python怎么画蝙蝠_蝙蝠算法学习
序
因需要研究一下這個蝙蝠算法，Bat Algorithm，遂有了這篇學習博客，也作為我的第一篇博客吧，談談這方面的知識，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式算法，一種搜索全局最優解的算法。該算法是基于迭代的優化技術，初始化為一組隨機解，然后通過迭代搜尋最優解，且在最優解周圍通過隨機飛行產生局部新解，加強了局部搜索。與其他算法相比，BA 在準確性和有效性方面遠優于其他算法，且沒有許多參數要進行調整。(以上部分摘自百度百科)
什么是蝙蝠算法
描述
簡單地說，蝙蝠算法就是模擬蝙蝠回聲發射與檢測這樣的一個機制。一般來說，仿生算法要抽象出來，需要做一些必要的假設和簡化：
所有的蝙蝠都使用回聲定位來感知距離，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飛行，且可以自動調整發射脈沖的頻率或波長，并依據距離調整脈沖發射率
假設響度從一個正值變化到最小值
估計時延和三維地形時不使用射線追蹤
頻率f在[
,
]范圍內，對應的波長λ在[
,
]范圍內
Tips：對于給定的問題，應該考慮改變波長λ或頻率f，λ和f是相關的，λf是一個定值。
根據2010年Yang的文章，有一些公式：
我們需要在每一時間步長t內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變量，
是全局最優解。
確定一個解之后，使用隨機游走產生一個新解：
式中，
是一個隨機數，
是當前時步內所有蝙蝠的平均響度。在實現時，提供一個縮放參數來控制步長：
式中，
服從高斯正態分布
，
是縮放因子。
此外，響度和脈沖發射率也需要更新：
式中，
和
是常數，對于任意的
、
，有：
偽代碼
初始化種群
和
初始化頻率
、脈沖發射率
及響度
For 1:MAX_ITER
通過調整頻率產生新解
根據上述公式更新速度與位置
if rand>
從最佳解中選擇一個并產生局部解
end if
隨機飛行產生新解
if
&&
接受新解并根據公式更新響度和脈沖發射率
end if
找出當前最佳解
End For
如何用編程來實現
這里使用Python語言來描述蝙蝠算法，在程序中面向對象的思想將算法部分編為一個類，并利用算法優化一個簡單的例子。
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 # 個體數
self.N_gen = N_gen # 迭代次數
self.A = 1 + np.random.random(self.N_p) # 響度
self.r = np.random.random(self.N_p) # 脈沖發射率
self.Qmin = Qmin # 最小頻率
self.Qmax = Qmax # 最大頻率
self.lower_bound = lower_bound # 搜索區間下限
self.upper_bound = upper_bound # 搜索區間上限
self.func = func # 目標函數
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) # 個體適應度
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) # 此處沒有實現乘以響度平均值
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
這里用一個簡單的Griewan函數來測試蝙蝠算法，此函數在
有全局極小值0。
import numpy as np
from ba import BA
# 測試用例,Griewan函數，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
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內容，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： python 中的yum pip