mirror of
https://github.com/jung-geun/PSO.git
synced 2025-12-19 20:44:39 +09:00
91c6ec965b
EBPSO 알고리즘 구현 - 선택지로 추가 random 으로 분산시키는 방법 구현 - 선택지로 추가 iris 기준 98퍼센트로 나오나 정확한 결과를 지켜봐야 할것으로 보임
268 lines
10 KiB
Python
268 lines
10 KiB
Python
import os
|
|
import numpy as np
|
|
from tqdm import tqdm
|
|
from matplotlib import pyplot as plt
|
|
import pandas as pd
|
|
|
|
import tensorflow as tf
|
|
from tensorflow import keras
|
|
|
|
import datetime
|
|
import gc
|
|
import cupy as cp
|
|
|
|
|
|
|
|
class PSO(object):
|
|
"""
|
|
Class implementing PSO algorithm
|
|
"""
|
|
|
|
def __init__(self, model: keras.models, loss_method=keras.losses.MeanSquaredError(), n_particles: int = 5):
|
|
"""
|
|
Initialize the key variables.
|
|
|
|
Args:
|
|
model : 학습할 모델 객체 (Sequential)
|
|
loss_method : 손실 함수
|
|
n_particles(int) : 파티클의 개수
|
|
"""
|
|
self.model = model # 모델
|
|
self.n_particles = n_particles # 파티클의 개수
|
|
self.loss_method = loss_method # 손실 함수
|
|
model_structure = self.model.to_json() # 모델의 구조 정보
|
|
self.init_weights = self.model.get_weights() # 검색할 차원
|
|
self.particle_depth = len(self.model.get_weights()) # 검색할 차원의 깊이
|
|
self.particles_weights = [None] * n_particles # 파티클의 위치
|
|
for _ in tqdm(range(self.n_particles), desc="init particles position"):
|
|
m = keras.models.model_from_json(model_structure)
|
|
m.compile(loss=self.loss_method,
|
|
optimizer="adam", metrics=["accuracy"])
|
|
self.particles_weights[_] = m.get_weights()
|
|
|
|
# 입력받은 파티클의 개수 * 검색할 차원의 크기 만큼의 균등한 위치를 생성
|
|
self.velocities = [
|
|
[0 for i in range(self.particle_depth)] for n in range(n_particles)]
|
|
for i in tqdm(range(n_particles), desc="init velocities"):
|
|
|
|
self.init_weights = self.model.get_weights()
|
|
w_,s_,l_ = self._encode(self.init_weights)
|
|
w_ = np.random.rand(len(w_)) / 5 - 0.10
|
|
self.velocities[i] = self._decode(w_,s_,l_)
|
|
# for index, layer in enumerate(self.init_weights):
|
|
# self.velocities[i][index] = np.random.rand(
|
|
# *layer.shape) / 5 - 0.10
|
|
|
|
|
|
# 입력받은 파티클의 개수 * 검색할 차원의 크기 만큼의 속도를 무작위로 초기화
|
|
# 최대 사이즈로 전역 최적갑 저장 - global best
|
|
self.p_best = self.particles_weights # 각 파티클의 최적값(최적의 가중치)
|
|
self.g_best=self.model.get_weights() # 전역 최적값(최적의 가중치) | 초기값은 모델의 가중치
|
|
|
|
# 각 파티클의 최적값의 점수
|
|
self.p_best_score = [0 for i in range(n_particles)]
|
|
|
|
# 전역 최적값의 점수(초기화 - 0)
|
|
self.g_best_score = 0
|
|
|
|
def __del__(self):
|
|
del self.model
|
|
del self.n_particles
|
|
del self.loss_method
|
|
del self.init_weights
|
|
del self.particles_weights
|
|
del self.velocities
|
|
del self.p_best
|
|
del self.g_best
|
|
del self.p_best_score
|
|
del self.g_best_score
|
|
|
|
def _encode(self,weights: list):
|
|
# w_gpu = cp.array([])
|
|
w_gpu = np.array([])
|
|
lenght = []
|
|
shape = []
|
|
for layer in weights:
|
|
shape.append(layer.shape)
|
|
