常用优化算法概览

• 智能优化算法（启发式算法）

常用优化算法

经典优化算法

• genetic algorithm 遗传算法(GA) 20世纪60年代
• Simulated annealing algorithm 模拟退火算法(SA) 1975
• Particle Swarm Optimization 粒子群算法(PSO)
• Ant Colony Optimization 蚁群算法(ACO)
• Tabu Search 禁忌搜索算法(TS)
• Chaotic Optimization Algorithm 混沌优化算法(COA)

优化算法前沿

• Dung Beetle Optimizer 蜣螂算法(DBO) 2022
• Grey Wolf Optimizer 灰狼优化算法(GWO) 2014
• Sparrow Search Algorithm 麻雀搜索算法(SSA)
• ...
• ...

• 遗传算法与模拟退火算法都是非常常用的算法了，相关知识很容易得可以被检索到，本文不予赘述

粒子群算法

• 无群体意识的飞鸟（指的是飞鸟不像borg）如何找到食物呢。
  • 假如所有的鸟都知道 
    • 自己与食物的距离
  • 假如鸟之间
    • 可以交换 自己与食物的距离 这一信息
  • 那么就可以找出一种办法，使得鸟群更趋近于食物

粒子群算法的基本思路

• 用Python 3.11.4 编写“伪代码” (这玩意支持中文作为变量名，还是很不错的，这已经不是伪代码的范畴了)

import random
鸟群初始化 = random.random()
鸟群 = 鸟群初始化

def 个体发现的最优位置():
    return 1
def 群体发现的最优位置():
    return 1

class 鸟个体():
    def __init__(self, 鸟初始位置):
        self.鸟位置 = 鸟初始位置
        
    def 鸟个体位置更新(self, 群体最优位置, 个体最优位置):
        个体学习因子 = 0.5
        群体学习因子 = 0.5
        assert (个体学习因子+群体学习因子)==1,"学习因子设置错误！"
        ####
        self.鸟位置 = 鸟更新位置


群体迭代限制 = 100
for 群体迭代次数 in range(群体迭代限制):
    群体最优位置 = 群体发现的最优位置()
    for 鸟个体 in 鸟群:
        个体最优位置 = 个体发现的最优位置()
        鸟个体.鸟个体位置更新(群体最优位置, 个体最优位置)

• 不一定要面向对象，我随手写得，觉得可以面向对象一下，上下也没有对应起来

pyswarm module

遗传算法与粒子群算法的Python实现 这篇博客里面有一个很棒的例子，我相信是可以用作参考的

• 这里仔细得探讨一下这个module
• 查看help

Help on package pyswarm:

NAME
    pyswarm

DESCRIPTION
   =========================================================================
    pyswarm: Particl swarm optimization (PSO) with constraint support   =========================================================================
    Author: Abraham Lee
    Copyright: 2013-2014

PACKAGE CONTENTS
    pso

VERSION
    0.6

AUTHOR
    Abraham Lee

FILE
 ....

• 首先我们先向编写这个模块的人致敬
• 当我们打开一个help 文档时（这些文档常常有着很统一的格式），我们特别需要注意PACKAGE CONTENTS。很多module 的DESCRIPTION 是很占位子的

• 查看 help(pso)
• Parameters
  • func : The function to be minimized
  • lb : The lower bounds
  • ub : The upper bounds
  • 强制要求设置上下界
  • 不需要给出导函数
  • 不需要猜测值
• Optional
  • ieqcons
    • A list of functions of length n such that ieqcons[j](x,*args) >= 0.0
  • f_ieqcons
    • Returns a 1-D array in which each element must be greater or equal to 0.0 in a successfully optimized problem
    • 当该项被指定后，ieqcons 会被忽视
  • args and kwargs
    • 额外参数
  • swarmsize and maxiter
    • 粒子（鸟）的数目 默认为100
    • 种群最大迭代次数 默认为100
  • phip : 个体学习因子(Default: 0.5) and phig : 群体学习因子(Default: 0.5)
  • 简单得说，不支持等式约束，但是实际操作中可以使用 -abs(fun)>=0 作为替代
    • 但是建议添加一个 tol 
      • tol - abs(fun) >= 0 
    • 防止因为精度问题导致无法得到结果
  • 允许 修改 个体学习因子 与 群体学习因子 
    • 也就是说支持验证
    • 对优化算法做最优化了
• 实战

from pyswarm import pso
import numpy as np
import pyswarm

def opt(x):
    x1 = x[0]
    x2 = x[1]
    x3 = x[2]
    x4 = x[3]
 
    return (x1 + 2)**2 +\
           (x2 - 3)**2 +\
           (x3 + 2)**2 +\
           x4
 
def con(x):
    tol = 1e-4
    
    x1 = x[0]
    x2 = x[1]
    x3 = x[2]
    x4 = x[3]
 
    return [ x2 - x1 ,tol-(x4-3)**2]
 
lb = [-5, -5, -5, -5]
ub = [ 5,  5,  5,  5]
 
xopt, fopt = pso(opt, lb, ub, f_ieqcons=con)
print("xopt:", xopt)
print("fopt:", fopt)

Stopping search: maximum iterations reached --> 100
xopt: [-2.04252256  2.86597889 -1.96153295  2.9900635 ]
fopt: 3.0113130416323957

• 现在我们看看修改tol 之后的结果

• 也就是说，这些约束并不能很好得被满足
  • 也就是说 PSO 还不够完善
  • 可信度并不是特别高

蚁群算法