در این محصول ما الگوریتم فراابتکاری PSO را در Python کد نویسی کرده ایم و با پیاده سازی الگوریتم pso در پایتون این امکان را برای شما فراهم کرده ایم که به حل مسائل بهینه سازی در Python بپردازید.

پیاده سازی الگوریتم pso در پایتون

الگوریتم pso در پایتون : کد پایتون الگوریتم pso

الگوریتم PSO یا توده ذرات ، که به آن الگوریتم اجتماع پرندگان نیز گفته میشود مخفف عبارت Particle Swarm Optimization است ، که در سال 1995 توسط ابرهارت و کندی معرفی شد.

الگوریتم فراابتکاری pso یک الگوریتم بهینه سازی مبتنی بر جمعیت است که در سال 1995 توسط جیمز کندی و ابرهارت معرفی شد. کندی و ابرهارت در مقاله ای با عنوان “Particle Swarm Optimization” برای اولین بار یک الگوریتم مبتنی بر توده یا جمعیت را معرفی کردند.

در این محصول ، الگوریتم توده ذرات یا PSO را در پایتون پیاده سازی کرده ایم و برای دانلود قرار داده ایم.

بخشی از کد الگوریتم PSO در پایتون در زیر نمایش داده شده است، کد کامل را با خرید محصول میتوانید دریافت کنید:

import numpy as np
import math
import time
import matplotlib.pyplot as plt

def Sphere(x):    
    return sum(x**2)


timerStart=time.time()    
#problem parameters    
varNum=2
lowerBound= -100 * np.ones(varNum)
upperBound= 100 * np.ones(varNum)
CostFunction = Sphere
#PSO Parameters
PopSize=40 #number of particle
MaxIter=50  #maximom number of Iteration
W=1
C1=2
C2=2
alpha=0.05
    
# Empty Solution Template
Particle = {
    'Position': None,    
    'Cost': None,
    'Velocity': None,    
};
# Initialize Leader
GlobalBest_Position=[]
GlobalBestCost= float("inf")

Pop=[]
LocalBest=[]

import numpy as np

import math

import time

import matplotlib.pyplot as plt

def Sphere(x):

return sum(x**2)

timerStart=time.time()

#problem parameters

varNum=2

lowerBound= -100 * np.ones(varNum)

upperBound= 100 * np.ones(varNum)

CostFunction = Sphere

#PSO Parameters

PopSize=40 #number of particle

MaxIter=50 #maximom number of Iteration

W=1

C1=2

C2=2

alpha=0.05

# Empty Solution Template

Particle = {

'Position': None,

'Cost': None,

'Velocity': None,

};

# Initialize Leader

GlobalBest_Position=[]

GlobalBestCost= float("inf")

Pop=[]

LocalBest=[]

نمونه ای از اجرای کد پایتون الگوریتم PSO و خروجی آن در شکل زیر قابل مشاهده می باشد:

برای اجرای برنامه در پایتون ، از کتابخانه هایی مثل numpy استفاده شده است که در ابتدای کد و در دموی کد نیز قابل مشاهده است. این کتابخانه ها باید روی سیستم شما نصب باشد.

خروجی برنامه برای تابع Sphere با دو متغیر بصورت زیر با اجرای کد نمایش داده میشود:

