怎么用pso 优化lstm 用python实现

代码一直报错实现不出来 调整很多次 尝试将参数范围转换为整数 拆分整数参数范围为上界和下界

【相关推荐】

• 这个问题的回答你可以参考下: https://ask.csdn.net/questions/7799356
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：Python实现多变量序列堆叠式LSTM模型，并实现未来多时刻预测
• 您还可以看一下 武鹏老师的Python零基础人工智能编程课课程中的 使用 LSTM 生成古诗 - 3小节, 巩固相关知识点
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^

python代码实现

import numpy as np
import matplotlib.pyplot as plt
import matplotlib
from mpl_toolkits.mplot3d import Axes3D
# 以下 font.family 设置仅适用于 Mac系统，其它系统请使用对应字体名称
# matplotlib.rcParams['font.family'] = 'Arial Unicode MS'

# 画图观察规律
fig = plt.figure(figsize=(10,7))
ax = Axes3D(fig)
ax.set_xlabel('$x$',fontsize=16)
ax.set_ylabel('$y$',fontsize=16)
ax.set_zlabel('$z$',fontsize=16)
x = np.linspace(-2,2,100)
y = np.linspace(-2,2,100)
# x-y 平面的网格
x, y = np.meshgrid(x, y)
z = x*np.exp(-x**2-y**2)
ax.plot_surface(x, y, z, rstride=1, cstride=1, cmap=plt.get_cmap('cool'))
plt.show()

# 初始化粒子群（包含20个粒子）
vmax = 1
# 设置惯性权重
w = 0.5
# 设置加速度常数
c1,c2 = 2,2
# 设置最大迭代次数
iters = 1000
# 设置最佳适应度值的增量阈值
alpha = 0.000001
# 在给定定义域内，随机生成位置矩阵如下
xMat = np.random.uniform(-2,2,(20,2))
# 在给定最大速度的限制下，随机生成速度矩阵如下
vMat = np.random.uniform(-vmax,vmax,(20,2))

# 计算种群中所有粒子的适应度
def get_adjust(location):
    x,y = location
    return -x*np.exp(-x**2-y**2)

adjusts = np.array([get_adjust(loc) for loc in xMat])

pbest = xMat, adjusts
gbest = xMat[np.argmax(adjusts)], np.max(adjusts)
gbest_add = None
# 更新pbest、gbest，同时更新所有粒子的位置与速度
for k in range(iters):
    # 更新pbest，遍历adjusts，如果对应粒子的适应度是历史中最高的，则完成替换
    index = np.where(adjusts > pbest[1])[0]
    if len(index) > 0:
        pbest[0][index] = xMat[index]
        pbest[1][index] = adjusts[index]

    # 更新gbest
    if np.sum(pbest[1] > gbest[1]) > 0:
        gbest_add = np.max(adjusts) - gbest[1]
        gbest = xMat[np.argmax(adjusts)], np.max(adjusts)

    # 更新所有粒子的位置与速度
    xMat_backup = xMat.copy()
    xMat = xMat + vMat
    vMat = w * vMat + c1 * np.random.uniform(0, 1) * (pbest[0] - xMat_backup) + c2 * np.random.uniform(0, 1) * (
                gbest[0] - xMat_backup)

    # 如果vMat有值超过了边界值，则设定为边界值
    xMat[xMat > 2] = 2
    xMat[xMat < (-2)] = -2
    vMat[vMat > vmax] = vmax
    vMat[vMat < (-vmax)] = -vmax

    # 计算更新后种群中所有粒子的适应度
    adjusts = np.array([get_adjust(loc) for loc in xMat])

    # 检查全局适应度的增量，如果小于 alpha，则算法停止
    if gbest_add is not None and gbest_add < alpha:
        print("k = ", k, " 算法收敛！")
        break

print(gbest)
# (array([-0.70669195,  0.00303178]), -0.42887785271504353)