w_ = layer.reshape(-1)
|
|
lenght.append(len(w_))
|
|
w_gpu = np.append(w_gpu, w_)
|
|
# w_gpu = cp.append(w_gpu, w_)
|
|
|
|
return w_gpu, shape, lenght
|
|
|
|
def _decode(self,weight, shape, lenght):
|
|
weights = []
|
|
start = 0
|
|
for i in range(len(shape)):
|
|
end = start + lenght[i]
|
|
# print(f"{start} ~ {end}")
|
|
# print(f"{shape[i]}")
|
|
w_ = weight[start:end]
|
|
w_ = np.reshape(w_, shape[i])
|
|
# w_ = w_.reshape(shape[i])
|
|
weights.append(w_)
|
|
start = end
|
|
|
|
return weights
|
|
|
|
def _update_weights(self, weights, v):
|
|
"""
|
|
Update particle position
|
|
|
|
Args:
|
|
weights (array-like) : 파티클의 현재 가중치
|
|
v (array-like) : 가중치의 속도
|
|
|
|
Returns:
|
|
(array-like) : 파티클의 새로운 가중치(위치)
|
|
"""
|
|
# w = np.array(w) # 각 파티클의 위치
|
|
# v = np.array(v) # 각 파티클의 속도(방향과 속력을 가짐)
|
|
# new_weights = [0 for i in range(len(weights))]
|
|
# print(f"weights : {weights}")
|
|
encode_w, w_sh, w_len = self._encode(weights = weights)
|
|
encode_v, _, _ = self._encode(weights = v)
|
|
new_w = encode_w + encode_v
|
|
new_weights = self._decode(new_w, w_sh, w_len)
|
|
|
|
# for i in range(len(weights)):
|
|
# new_weights[i] = tf.add(weights[i], v[i])
|
|
# new_w = tf.add(w, v) # 각 파티클을 랜덤한 속도만큼 진행
|
|
return new_weights # 진행한 파티클들의 위치를 반환
|
|
|
|
def _update_velocity(self, weights, v, p_best, c0=0.5, c1=1.5, w=0.75):
|
|
"""
|
|
Update particle velocity
|
|
|
|
Args:
|
|
weights (array-like) : 파티클의 현재 가중치
|
|
v (array-like) : 속도
|
|
p_best(array-like) : 각 파티클의 최적의 위치 (최적의 가중치)
|
|
c0 (float) : 인지 스케일링 상수 (가중치의 중요도 - 지역) - 지역 관성
|
|
c1 (float) : 사회 스케일링 상수 (가중치의 중요도 - 전역) - 전역 관성
|
|
w (float) : 관성 상수 (현재 속도의 중요도)
|
|
|
|
Returns:
|
|
(array-like) : 각 파티클의 새로운 속도
|
|
"""
|
|
# x = np.array(x)
|
|
# v = np.array(v)
|
|
# assert np.shape(weights) == np.shape(v), "Position and velocity must have same shape."
|
|
# 두 데이터의 shape 이 같지 않으면 오류 출력
|
|
# 0에서 1사이의 숫자를 랜덤 생성
|
|
r0 = np.random.rand()
|
|
r1 = np.random.rand()
|
|
# 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)
|
|
|
|
encode_w, w_sh, w_len = self._encode(weights = weights)
|
|
encode_v, _, _ = self._encode(weights = v)
|
|
encode_p, _, _ = self._encode(weights = p_best)
|
|
encode_g, _, _ = self._encode(weights = self.g_best)
|
|
|
|
new_v = encode_w * encode_v + c0*r0*(encode_p - encode_w) + c1*r1*(encode_g - encode_w)
|
|
new_velocity = self._decode(new_v, w_sh, w_len)
|
|
# new_velocity = [None] * len(weights)
|
|
# for i, layer in enumerate(weights):
|
|
|
|
# new_v = w*v[i]
|
|
# new_v = new_v + c0*r0*(p_best[i] - layer)
|
|
# new_v = new_v + c1*r1*(self.g_best[i] - layer)
|
|
# new_velocity[i] = new_v
|
|
|
|
# new_v = w*v + c0*r0*(p_best - weights) + c1*r1*(g_best - weights)
|
|
return new_velocity
|
|
|
|
def _get_score(self, x, y):
|
|
"""
|
|
Compute the score of the current position of the particles.