In Iteration 0: Best Cost = 6.029073638800301
In Iteration 1: Best Cost = 6.029073638800301
In Iteration 2: Best Cost = 6.029073638800301
In Iteration 3: Best Cost = 6.029073638800301
In Iteration 4: Best Cost = 6.029073638800301
In Iteration 5: Best Cost = 3.2782747114332995
In Iteration 6: Best Cost = 3.2782747114332995
In Iteration 7: Best Cost = 1.5226826205341288
In Iteration 8: Best Cost = 1.5226826205341288
In Iteration 9: Best Cost = 1.5226826205341288
In Iteration 10: Best Cost = 1.5226826205341288
In Iteration 11: Best Cost = 1.5226826205341288
In Iteration 12: Best Cost = 0.0542179196711845
In Iteration 13: Best Cost = 0.0542179196711845
In Iteration 14: Best Cost = 0.0542179196711845
In Iteration 15: Best Cost = 0.0542179196711845
In Iteration 16: Best Cost = 0.0542179196711845
In Iteration 17: Best Cost = 0.025639632791528047
In Iteration 18: Best Cost = 0.0021286230087211424
In Iteration 19: Best Cost = 0.0021286230087211424
In Iteration 20: Best Cost = 0.0021286230087211424
In Iteration 21: Best Cost = 0.0021286230087211424
In Iteration 22: Best Cost = 0.0021286230087211424
In Iteration 23: Best Cost = 1.9554811842294792e-05
In Iteration 24: Best Cost = 1.9554811842294792e-05
In Iteration 25: Best Cost = 1.9554811842294792e-05
In Iteration 26: Best Cost = 1.9554811842294792e-05
In Iteration 27: Best Cost = 1.9554811842294792e-05
In Iteration 28: Best Cost = 2.4666075525121967e-06
In Iteration 29: Best Cost = 2.4666075525121967e-06
In Iteration 30: Best Cost = 2.4666075525121967e-06
In Iteration 31: Best Cost = 8.987527883206572e-07
In Iteration 32: Best Cost = 1.89411470820339e-08
In Iteration 33: Best Cost = 1.89411470820339e-08
In Iteration 34: Best Cost = 1.89411470820339e-08
In Iteration 35: Best Cost = 1.89411470820339e-08
In Iteration 36: Best Cost = 4.4712988229945714e-09
In Iteration 37: Best Cost = 3.5191076647754115e-09
In Iteration 38: Best Cost = 2.1357664387689375e-09
In Iteration 39: Best Cost = 3.9169731256872064e-10
In Iteration 40: Best Cost = 2.188604245217669e-10
In Iteration 41: Best Cost = 2.942294410457947e-12
In Iteration 42: Best Cost = 2.942294410457947e-12
In Iteration 43: Best Cost = 1.9412446664011605e-12
In Iteration 44: Best Cost = 4.259611084217281e-13
In Iteration 45: Best Cost = 4.2304670030280365e-13
In Iteration 46: Best Cost = 4.2304670030280365e-13
In Iteration 47: Best Cost = 3.186923554559819e-13
In Iteration 48: Best Cost = 1.613102101687678e-14
In Iteration 49: Best Cost = 1.613102101687678e-14
==============================================================

Exe Time=0.26 secend 

best Cost : 1.613102101687678e-14 

best Solution : [ 1.20939419e-07 -3.87901779e-08]

