23-05-29

EBPSO 알고리즘 구현 - 선택지로 추가
random 으로 분산시키는 방법 구현 - 선택지로 추가
iris 기준 98퍼센트로 나오나 정확한 결과를 지켜봐야 할것으로 보임

metacode/pso_meta.py

@@ -0,0 +1,137 @@
+import numpy as np
+
+class PSO(object):
+    """
+    Class implementing PSO algorithm
+    """
+
+    def __init__(self, func, init_pos, n_particles):
+        """
+        Initialize the key variables.
+
+        Args:
+            fun (function): the fitness function to optimize
+            init_pos(array_like):
+            n_particles(int): the number of particles of the swarm.
+        """
+        self.func = func
+        self.n_particles = n_particles
+        self.init_pos = init_pos           # 곰샥헐 차원
+        self.particle_dim = len(init_pos)  # 검색할 차원의 크기
+        self.particles_pos = np.random.uniform(size=(n_particles, self.particle_dim)) \
+            * self.init_pos
+        # 입력받은 파티클의 개수 * 검색할 차원의 크기 만큼의 균등한 위치를 생성
+        self.velocities = np.random.uniform(
+            size=(n_particles, self.particle_dim))
+        # 입력받은 파티클의 개수 * 검색할 차원의 크기 만큼의 속도를 무작위로 초기화
+        self.g_best = init_pos             # 최대 사이즈로 전역 최적갑 저장 - global best
+        self.p_best = self.particles_pos   # 모든 파티클의 위치 - particles best
+        self.g_history = []
+        self.history = []
+
+    def update_position(self, x, v):
+        """
+        Update particle position
+
+        Args:
+            x (array-like): particle current position
+            v (array-like): particle current velocity
+
+        Returns:
+            The updated position(array-like)
+        """
+        x = np.array(x)  # 각 파티클의 위치
+        v = np.array(v)  # 각 파티클의 속도(방향과 속력을 가짐)
+        new_x = x + v   # 각 파티클을 랜덤한 속도만큼 진행
+        return new_x    # 진행한 파티클들의 위치를 반환
+
+    def update_velocity(self, x, v, p_best, g_best, c0=0.5, c1=1.5, w=0.75):
+        """
+            Update particle velocity
+
+            Args:
+                x(array-like): particle current position
+                v (array-like): particle current velocity
+                p_best(array-like): the best position found so far for a particle
+                g_best(array-like): the best position regarding all the particles found so far
+                c0 (float): the congnitive scaling constant, 인지 스케일링 상수
+                c1 (float): the social scaling constant
+                w (float): the inertia weight, 관성 중량
+
+            Returns:
+                The updated velocity (array-like).
+        """
+        x = np.array(x)
+        v = np.array(v)
+        assert x.shape == v.shape, "Position and velocity must have same shape."
+        # 두 데이터의 shape 이 같지 않으면 오류 출력
+        # 0에서 1사이의 숫자를 랜덤 생성
+        r = np.random.uniform()
+        p_best = np.array(p_best)
+        g_best = np.array(g_best)
+
+        # 가중치(상수)*속도 + \
+        # 스케일링 상수*랜덤 가중치*(나의 최적값 - 처음 위치) + \
+        # 전역 스케일링 상수*랜덤 가중치*(전체 최적값 - 처음 위치)
+        new_v = w*v + c0*r*(p_best - x) + c1*r*(g_best - x)
+        return new_v
+
+    def optimize(self, maxiter=200):
+        """
+        Run the PSO optimization process utill the stoping critera is met.
+        Cas for minization. The aim is to minimize the cost function
+
+        Args:
+            maxiter (int): the maximum number of iterations before stopping the optimization
+            파티클의 최종 위치를 위한 반복 횟수
+        Returns:
+            The best solution found (array-like)
+        """
+        for _ in range(maxiter):
+            for i in range(self.n_particles):
+                x = self.particles_pos[i]  # 각 파티클 추출
+                v = self.velocities[i]    # 랜덤 생성한 속도 추출
+                p_best = self.p_best[i]   # 결과치 저장할 변수 지정
+                self.velocities[i] = self.update_velocity(
+                    x, v, p_best, self.g_best)
+                # 다음에 움직일 속도 = 최초 위치, 현재 속도, 현재 위치, 최종 위치
+                self.particles_pos[i] = self.update_position(x, v)
+                # 현재 위치 = 최초 위치 현재 속도
+                # Update the besst position for particle i
+                # 내 현재 위치가 내 위치의 최소치보다 작으면 갱신
+                if self.func(self.particles_pos[i]) < self.func(p_best):
+                    self.p_best[i] = self.particles_pos[i]
+                # Update the best position overall
+                # 내 현재 위치가 전체 위치 최소치보다 작으면 갱신
+                if self.func(self.particles_pos[i]) < self.func(self.g_best):
+                    self.g_best = self.particles_pos[i]
+                    self.g_history.append(self.g_best)
+                    
+            self.history.append(self.particles_pos.copy())
+
+        # 전체 최소 위치, 전체 최소 벡터
+        return self.g_best, self.func(self.g_best)
+
+    """
+    Returns:
+        현재 전체 위치
+    """
+
+    def position(self):
+        return self.particles_pos.copy()
+
+    """
+    Returns:
+        전체 위치 벡터 history
+    """
+
+    def position_history(self):
+        return self.history
+
+    """
+    Returns:
+        global best 의 갱신된 값의 변화를 반환
+    """
+
+    def global_history(self):
+        return self.g_history.copy()