Python怎么实现鸡群算法
本文小编为大家详细介绍“Python怎么实现鸡群算法”，内容详细，步骤清晰，细节处理妥当，希望这篇“Python怎么实现鸡群算法”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。
从事BGP机房服务器托管，服务器租用，云主机，网站空间，域名注册，CDN，网络代维等服务。
算法简介
鸡群算法，缩写为CSO(Chicken Swarm Optimization)，尽管具备所谓仿生学的背景，但实质上是粒子群算法的一个变体。
简单来说，粒子群就是一群粒子，每个粒子都有自己的位置和速度，而且每个粒子都要受到最佳粒子的吸引，除了这两条规则之外，粒子之间完全平等，彼此之间除了位置和速度之外，完全相等。
当然，粒子群算法本身也是有仿生学背景的，据说灵感来自于鸟群觅食，这个当然不重要，无非是一群平等的粒子变成了一群平等的鸟罢了。
而鸡群算法，则是为这些粒子，或者这些鸟，添加了不同的身份特征，使得彼此之间不再等同。
鸡群中至少有三个阶层，分别是公鸡、母鸡和小鸡，每只鸡都有其位置和速度。但区别之处在于，
公鸡最神气，原则上可以随便踱步，只是有的时候注意到其他公鸡的时候，会有抢食的想法，相当于随机抽选一只其他公鸡，对其位置产生影响。
母鸡最憋屈，一方面要接受公鸡的领导，另一方面还要和其他母鸡抢食
小鸡最无忧无虑，跟着母鸡走就是了。
随着位置关系的变化，母鸡和小鸡可能会逐渐遗忘最初的首领，也就是说种群关系可能会发生变化。
Python实现鸡和鸡群
首先，要实现一个鸡类，一只鸡，有两种基本属性，即位置和类别。
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分为三类，分别是公鸡、母鸡和小鸡。其中，每只母鸡都有自己的首领公鸡，每只小鸡都有自己的监护母鸡。
order为这只鸡在鸡群中的编号，主要在鸡群中得以体现。
鸡群和粒子群有一个很大的区别，后者说到底只有一个群，而鸡群中，每个公鸡都有自己的母鸡和小鸡，相当于一个小群体。但鸡和鸡之间的关系，并不取决于鸡自己，故而需要在鸡群中实现
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是初始化鸡群的函数，其中母鸡、小鸡的首领公鸡，小鸡的监护母鸡，都是随机生成的。
鸡群更新
接下来就是算法的核心环节，不同的鸡要遵循不同的更新规则，其中，公鸡最潇洒，其下一步位置只取决于自己，以及另一只随便挑选的公鸡。
公鸡
记当前这只公鸡的编号是i，随机挑选的公鸡编号是j , j≠i，则第i只公鸡位置的更新方法为
xi(t+1)=xi(t)⋅(1+r)
其中，r是通过正态分布生成的随机数，可表示为1∼N(0,σ2)，其中σ2为
其中f一般叫做适应因子，相当于将某只鸡塞到待搜解的函数中得到的值。例如要搜索y=2的最小值，如果当前这只鸡的位置1.5，那么f=1.52=2.25。ε是一个防止除零错误的小量。
但需要注意，上文中所有的x，表示的并非一个标量，而是一个数组。
其Python实现为
# 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)
母鸡
设当前母鸡编号为i，这只母鸡既要追随首领公鸡，又要和其他母鸡抢食。
xi(t+1)=xi(t)+k1r1(xc−xi)+k2r2(xj−xi)
其中，xc为其首领公鸡，xj为另一只母鸡或者公鸡。k1,k2为系数，其更新逻辑与公鸡的k是一样的，当fi较大时，表示为
代码实现为
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)
小鸡
最后是小鸡的更新逻辑，小鸡在母鸡的周围找食物，其更新逻辑为
xi(t+1)=xi(t)+r(xh(t)−xi(t))
其中，xh为其监护母鸡，r为随机数，算法实现为
def chickStep(self): for i in self.chicks: ci = self.cs[i] ci.x += 2*random()*(self.cs[ci.hen].x-ci.x)
整个鸡群
正所谓，算法源于生活而高于生活，自然界里讲求辈分，但在鸡群算法里，讲究的确是实力。如果小鸡运气爆棚，得到了比公鸡还厉害的优化结果，那么这只小鸡就会进化成公鸡。
也就是说，每隔一段时间，鸡群里的鸡会被重新安排身份，优化效果最好的就是头领公鸡，差一点的是监护母鸡，最差的就只能是小鸡了。
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)
优化迭代
至此，集群算法的框架算是搭建成功了，接下来就实现最关键的部分，优化。
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)测试
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
读到这里，这篇“Python怎么实现鸡群算法”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注创新互联行业资讯频道。
标题名称：Python怎么实现鸡群算法
浏览路径：http://shouzuofang.com/article/geccoj.html