优化算法库DEAP的粒子群优化算法（PSO）示例代码分析

之前使用优化算法库DEAP做遗传算法(Genetic Optimization)，优化优化最近在研究粒子群优化算法（PSO）发现DEAP也提供支持；对原代码做了分析，算法算法O示之后会尝试用于交易策略参数优化。粒群例代

首先关于 粒子群优化算法（PSO） ，码分这个算法的优化优化介绍很多，我看了不少，算法算法O示感觉下文介绍的粒群例代是比较清楚的，可以参考。码分

https://www.cnblogs.com/21207-iHome/p/6062535.html

其实原理很简单，优化优化看看这个图就可以，算法算法O示可以理解为一群蜜蜂去公园采蜜，粒群例代每一轮蜜蜂都交流，码分看那个蜜蜂闻到味道最浓，优化优化大家都往那边去，算法算法O示然后每轮更新，粒群例代最后聚集到最浓的地方，就是最优位置。

这样，PSO把优化的对象设置为位置点，比如两个参数要优化，就是（x1,x2)； 如果有N个参数要优化，那么就是N维的位置点，可以用list放置；和遗传算法GA差别就是，站群服务器引入了速度v，可以理解参数的变动的速率；同时还有一个集群最优参数，就是每一轮所有粒子共享信息后，要去聚集位置，每轮更新。

其他引用链接讲的很详细。主要过程就是如下

粒子群算法流程 

第1步   在初始化范围内，对粒子群进行随机初始化，包括随机位置和速度

第2步   计算每个粒子的适应值

第3步   更新粒子个体的历史最优位置

第4步   更新粒子群体的历史最优位置

第5步   更新粒子的速度和位置

第6步   若未达到终止条件，则转第2步

　　粒子群算法流程图如下：pbest是个体的最优质，gbest是粒子群中最优的粒子

DEAP的示例代码，其实也是按照这个逻辑。

1，首先，通过类定义方法creator.create，定义两个类， 可以看我之前将GA示例代码介绍。

第一个类FitnessMax，云服务器是用于定义按最大值优化；如果weights = (-1.0,) 就是选取最小值。

第二个类Particle，是的定义粒子；可以看到第一个list是这个 Particle 继承于list，list用来存放空间位置，同时有一系列参数。

其中FitnessMax定义优化方向，speed也是一个list，用来存放每个参数变化步进，smin和smax是速度的上下限，best是历史最优参数。

1 2 3 creator.create("FitnessMax", base.Fitness, weights=(1.0,)) creator.create("Particle", list, fitness=creator.FitnessMax, speed=list,  smin=None, smax=None, best=None)

2，然后，定义粒子初始化方法generate，其中size是粒子的维度，比如有10个参数要优化，那么size就是10；其中pmin，pmax是创建时候可能的位置上下限；smin，smax是创建时候的云南idc服务商速度上线。这个方法就生成了一个粒子，包括初始时候位置，速度，和速度上下限；只有best最优参数还没有计算。

1 2 3 4 5 6 def generate(size, pmin, pmax, smin, smax): part = creator.Particle(random.uniform(pmin, pmax) for _ in range(size))  part.speed = [random.uniform(smin, smax) for _ in range(size)] part.smin = smin part.smax = smax return part

3，然后，在定义粒子更新方法updateParticle，这里代码有就是为了实现下面两个公式，更新速度，并且根据速度和位置求出更新位置。

输入best参数是粒子群所有粒子中的最优，part是更新的粒子，ph1，ph2就是c1r1随机函数和加速度常数积。唯一区别代码没有使用惯性权重。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 def updateParticle(part, best, phi1, phi2): #求出新速度，如速度更新公式 u1 = (random.uniform(0, phi1) for _ in range(len(part))) u2 = (random.uniform(0, phi2) for _ in range(len(part))) v_u1 = map(operator.mul, u1, map(operator.sub, part.best, part)) v_u2 = map(operator.mul, u2, map(operator.sub, best, part)) part.speed = list(map(operator.add, part.speed, map(operator.add, v_u1, v_u2))) #求出新位置，这里如速度超过smin，smax，则使用smin for i, speed in enumerate(part.speed): if speed < part.smin: part.speed[i] = part.smin elif speed > part.smax: part.speed[i] = part.smax part[:] = list(map(operator.add, part, part.speed))

4、然后就把上面这些定义绑定在toolbox里面，这样就方便批量调用。

    - particle：绑定粒子生成方法，粒子位置有两位，就像[x,y]，位置和速度最大最小值

    -  population：生成多个粒子

    - update：粒子更新方法

    -   evaluate： 计算最优值，这里使用了benchmarks.h1，我把源代码列如下。要求返回值最大，可以看到返回值是num / denum， 只要 denum最小就可以，那么individual[0]是8.6998， individual[1]是6.7665，就是最小了。

1 2 3 4 5 6 7 8 9 toolbox = base.Toolbox() toolbox.register("particle", generate, size=2, pmin=-6, pmax=6, smin=-3, smax=3) toolbox.register("population", tools.initRepeat, list, toolbox.particle) toolbox.register("update", updateParticle, phi1=2.0, phi2=2.0) toolbox.register("evaluate", benchmarks.h1) def h1(individual): num = (sin(individual[0] - individual[1] / 8))**2 + (sin(individual[1] + individual[0] / 8))**2 denum = ((individual[0] - 8.6998)**2 + (individual[1] - 6.7665)**2)**0.5 + 1 return num / denum,

5、后面就是执行了，我把源代码的log代码删除了，比较简单，我直接注释了。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 def main(): pop = toolbox.population(n=5) #粒子群有5个粒子 GEN = 1000 #更新一千次 best = None  for g in range(GEN): for part in pop: #每次更新，计算粒子群中最优参数，并把最优值写入best part.fitness.values = toolbox.evaluate(part)  if not part.best or part.best.fitness < part.fitness: part.best = creator.Particle(part) part.best.fitness.values = part.fitness.values if not best or best.fitness < part.fitness: best = creator.Particle(part) best.fitness.values = part.fitness.values for part in pop: #更新粒子位置 toolbox.update(part, best) # Gather all the fitnesses in one list and print the stats return pop, best

然后返回运行，得到的最优位置如下，和准确的差不多。

[8.720808209484728, 6.765281780793948]

源代码链接如下

https://github.com/DEAP/deap/blob/82f774d9be6bad4b9d88272ba70ed6f1fca39fcf/examples/pso/basic.py

很赞哦!（627）