使用PySwarms实现PSO优化黑箱函数遇错及相关问题咨询

代码错误原因与修复 #

你的错误根源是pyswarms的优化函数要求输入是批量粒子的参数数组，而非单个参数列表。当设置n_particles=100时，传入f1的x是形状为(100, 3)的二维数组，而你的f1是按单个参数列表（形状(3,)）编写的，直接取x[0]会导致维度不匹配的广播错误。

修复方法是修改目标函数，用numpy向量化操作处理批量粒子：

import pyswarms as ps
import numpy as np

# 修正后的目标函数：处理形状为(n_particles, dimensions)的输入
def f1(x: np.ndarray) -> np.ndarray:
    # 计算每个粒子的代价，返回形状为(n_particles,)的数组
    return np.sum(x**2, axis=1)

# 定义参数边界
max_bound = 5 * np.ones(3)
min_bound = -max_bound
bounds = (min_bound, max_bound)

# PSO配置
options = {'c1': 0.5, 'c2': 0.3, 'w': 0.9}
dimensions = 3

# 初始化优化器
optimizer = ps.single.GlobalBestPSO(n_particles=100, dimensions=dimensions, options=options, bounds=bounds)

# 执行优化
cost, pos = optimizer.optimize(f1, iters=1000)

print("Optimized parameters: ", pos)
print("Cost: ", cost)

当n_particles=3时能运行是因为此时x形状为(3,3)，x[0]是第一行（3个元素），刚好能计算平方和，但粒子数量太少，PSO无法充分探索搜索空间，导致找不到最小值且收敛慢——PSO通常需要至少20-50个粒子才能保证搜索效率。

高维场景下的PSO模块推荐 #

针对100个参数的高维优化需求，推荐以下Python模块：

• pyswarms：你正在使用的模块，支持并行计算（通过pool参数启用多进程），针对高维场景做了优化，配置简单。
• DEAP：分布式进化算法框架，可自定义PSO实现，支持并行计算，适合需要高度定制优化逻辑的场景。
• Optuna：超参数优化框架，内置PSO采样器，支持自动调优优化器参数，适合大规模高维搜索。

传入参数初始猜测值的方法 #

在pyswarms中，通过init_pos参数传入初始粒子位置，该参数需要是形状为(n_particles, dimensions)的numpy数组：

1. 如果你有一个全局初始猜测值（比如initial_guess = np.array([1, 2, 3])），可以基于这个值生成粒子群（添加小噪声避免粒子重合）：

initial_guess = np.array([1, 2, 3])
n_particles = 100
# 在初始猜测值附近生成粒子，噪声幅度可根据需求调整
init_pos = initial_guess + np.random.normal(0, 0.5, size=(n_particles, dimensions))
# 初始化优化器时传入init_pos
optimizer = ps.single.GlobalBestPSO(n_particles=100, dimensions=dimensions, options=options, bounds=bounds, init_pos=init_pos)

2. 如果每个参数有不同的初始猜测，直接构造形状为(n_particles, dimensions)的数组即可，确保每个粒子的初始位置在参数边界内。

内容的提问来源于stack exchange，提问作者twistfire