scikit-opt 粒子群算法（PSO）动态可视化实战：用 record_mode 记录轨迹并生成 GIF 动画

scikit-opt 粒子群算法PSO动态可视化实战用 record_mode 记录轨迹并生成 GIF 动画【免费下载链接】scikit-optGenetic Algorithm, Particle Swarm Optimization, Simulated Annealing, Ant Colony Optimization Algorithm,Immune Algorithm, Artificial Fish Swarm Algorithm, Differential Evolution and TSP(Traveling salesman)项目地址: https://gitcode.com/GitHub_Trending/sci/scikit-opt本指南以 scikit-opt 开源库中粒子群算法PSO的动画展示为核心讲解如何在带非线性约束的二维寻优问题上运行 PSO并借助record_mode记录每一代粒子的位置与速度最后用 Matplotlib 的FuncAnimation将整个收敛过程渲染为动态 GIF。读完本文你将掌握从「跑算法」到「做动画」的完整链路并理解 scikit-opt 中记录机制与粒子群迭代的底层实现。一、整体思路两个 step 完成 PSO 可视化粒子群算法的动态展示分为两个阶段对应仓库中的示例文件 examples/demo_pso_ani.py做 PSO构造目标函数与约束初始化PSO对象并开启record_mode运行迭代画动画读取pso.record_value中记录的每一代粒子位置X与速度V用matplotlib.animation.FuncAnimation逐帧播放导出为pso.gif。之所以要先开record_mode是因为 PSO 类在默认情况下只保留最终结果如gbest_x、gbest_y并不会保留每一代的全量粒子快照。动画素材正是依赖这个开关在迭代过程中持续录影。二、Step 1运行带约束的 PSO 并开启记录模式首先定义目标函数。示例使用的是 Ackley 函数风格的二维测试函数多峰、存在大量局部最优适合演示粒子群的收敛行为import numpy as np from sko.PSO import PSO def demo_func(x): x1, x2 x return -20 * np.exp(-0.2 * np.sqrt(0.5 * (x1 ** 2 x2 ** 2))) - np.exp( 0.5 * (np.cos(2 * np.pi * x1) np.cos(2 * np.pi * x2))) 20 np.e constraint_ueq ( lambda x: (x[0] - 1) ** 2 (x[1] - 0) ** 2 - 0.5 ** 2 , ) max_iter 50 pso PSO(funcdemo_func, n_dim2, pop40, max_itermax_iter, lb[-2, -2], ub[2, 2] , constraint_ueqconstraint_ueq) pso.record_mode True pso.run() print(best_x is , pso.gbest_x, best_y is, pso.gbest_y)关键参数与含义对应 PSO 构造函数参数示例取值说明funcdemo_func待优化的目标函数输入为决策向量x输出为标量适应值n_dim2决策变量维度即x中分量的个数pop40粒子群规模particle 数量与 GA 中的种群规模口径一致max_iter50最大迭代代数lb/ub[-2, -2]/[2, 2]每个维度的下界/上界构造时会被广播为n_dim维并断言dim len(lb) len(ub)且ub lb见 PSO.py#L99-L101constraint_ueq一个元组不等式约束≤ 0可传多个约束函数返回大于 0 视为不可行w0.8默认惯性权重控制粒子速度的惯性c1/c20.5默认认知系数与群体系数分别控制跟随个体历史最优pbest与全局最优gbest的力度constraint_ueq中传入的约束(x[0] - 1) ** 2 (x[1] - 0) ** 2 - 0.5 ** 2表示可行域是圆心在(1, 0)、半径为0.5的圆内≤ 0。在 check_constraint 中只要任一约束函数返回值大于 0该粒子即被判为不可行这一判定在更新个体最优update_pbest时生效——即使适应值更优若违反约束也不会被采纳为新的pbest。record_mode 与 run() 的底层逻辑pso.record_mode True是关键一步。在 PSO 类 中默认record_mode False而record_value初始化为{X: [], V: [], Y: []}分别用于存放每一代粒子的位置矩阵pop × n_dim、速度矩阵与适应值向量。调用run()后每次迭代的主循环为update_V()→recorder()→update_X()→cal_y()→update_pbest()→update_gbest()见 run 方法。recorder()见 PSO.py#L169-L174在每次迭代时把当前的X、V、Y追加进record_value从而形成完整的历史轨迹。迭代结束后pso.gbest_x/pso.gbest_y全局历史最优位置与适应值示例中的print输出pso.record_value[X]长度为max_iter的列表第i项是第i代的全部粒子位置pso.record_value[V]同样的结构保存每代速度是动画插值的关键数据。需要说明的是位置更新公式遵循标准 PSOV w·V c1·r1·(pbest_x - X) c2·r2·(gbest_x - X)随后X clip(X V, lb, ub)见 update_V / update_X。粒子的速度被限制在ub - lb的范围内初始化保证搜索步长不至于失控。