雞群演算法,縮寫為CSO(Chicken Swarm Optimization),儘管具備所謂仿生學的背景,但實質上是粒子群演算法的變體。
簡單來說,粒子群就是一群粒子,每個粒子都有自己的位置和速度,而且每個粒子都要受到最佳粒子的吸引,除了這兩個規則之外,粒子之間完全平等,彼此之間除了位置和速度之外,完全相等。
當然,粒子群演算法本身也是有仿生學背景的,據說靈感來自於鳥群覓食,這個當然不重要,無非是一群平等的粒子變成了一群平等的鳥罷了。
而雞群演算法,則是為這些粒子,或者這些鳥,添加了不同的身份特徵,使得彼此之間不再等同。
雞群中至少有三個階層,分別是公雞、母雞和小雞,每隻雞都有其位置和速度。但差別在於,
公雞最神氣,原則上可以隨便踱步,只是有的時候注意到其他公雞的時候,會有搶食的想法,相當於隨機抽選一隻其他公雞,對其位置產生影響。
母雞最憋屈,一方面要接受公雞的領導,另一方面還要和其他母雞搶食
小雞最無憂無慮,跟著母雞走就是了。
隨著地點關係的變化,母雞和小雞可能會逐漸遺忘最初的首領,也就是說族群關係可能會改變。
首先,要實作一個雞類,一隻雞,有兩種基本屬性,即位置和類別。
import numpy as np from random import gauss, random randint = np.random.randint uniRand = np.random.uniform class Chicken: def __init__(self, N, xRange, order=0, kind=0): # 生成(N)维参数 self.x = uniRand(*xRange, (N,)) self.best = np.inf self.xBest = np.zeros((N,)) self.kind = kind # 鸡的类别 self.order = order # 鸡的编号 # 设置自己的首领公鸡 def setCock(self, i): self.cock = i # 设置自己的监护母鸡 def setHen(self, i): self.hen = i
其中kind分為三類,分別是公雞、母雞和小雞。其中,每隻母雞都有自己的首領公雞,每隻小雞都有自己的監護母雞。
order為這隻雞在雞群中的編號,主要在雞群中得以體現。
雞群和粒子群有一個很大的區別,後者說到底只有一個群,而雞群中,每個公雞都有自己的母雞和小雞,相當於一個小群體。但雞和雞之間的關係,並不取決於雞自己,故而需要在雞群中實現
randint = np.random.randint class Swarm: # cNum 鸡数,是三个元素的列表,分别是公鸡、母鸡和小鸡数 # N参数维度 def __init__(self, cNum, N, xRange): self.initCs(cNum, N, xRange) self.bestCS = deepcopy(self.cs) #最佳鸡群 self.best = np.inf #全局最优值 self.xBest = np.zeros((N,)) #全局最优参数 self.N = N def initCs(self, cNum, N, xRange, vRange): self.cs = [] self.cNum = cNum self.cocks = np.arange(cNum[0]) # 公鸡编号 self.hens = np.arange(cNum[0], cNum[0]+cNum[1]) #母鸡编号 self.chicks = np.arange(cNum[0]+cNum[1], np.sum(cNum)) #小鸡编号 kinds = np.repeat([0,1,2], cNum) for i in range(sum(cNum)): self.cs.append(Chicken(N,xRange, vRange, i, kinds[i])) if kinds[i] > 0: cock = randint(0, cNum[0]) self.cs[i].setCock(cock) if kinds[i] > 1: hen = randint(cNum[0], cNum[0]+cNum[1]) self.cs[i].setHen(hen)
其中,initCs是初始化雞群的函數,其中母雞、小雞的首領公雞,小雞的監護母雞,都是隨機產生的。
接下來就是演算法的核心環節,不同的雞要遵循不同的更新規則,其中,公雞最瀟灑,其下一步位置只取決於自己,以及另一隻隨便挑選的公雞。
公雞
記目前這隻公雞的編號是i,隨機挑選的公雞編號是j , j≠i,則第i隻公雞位置的更新方法為
xi(t 1)=xi(t)⋅(1 r)
其中,r是透過常態分佈生成的隨機數,可表示為1∼N(0,σ2),其中σ2為
其中f一般叫做適應因子,相當於將某隻雞塞到待搜解的函數中所得到的數值。例如要搜尋y=2的最小值,如果目前這隻雞的位置1.5,那麼f=1.52=2.25。 ε是個防止除零錯誤的小量。
但要注意,上文所有的x,表示的並非一個標量,而是一個陣列。
其Python實作為
# 写在Swarm类中 def cockStep(self): for i in self.cocks: # 第j只公鸡 j = np.random.randint(self.cNum[0]) if j==i: j = (j+1) % self.cNum[0] # 第i只公鸡 ci = self.cs[i] # 第j只公鸡 cj = self.cs[self.cocks[j]] sigma = 1 if cj.best > ci.best else np.exp( (cj.best-ci.best)/(np.abs(ci.best)+1e-15)) ci.x *= 1 + gauss(0, sigma)
母雞
#設目前母雞編號為i,這隻母雞既要追隨首領公雞,又要和其他母雞搶食。
xi(t 1)=xi(t) k1r1(xc−xi) k2r2(xj−xi)
#其中,xc為其首領公雞,xj為另一隻母雞或公雞。 k1,k2為係數,其更新邏輯與公雞的k是一樣的,當fi較大時,表示為
程式碼實作為
