使用pyswarms实现PSO多变量函数优化报错求助

错误根源 #

报错ValueError: operands could not be broadcast together with shapes (3,) (100,)的核心原因是目标函数的输入维度不匹配：

• pyswarms在优化时，会一次性传入所有粒子的位置数组，形状为(n_particles, dimensions)（此处为(100,3)）
• 你编写的objective_function仅能处理单个粒子的位置（形状(3,)），直接索引x[0]会把二维数组的第一列（100个元素）和标量计算，触发广播错误。

解决步骤 #

1. 修正目标函数（关键） #

修改目标函数，使其支持批量粒子的向量化计算：

def objective_function(x):
    # x形状为(n_particles, dimensions)，逐列计算每个维度的平方差
    return ((x[:, 0] - 1)**2 + (x[:, 1]-2)**2 + (x[:, 2] - 3)**2)

这样每个粒子的适应度会被批量计算，返回形状为(n_particles,)的数组，符合pyswarms的要求。

2. 修正结果打印的错误 #

最后一行代码objective_function(best_cost)是错误的：best_cost是最优适应度的数值，不是位置。应该传入best_position，同时为匹配目标函数的输入格式，需要将单个位置reshape为二维数组：

print('Func value at best pos', objective_function(best_position.reshape(1, 3)))

3. 初始位置与边界的验证 #

你的初始位置init_pos形状(100,3)是正确的，边界bounds的格式也符合要求（两个长度为3的列表，分别对应各维度的上下界），这部分无需修改。

完整修正后的代码 #

import numpy as np
import pyswarms as ps

# 修正后的目标函数，支持批量粒子计算
def objective_function(x):
    return ((x[:, 0] - 1)**2 + (x[:, 1]-2)**2 + (x[:, 2] - 3)**2)

# 定义各维度边界
bounds = ([-5]*3, [5]*3)
print('Bounds:')
print(bounds)

# 单个粒子的初始猜测
initial_guess_1 = np.array([1.0, 2.0, 2.9])
dimensions = initial_guess_1.size
print('Dimensions:', dimensions)

n_particles = 100
print('Objective function for initial guess:')
# 单个粒子计算时，需要reshape成二维数组
print(objective_function(initial_guess_1.reshape(1, dimensions)))

# 生成所有粒子的初始位置
initial_guess = initial_guess_1.reshape((1, dimensions))
init_pos = np.tile(initial_guess, (n_particles, 1))

print('Initial guess of one particle:')
print(initial_guess_1)
print('Initial positions for all particles: ')
print(init_pos.shape)
print(init_pos)

# PSO参数配置
options = {
    'c1': 0.5,  # 认知系数
    'c2': 0.3,  # 社会系数
    'w': 0.9    # 惯性权重
}

# 初始化全局最优PSO优化器
optimizer = ps.single.GlobalBestPSO(n_particles=n_particles, 
                                    dimensions=dimensions, 
                                    options=options, 
                                    bounds=bounds,
                                    init_pos=init_pos
                                    )

# 运行优化
best_cost, best_position = optimizer.optimize(objective_function, iters=1000, verbose=True)

# 打印结果
print("Best position:", best_position)
print("Best cost:", best_cost)
# 修正后的结果打印
print('Func value at best pos', objective_function(best_position.reshape(1, 3)))

额外说明 #

• pyswarms的目标函数必须接受形状为(n_particles, dimensions)的输入，并返回形状为(n_particles,)的适应度数组，这是官方要求的输入输出格式。
• 如果想保留单个粒子的计算逻辑，可以在函数内判断输入维度，兼容两种场景：

  def objective_function(x):
      if x.ndim == 1:
          x = x.reshape(1, -1)
      return ((x[:, 0] - 1)**2 + (x[:, 1]-2)**2 + (x[:, 2] - 3)**2)
  

内容的提问来源于stack exchange，提问作者twistfire