三、Step 2读取记录数据并渲染逐帧动画运行结束后把record_value交给 Matplotlib 做动画import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimation record_value pso.record_value X_list, V_list record_value[X], record_value[V] fig, ax plt.subplots(1, 1) ax.set_title(title, loccenter) line ax.plot([], [], b.) X_grid, Y_grid np.meshgrid(np.linspace(-2.0, 2.0, 40), np.linspace(-2.0, 2.0, 40)) Z_grid demo_func((X_grid, Y_grid)) ax.contour(X_grid, Y_grid, Z_grid, 30) ax.set_xlim(-2, 2) ax.set_ylim(-2, 2) t np.linspace(0, 2 * np.pi, 40) ax.plot(0.5 * np.cos(t) 1, 0.5 * np.sin(t), colorr) plt.ion() p plt.show() def update_scatter(frame): i, j frame // 10, frame % 10 ax.set_title(iter str(i)) X_tmp X_list[i] V_list[i] * j / 10.0 plt.setp(line, xdata, X_tmp[:, 0], ydata, X_tmp[:, 1]) return line ani FuncAnimation(fig, update_scatter, blitTrue, interval25, framesmax_iter * 10) plt.show() ani.save(pso.gif, writerpillow)画面构成拆解背景等值线np.meshgrid生成[-2, 2] × [-2, 2]的 40×40 网格代入demo_func得到适应值曲面ax.contour(..., 30)画出 30 层等高线直观呈现目标函数的多峰地貌红色约束圆用参数方程(0.5·cos(t) 1, 0.5·sin(t))描绘约束边界动画中可以看到粒子被限制在圆内搜索蓝色散点line ax.plot([], [], b.)先声明一个空的蓝色散点对象每帧用plt.setp更新其坐标数据。update_scatter 的插值机制为什么 frames 是 max_iter × 10FuncAnimation(fig, update_scatter, blitTrue, interval25, framesmax_iter * 10)共播放50 × 10 500帧。每帧的回调函数把帧号frame拆成i, j frame // 10, frame % 10i是迭代代数049决定取哪一帧记录数据j是帧内子步09用X_list[i] V_list[i] * j / 10.0在相邻两代之间做线性插值——把粒子从第i代位置按速度方向均匀推进 10 步得到平滑的运动轨迹避免逐代跳变造成的画面闪烁。也就是说record_value里记录的 50 代数据被展开为 500 帧动画帧间隔interval25ms总时长约 12.5 秒能清晰看到粒子群从随机初始分布逐渐聚拢到约束圆内最优解附近的完整过程。ax.set_title(iter str(i))同步显示当前帧对应的迭代代数。保存 GIFani.save(pso.gif, writerpillow)writerpillow指定使用 Pillow 作为 GIF 编码器需已安装pillow库。保存前请确保当前进程持有plt.show()打开的窗口或在非交互环境下直接执行ani.save(...)。四、从动画反推迭代质量配合 gbest_y_hist 做收敛分析动画展示的是空间维度的收敛过程若要定量评估优化效果可结合 PSO 类的gbest_y_hist属性——它在 run 方法 中每轮迭代追加当前gbest_y构成全局最优适应值的历史曲线。示例中print(best_x is , pso.gbest_x, best_y is, pso.gbest_y)输出的即是最终解import matplotlib.pyplot as plt plt.plot(pso.gbest_y_hist) plt.show()将动画与收敛曲线对照使用可以直观判断等高线图上粒子是否陷入局部最优、约束圆边界附近粒子是否被罚函数机制拒之门外以及w、c1、c2参数调整后收敛速度的变化。五、把动画方案迁移到自己的问题上本示例是一个完整的可复用模板迁移到自定义问题时只需替换三处目标函数保持def demo_func(x): x1, x2 x的签名n_dim与lb/ub随之调整。注意若函数只接受单参数向量func(x)形式scikit-opt 会通过 func_transformer 自动包装为逐行调用多入参旧式写法会触发弃用警告。约束元组constraint_ueq里可添加多个lambda x: ...不等式全部 ≤ 0 才视为可行等式约束constraint_eq在当前 PSO 实现中尚不可用见 PSO.py#L60-L63 的注释说明。绘图坐标把np.meshgrid(np.linspace(-2.0, 2.0, 40), ...)的网格范围改为与lb/ub一致约束边界曲线换成你自己的可行域几何形状。如果不需要插值平滑也可以让framesmax_iter在update_scatter中直接取X_list[i]生成逐代跳变的帧序列。六、小结本文围绕 scikit-opt 的 PSO 动画示例完整覆盖了从参数配置w、c1、c2、pop、lb/ub、constraint_ueq、record_mode记录机制PSO.py 的 recorder/record_value、迭代更新原理速度-位置公式到FuncAnimation逐帧渲染与 GIF 导出的全部环节。核心示例代码见 examples/demo_pso_ani.py基础用法与非线性约束的更多说明见 docs/zh/README.md 第 3 节相关收敛曲线示例可参考 examples/demo_pso.py。掌握了这套模板你就可以为自己的优化问题快速生成可复现、可展示的粒子群搜索过程动画。【免费下载链接】scikit-optGenetic Algorithm, Particle Swarm Optimization, Simulated Annealing, Ant Colony Optimization Algorithm,Immune Algorithm, Artificial Fish Swarm Algorithm, Differential Evolution and TSP(Traveling salesman)项目地址: https://gitcode.com/GitHub_Trending/sci/scikit-opt创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考