def henStep(self): nGuarder = self.cNum[0] + self.cNum[1] - 2 for i in self.hens: guarders = list(self.cocks) + list(self.hens) c = self.cs[i].cock #首领公鸡 guarders.remove(i) guarders.remove(c) # 随机生成另一只监护鸡 j = guarders[np.random.randint(nGuarder)] ci = self.cs[i] cj = self.cs[j] cc = self.cs[c] k1, k2 = random(), random() if cc.best > ci.best: k1 *= np.exp((ci.best-cc.best)/(np.abs(ci.best)+1e-15)) if cj.best < ci.best: k2 *= np.exp(cj.best-ci.best) ci.x += k1*(cc.x-ci.x)+k2*(cj.x-ci.x)
小雞
最後是小雞的更新邏輯,小雞在母雞的周圍找食物,其更新邏輯為
xi(t 1)=xi(t) r(xh(t)−xi(t))
其中,xh為其監護母雞,r為隨機數,演算法實作為
def chickStep(self): for i in self.chicks: ci = self.cs[i] ci.x += 2*random()*(self.cs[ci.hen].x-ci.x)
整隻雞群
正所謂,演算法源自於生活而高於生活,自然界裡講求輩分,但在雞群演算法裡,講究的確是實力。如果小雞運氣爆棚,得到了比公雞還厲害的優化結果,那麼這隻小雞就會進化成公雞。
也就是說,每隔一段時間,雞群裡的雞會被重新安排身份,優化效果最好的就是頭領公雞,差一點的是監護母雞,最差的就只能是小雞了。
def update(self): cn = np.sum(self.cNum) c1, c2 = self.cNum[0], self.cNum[0]+self.cNum[1] fitness = [self.cs[i].best for i in range(cn)] index = np.argsort(fitness) self.cocks = index[np.arange(c1)] self.hens = index[np.arange(c1,c2)] self.chicks = index[np.arange(c2,cn)] for i in self.cocks: self.cs[i].kind = 0 for i in self.hens: self.cs[i].kind = 1 for i in self.chicks: self.cs[i].kind = 2 for i in range(cn): if self.cs[i].kind > 0: cock = self.cocks[randint(0, c1)] self.cs[i].setCock(cock) if self.cs[i].kind > 1: hen = self.hens[randint(c1,c2)] self.cs[i].setHen(hen)
至此,集群演算法的框架算是搭建成功了,接下來就實現最關鍵的部分,優化。
其基本逻辑是,输入一个待优化func,通过将每只鸡的位置x带入到这个函数中,得到一个判定值,最后通过这个判定值,来不断更新鸡群。
除了这个函数之外,还需要输入一些其他参数,比如整个鸡群算法的迭代次数,以及鸡群更新的频次等等
# func为待优化函数 # N为迭代次数 # T为鸡群更新周期 def optimize(self, func, N, T, msgT): for n in range(N): # 计算优化参数 for c in self.cs: c.best = func(c.x) # 分别更新公鸡、母鸡和小鸡 self.cockStep() self.henStep() self.chickStep() if (n+1)%T == 0: self.update() #每T次更新一次种群 self.printBest(n) self.printBest(n)
其中,printBest可以将当前最佳结果打印出来,其形式为
def printBest(self,n): fitness = [c.best for c in self.cs] best = np.min(fitness) ind = np.where(fitness==best)[0] msg = f"已经迭代{n}次,最佳优化结果为{np.min(fitness)},参数为:\n" msg += ", ".join([f"{x:.6f}" for x in self.cs[ind].x]) print(msg)
算法完成之后,当然要找个函数测试一下,测试函数为
def test(xs): _sum = 0.0 for i in range(len(xs)): _sum = _sum + np.cos((xs[i]*i)/5)*(i+1) return _sum if __name__ == "__main__": cNum = [15,20,100] s = Swarm(cNum, 5, (-5,5)) s.optimize(test, 20, 5)
测试结果如下
已经迭代4次,最佳优化结果为-5.793762423022024,参数为:
-6.599526, 3.117137, 5.959538, 7.225785, 5.204990
已经迭代9次,最佳优化结果为-10.61594651972434,参数为:
-7.003724, -5.589730, 0.981409, 12.920325, -19.006112
已经迭代14次,最佳优化结果为-9.143596747975293,参数为:
5.388234, -3.714421, -5.254391, -5.216215, -6.079223
已经迭代19次,最佳优化结果为-11.097888385616995,参数为:
-9.156244, -5.914600, -5.960154, 4.550833, 4.127889
已经迭代19次,最佳优化结果为-11.097888385616995,参数为:
-9.156244, -5.914600, -5.960154, 4.550833, 4.127889
以上是Python如何實作雞群演算法的詳細內容。更多資訊請關注PHP中文網其他相關文章!