‌ها در پایتون و دومی مربوط به عملیات‌های نموداری و Plot گرفتن می‌باشد. پیشنهاد ما نصب اسپایدر (Spyder (Python 3.7 می‌باشد که هم پایتون و پکیج‌های مختلف و هم IDEهای مختلفی را همراه با امکان آپدیتشان نصب می‌کند.

درباره سورس کد الگوریتم PSO در پایتون

سورس کد الگوریتم PSO در پایتون Python عنوان اثری است که در این پست به آن پرداخته شده است. اثر مذکور در پایتون و با IDE اسپایدر (Spyder (Python 3.7 نوشته شده و بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است و دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود اثر آن را خریداری کنید.