使用pyswarms实现粒子群优化时数组维度不匹配问题求助

核心问题：对pyswarms目标函数的输入/输出维度要求理解错误 #

pyswarms向目标函数传递的粒子位置数组形状固定为(n_particles, dimensions)，且要求目标函数返回每个粒子对应的代价值数组（形状为(n_particles,)）。你的代码存在两个关键错误：

1. 硬编码粒子数量npart并手动reshape输入，破坏了原有的维度结构
2. 目标函数返回的数组形状不符合pyswarms的要求，触发广播错误

1. 测试函数的修正 #

原测试函数返回逐元素平方后的二维数组（如(1,1)），但pyswarms需要每个粒子对应一个标量代价，形状为(n_particles,)。

修正后的测试函数：

import numpy as np
from pyswarms.single.global_best import GlobalBestPSO

def test_fun(x):
    # x形状为(n_particles, dimensions)，按行求和得到每个粒子的代价
    return np.sum(x ** 2, axis=1)

options = {'c1': 0.5, 'c2': 0.3, 'w': 0.9}
optimizer = GlobalBestPSO(n_particles=1, dimensions=1, options=options)
optimized = optimizer.optimize(test_fun, iters=1000)

2. SVM目标函数的修正 #

关键修正点： #

• 移除硬编码的npart参数，直接使用pyswarms传递的x_in（形状(n_particles, dimensions)）
• 矩阵乘法后将结果展平为(n_particles,)的形状，满足pyswarms的输出要求

修正后的目标函数：

import numpy as np
from sklearn.metrics.pairwise import rbf_kernel
from pyswarms.single.global_best import GlobalBestPSO

def svm_func(x_in, model, target_disp=0):
    nfeat = model.n_features_in_
    nsupp = int(model.n_support_)
    support_vectors = model.support_vectors_
    dual_coefs = model.dual_coef_[0]

    # 直接使用x_in的原始形状(n_particles, nfeat)作为rbf_kernel的Y参数
    kernel_mat = rbf_kernel(support_vectors, Y=x_in, gamma=model.get_params()['gamma'])
    # 矩阵乘法得到(1, n_particles)的预测值，加上截距后计算误差平方
    fx = np.matmul(dual_coefs.reshape(1, nsupp), kernel_mat) + model.intercept_
    fx_err = (fx - target_disp)**2
    # 展平为(n_particles,)的形状返回
    return fx_err.flatten()

修正后的优化执行代码 #

调用时移除npart=10参数：

feats = tuple(model.feature_names_in_)
x_opt_vars = {'E1':[-3,3],'E5':[-3,3]} # 仅优化40个变量中的这2个
bounds = (
    np.array([arr_input[feats.index(i)] if i not in x_opt_vars.keys() else x_opt_vars[i][0] for i in feats]), 
    np.array([arr_input[feats.index(i)] if i not in x_opt_vars.keys() else x_opt_vars[i][1] for i in feats])
)
options = {'c1': 0.5, 'c2': 0.3, 'w': 0.9}
optimizer = GlobalBestPSO(n_particles=10, dimensions=40, options=options, bounds=bounds)

# 移除npart参数，由pyswarms自动传递粒子位置
cost, pos = optimizer.optimize(svm_func, iters=1000, model=ksvr, target_disp=-2.78)

错误原因详解 #

1. 三维数组来源：原代码中手动将x_inreshape为(npart,nfeat)，但pyswarms传递的x_in已经是(10,40)，结合rbf_kernel的输出维度，导致后续矩阵乘法产生三维数组，触发广播不匹配。
2. 输出形状不匹配：pyswarms要求目标函数返回的代价数组长度等于粒子数量，原代码返回的是二维/三维数组，无法与pyswarms内部的计算逻辑广播匹配，从而报错。

内容的提问来源于stack exchange，提问作者n6r5