一、算法介绍
算法步骤:
- 首先初始化种群个体数量,确定每个个体长度以及终止判据
- 找到当前种群下的最优个体 best 和最差个体 worst
- 遍历所有个体,根据公式(1)更新个体参数
其中,i,j,k分别代表迭代代数,个体的某变量,种群中某个体。该公式是Jaya算法的核心
- 判断更新后的个体是否优于更新前的个体,若是,则更新个体,否则保留原个体到下一代
- 判断当前最优个体是否满足终止判据,若是则结束程序,否则遍历步骤2-4
第一步:导入模块
import numpy as np
# Jaya
from pyMetaheuristic.algorithm import victory
from pyMetaheuristic.utils import graphs
第二步:目标函数设置
def easom(variables_values = [0, 0]):
x1, x2 = variables_values
func_value = -np.cos(x1) * np.cos(x2) * np.exp(-(x1 - np.pi) ** 2 - (x2 - np.pi) ** 2)
return func_value
plot_parameters = {
'min_values': (-5, -5),
'max_values': (5, 5),
'step': (0.1, 0.1),
'solution': [],
'proj_view': '3D',
'view': 'notebook'
}
graphs.plot_single_function(target_function = easom, **plot_parameters)
如下:
第三步:设置算法参数
# jaya - Parameters
parameters = {
# 该参数50左右
'size': 50,
'min_values': (-5, -5),
'max_values': (5, 5),
# 迭代次数
'iterations': 500,
'verbose': True
}
第四步:执行算法
jy = victory(target_function = easom, **parameters)
第五步:获取算法最优解
variables = jy[:-1]
minimum = jy[ -1]
print('变量值为: ', np.around(variables, 4) , ' 最小值为: ', round(minimum, 4) )
如下:
变量值为: [3.1258 3.1804] 最小值为: -0.9974
第六步:可视化最优值
我们换一个目标函数,以五维球形函数的最优化计算为例子.
def easom(variables_values):
x = variables_values
func_value = y=sum(x**2 for x in variables_values)
return func_value
后续参数类似。。不再重复演示。
四、额外补充 4.1 封装代码如果你希望改进该算法模块,可以研究修改以下代码:
# Required Libraries
import numpy as np
import random
import os
############################################################################
# Function
def target_function():
return
############################################################################
# Function: Initialize Variables
def initial_position(size = 5, min_values = [-5,-5], max_values = [5,5], target_function = target_function):
position = np.zeros((size, len(min_values)+1))
for i in range(0, size):
for j in range(0, len(min_values)):
position[i,j] = random.uniform(min_values[j], max_values[j])
position[i,-1] = target_function(position[i,0:position.shape[1]-1])
return position
# Function: Updtade Position by Fitness
def update_bw_positions(position, best_position, worst_position):
for i in range(0, position.shape[0]):
if (position[i,-1] worst_position[-1]):
worst_position = np.copy(position[i, :])
return best_position, worst_position
# Function: Search
def update_position(position, best_position, worst_position, min_values = [-5,-5], max_values = [5,5], target_function = target_function):
candidate = np.copy(position[0, :])
for i in range(0, position.shape[0]):
for j in range(0, len(min_values)):
a = int.from_bytes(os.urandom(8), byteorder = "big") / ((1
关注
打赏
最近更新
- 深拷贝和浅拷贝的区别(重点)
- 【Vue】走进Vue框架世界
- 【云服务器】项目部署—搭建网站—vue电商后台管理系统
- 【React介绍】 一文带你深入React
- 【React】React组件实例的三大属性之state,props,refs(你学废了吗)
- 【脚手架VueCLI】从零开始,创建一个VUE项目
- 【React】深入理解React组件生命周期----图文详解(含代码)
- 【React】DOM的Diffing算法是什么?以及DOM中key的作用----经典面试题
- 【React】1_使用React脚手架创建项目步骤--------详解(含项目结构说明)
- 【React】2_如何使用react脚手架写一个简单的页面?