|
|
|
|
Args:
|
|
x (array-like): The current position of the particles
|
|
y (array-like): The current position of the particles
|
|
Returns:
|
|
(array-like) : 추론에 대한 점수
|
|
"""
|
|
score = self.model.evaluate(x, y, verbose=0)
|
|
|
|
return score
|
|
|
|
def optimize(self, x_, y_, maxiter=10, c0=0.5, c1=1.5, w=0.75, save=False, save_path="./result/history"):
|
|
"""
|
|
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)
|
|
"""
|
|
if save:
|
|
os.makedirs(save_path, exist_ok=True)
|
|
day = datetime.datetime.now().strftime('%m-%d-%H-%M')
|
|
|
|
for _ in range(maxiter):
|
|
|
|
for i in tqdm(range(self.n_particles), desc=f"Iter {_}/{maxiter} ", ascii=True):
|
|
weights = self.particles_weights[i] # 각 파티클 추출
|
|
v = self.velocities[i] # 각 파티클의 다음 속도 추출
|
|
p_best = self.p_best[i] # 결과치 저장할 변수 지정
|
|
# 2. 속도 계산
|
|
self.velocities[i] = self._update_velocity(
|
|
weights, v, p_best, c0, c1, w)
|
|
# 다음에 움직일 속도 = 최초 위치, 현재 속도, 현재 위치, 최종 위치
|
|
# 3. 위치 업데이트
|
|
self.particles_weights[i] = self._update_weights(weights, v)
|
|
# 현재 위치 = 이전 위치 + 현재 속도
|
|
# 내 현재 위치가 내 위치의 최소치보다 작으면 갱신
|
|
self.model.set_weights(self.particles_weights[i])
|
|
# self.particles_weights[i] = self.model.get_weights()
|
|
# 4. 평가
|
|
self.model.compile(loss=self.loss_method,
|
|
optimizer='sgd', metrics=['accuracy'])
|
|
score = self._get_score(x_, y_)
|
|
|
|
if score[1] > self.p_best_score[i]:
|
|
self.p_best_score[i] = score[1]
|
|
self.p_best[i] = self.particles_weights[i]
|
|
if score[1] > self.g_best_score:
|
|
self.g_best_score = score[1]
|
|
self.g_best = self.particles_weights[i]
|
|
|
|
if save:
|
|
with open(f"{save_path}/{day}_{self.n_particles}_{maxiter}_{c0}_{c1}_{w}.csv",'a')as f:
|
|
f.write(f"{score[0]}, {score[1]}")
|
|
if i != self.n_particles - 1:
|
|
f.write(",")
|
|
|
|
if save:
|
|
with open(f"{save_path}/{day}_{self.n_particles}_{maxiter}_{c0}_{c1}_{w}.csv",'a')as f:
|
|
f.write("\n")
|
|
print(
|
|
f"loss avg : {score[0]/self.n_particles} | acc avg : {score[1]/self.n_particles} | best score : {self.g_best_score}")
|
|
gc.collect()
|
|
|
|
# 전체 최소 위치, 전체 최소 벡터
|
|
return self.g_best, self._get_score(x_, y_)
|
|
|
|
"""
|
|
Returns:
|
|
최종 가중치
|
|
"""
|
|
|
|
def best_weights(self):
|
|
return self.g_best
|
|
|
|
"""
|
|
Returns:
|
|
최종 가중치의 스코어
|
|
"""
|
|
|
|
def best_score(self):
|
|
return self.g_best_score |