python怎么画蝙蝠_蝙蝠算法学习
序
因需要研究一下這個(gè)蝙蝠算法，Bat Algorithm，遂有了這篇學(xué)習(xí)博客，也作為我的第一篇博客吧，談?wù)勥@方面的知識(shí)，練練手。首先，了解到，蝙蝠算法是由Yang教授于2010年提出的高效生物啟發(fā)式算法，一種搜索全局最優(yōu)解的算法。該算法是基于迭代的優(yōu)化技術(shù)，初始化為一組隨機(jī)解，然后通過迭代搜尋最優(yōu)解，且在最優(yōu)解周圍通過隨機(jī)飛行產(chǎn)生局部新解，加強(qiáng)了局部搜索。與其他算法相比，BA 在準(zhǔn)確性和有效性方面遠(yuǎn)優(yōu)于其他算法，且沒有許多參數(shù)要進(jìn)行調(diào)整。(以上部分摘自百度百科)
什么是蝙蝠算法
描述
簡(jiǎn)單地說(shuō)，蝙蝠算法就是模擬蝙蝠回聲發(fā)射與檢測(cè)這樣的一個(gè)機(jī)制。一般來(lái)說(shuō)，仿生算法要抽象出來(lái)，需要做一些必要的假設(shè)和簡(jiǎn)化：
所有的蝙蝠都使用回聲定位來(lái)感知距離，并且可以判斷出是food還是障礙物
在一定位置以一定速度隨機(jī)飛行，且可以自動(dòng)調(diào)整發(fā)射脈沖的頻率或波長(zhǎng)，并依據(jù)距離調(diào)整脈沖發(fā)射率
假設(shè)響度從一個(gè)正值變化到最小值
估計(jì)時(shí)延和三維地形時(shí)不使用射線追蹤
頻率f在[
,
]范圍內(nèi)，對(duì)應(yīng)的波長(zhǎng)λ在[
,
]范圍內(nèi)
Tips：對(duì)于給定的問題，應(yīng)該考慮改變波長(zhǎng)λ或頻率f，λ和f是相關(guān)的，λf是一個(gè)定值。
根據(jù)2010年Yang的文章，有一些公式：
我們需要在每一時(shí)間步長(zhǎng)t內(nèi)模擬蝙蝠的位置和速度更新，于是有了如下公式：
式中，
是服從均勻分布的隨機(jī)變量，
是全局最優(yōu)解。
確定一個(gè)解之后，使用隨機(jī)游走產(chǎn)生一個(gè)新解：
式中，
是一個(gè)隨機(jī)數(shù)，
是當(dāng)前時(shí)步內(nèi)所有蝙蝠的平均響度。在實(shí)現(xiàn)時(shí)，提供一個(gè)縮放參數(shù)來(lái)控制步長(zhǎng)：
式中，
服從高斯正態(tài)分布
，
是縮放因子。
此外，響度和脈沖發(fā)射率也需要更新：
式中，
和
是常數(shù)，對(duì)于任意的
、
，有：
偽代碼
初始化種群
和
初始化頻率
、脈沖發(fā)射率
及響度
For 1:MAX_ITER
通過調(diào)整頻率產(chǎn)生新解
根據(jù)上述公式更新速度與位置
if rand>
從最佳解中選擇一個(gè)并產(chǎn)生局部解
end if
隨機(jī)飛行產(chǎn)生新解
if
&&
接受新解并根據(jù)公式更新響度和脈沖發(fā)射率
end if
找出當(dāng)前最佳解
End For
如何用編程來(lái)實(shí)現(xiàn)
這里使用Python語(yǔ)言來(lái)描述蝙蝠算法，在程序中面向?qū)ο蟮乃枷雽⑺惴ú糠志帪橐粋€(gè)類，并利用算法優(yōu)化一個(gè)簡(jiǎn)單的例子。
首先是算法類，
import numpy as np
'''
蝙蝠算法-Bat Algorithm
'''
class BA(object):
def __init__(self, d, N_p, N_gen, Qmin, Qmax, lower_bound, upper_bound, func):
self.d = d # 搜索維度
self.N_p = N_p # 個(gè)體數(shù)
self.N_gen = N_gen # 迭代次數(shù)
self.A = 1 + np.random.random(self.N_p) # 響度
self.r = np.random.random(self.N_p) # 脈沖發(fā)射率
self.Qmin = Qmin # 最小頻率
self.Qmax = Qmax # 最大頻率
self.lower_bound = lower_bound # 搜索區(qū)間下限
self.upper_bound = upper_bound # 搜索區(qū)間上限
self.func = func # 目標(biāo)函數(shù)
self.alpha = 0.85
self.gamma = 0.9
self.r0 = self.r
self.Lb = self.lower_bound * np.ones(self.d)
self.Ub = self.upper_bound * np.ones(self.d)
self.Q = np.zeros(self.N_p) # 頻率
self.v = np.zeros((self.N_p, self.d)) # 速度
self.sol = np.zeros((self.N_p, self.d)) # 種群