In Iteration 0: Best Cost = 6.029073638800301

In Iteration 1: Best Cost = 6.029073638800301

In Iteration 2: Best Cost = 6.029073638800301

In Iteration 3: Best Cost = 6.029073638800301

In Iteration 4: Best Cost = 6.029073638800301

In Iteration 5: Best Cost = 3.2782747114332995

In Iteration 6: Best Cost = 3.2782747114332995

In Iteration 7: Best Cost = 1.5226826205341288

In Iteration 8: Best Cost = 1.5226826205341288

In Iteration 9: Best Cost = 1.5226826205341288

In Iteration 10: Best Cost = 1.5226826205341288

In Iteration 11: Best Cost = 1.5226826205341288

In Iteration 12: Best Cost = 0.0542179196711845

In Iteration 13: Best Cost = 0.0542179196711845

In Iteration 14: Best Cost = 0.0542179196711845

In Iteration 15: Best Cost = 0.0542179196711845

In Iteration 16: Best Cost = 0.0542179196711845

In Iteration 17: Best Cost = 0.025639632791528047

In Iteration 18: Best Cost = 0.0021286230087211424

In Iteration 19: Best Cost = 0.0021286230087211424

In Iteration 20: Best Cost = 0.0021286230087211424

In Iteration 21: Best Cost = 0.0021286230087211424

In Iteration 22: Best Cost = 0.0021286230087211424

In Iteration 23: Best Cost = 1.9554811842294792e-05

In Iteration 24: Best Cost = 1.9554811842294792e-05

In Iteration 25: Best Cost = 1.9554811842294792e-05

In Iteration 26: Best Cost = 1.9554811842294792e-05

In Iteration 27: Best Cost = 1.9554811842294792e-05

In Iteration 28: Best Cost = 2.4666075525121967e-06

In Iteration 29: Best Cost = 2.4666075525121967e-06

In Iteration 30: Best Cost = 2.4666075525121967e-06

In Iteration 31: Best Cost = 8.987527883206572e-07

In Iteration 32: Best Cost = 1.89411470820339e-08

In Iteration 33: Best Cost = 1.89411470820339e-08

In Iteration 34: Best Cost = 1.89411470820339e-08

In Iteration 35: Best Cost = 1.89411470820339e-08

In Iteration 36: Best Cost = 4.4712988229945714e-09

In Iteration 37: Best Cost = 3.5191076647754115e-09

In Iteration 38: Best Cost = 2.1357664387689375e-09

In Iteration 39: Best Cost = 3.9169731256872064e-10

In Iteration 40: Best Cost = 2.188604245217669e-10

In Iteration 41: Best Cost = 2.942294410457947e-12

In Iteration 42: Best Cost = 2.942294410457947e-12

In Iteration 43: Best Cost = 1.9412446664011605e-12

In Iteration 44: Best Cost = 4.259611084217281e-13

In Iteration 45: Best Cost = 4.2304670030280365e-13

In Iteration 46: Best Cost = 4.2304670030280365e-13

In Iteration 47: Best Cost = 3.186923554559819e-13

In Iteration 48: Best Cost = 1.613102101687678e-14

In Iteration 49: Best Cost = 1.613102101687678e-14

==============================================================

Exe Time=0.26 secend

best Cost : 1.613102101687678e-14

best Solution : [ 1.20939419e-07 -3.87901779e-08]

الگوریتم pso در پایتون : کد پایتون الگوریتم pso

الگوریتم pso در پایتون : کد پایتون الگوریتم pso

الگوریتم PSO یا توده ذرات ، که به آن الگوریتم اجتماع پرندگان نیز گفته میشود مخفف عبارت Particle Swarm Optimization است ، که در سال 1995 توسط ابرهارت و کندی معرفی شد.

در این محصول ، الگوریتم توده ذرات یا PSO را در پایتون پیاده سازی کرده ایم و برای دانلود قرار داده ایم.

بخشی از کد الگوریتم PSO در پایتون در زیر نمایش داده شده است، کد کامل را با خرید محصول میتوانید دریافت کنید:

نمونه ای از اجرای کد پایتون الگوریتم PSO و خروجی آن در شکل زیر قابل مشاهده می باشد:

نقد و بررسی‌ها

الگوریتم ژنتیک در پایتون : کد پایتون الگوریتم ژنتیک

کد پایتون الگوریتم گرگ خاکستری : پیاده سازی الگوریتم GWO در Python

کد پایتون الگوریتم گرگ خاکستری : پیاده سازی الگوریتم گرگ خاکستری در پایتون

کد پایتون الگوریتم ملخ : الگوریتم ملخ در پایتون، پیاده سازی الگوریتم GOA در پایتون

الگوریتم pso در پایتون : کد پایتون الگوریتم pso

الگوریتم pso در پایتون : کد پایتون الگوریتم pso

الگوریتم PSO یا توده ذرات ، که به آن الگوریتم اجتماع پرندگان نیز گفته میشود مخفف عبارت Particle Swarm Optimization است ، که در سال 1995 توسط ابرهارت و کندی معرفی شد.

در این محصول ، الگوریتم توده ذرات یا PSO را در پایتون پیاده سازی کرده ایم و برای دانلود قرار داده ایم.

بخشی از کد الگوریتم PSO در پایتون در زیر نمایش داده شده است، کد کامل را با خرید محصول میتوانید دریافت کنید:

نمونه ای از اجرای کد پایتون الگوریتم PSO و خروجی آن در شکل زیر قابل مشاهده می باشد:

نقد و بررسی‌ها

محصولات مرتبط

الگوریتم ژنتیک در پایتون : کد پایتون الگوریتم ژنتیک

کد پایتون الگوریتم گرگ خاکستری : پیاده سازی الگوریتم GWO در Python

کد پایتون الگوریتم گرگ خاکستری : پیاده سازی الگوریتم گرگ خاکستری در پایتون

کد پایتون الگوریتم ملخ : الگوریتم ملخ در پایتون، پیاده سازی الگوریتم GOA در پایتون