self.fitness = np.zeros(self.N_p) # 個(gè)體適應(yīng)度
self.best = np.zeros(self.d) # 最好的solution
self.fmin = 0.0 # 最小fitness
# 初始化蝙蝠種群
def init_bat(self):
for i1 in range(self.N_p):
self.sol[i1, :] = self.Lb + (self.Ub - self.Lb) * np.random.uniform(0, 1, self.d)
self.fitness[i1] = self.func(self.sol[i1, :])
self.fmin = np.min(self.fitness)
fmin_arg = np.argmin(self.fitness)
self.best = self.sol[fmin_arg, :]
# 越界檢查
def simplebounds(self, s, lb, ub):
for j1 in range(self.d):
if s[j1] < lb[j1]:
s[j1] = lb[j1]
if s[j1] > ub[j1]:
s[j1] = ub[j1]
return s
# 迭代部分
def start_iter(self):
S = np.zeros((self.N_p, self.d))
self.init_bat()
for step in range(self.N_gen):
for i2 in range(self.N_p):
self.Q[i2] = self.Qmin + (self.Qmin - self.Qmax) * np.random.uniform(0, 1)
self.v[i2, :] = self.v[i2, :] + (self.sol[i2, :] - self.best) * self.Q[i2]
S[i2, :] = self.sol[i2, :] + self.v[i2, :]
S[i2, :] = self.simplebounds(S[i2, :], self.Lb, self.Ub) # 越界檢查
if np.random.random() > self.r[i2]:
S[i2, :] = self.best + 0.001 * np.random.randn(self.d) # 此處沒有實(shí)現(xiàn)乘以響度平均值
S[i2, :] = self.simplebounds(S[i2, :], self.Lb, self.Ub) # 越界檢查
Fnew = self.func(S[i2, :])
if (Fnew <= self.fitness[i2]) and (np.random.random() < self.A[i2]):
self.sol[i2, :] = S[i2, :]
self.fitness[i2] = Fnew
self.A[i2] = self.alpha * self.A[i2] # 響度更新
self.r[i2] = self.r0[i2] * (1 - np.exp(-1 * self.gamma * step)) # 脈沖發(fā)射率更新
if Fnew <= self.fmin:
self.best = S[i2, :]
self.fmin = Fnew
print(step, ':', '\n', 'BEST=', self.best, '\n', 'min of fitness=', self.fmin)
return self.best, self.fmin
這里用一個(gè)簡(jiǎn)單的Griewan函數(shù)來(lái)測(cè)試蝙蝠算法，此函數(shù)在
有全局極小值0。
import numpy as np
from ba import BA
# 測(cè)試用例,Griewan函數(shù)，x=(0, 0...,0)處有全局極小值
def func(x):
y1 = 1 / 4000 * sum(np.power(x, 2))
y2 = 1
for h in range(x.size):
y2 = y2 * np.cos(x[h] / np.sqrt(h + 1))
y = y1 - y2 + 1
return y
if __name__ == '__main__':
ba = BA(10, 20, 100, 0, 2, -2, 2, func)
best, fmin = ba.start_iter()
print('=============================================')
print('BEST=', best, '\n', 'min of fitness=', fmin)
總結(jié)
以上是生活随笔為你收集整理的python怎么画蝙蝠_蝙蝠算法学习的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Javascript屏蔽鼠标的右键的两种
- 下一篇： Centos实现svn本地认证apach