PSO算法中全局最优位置列表被意外修改的问题求助

这个问题我太熟悉了——Python里可变对象的引用坑！你遇到的核心问题是列表是引用类型，赋值操作不会创建新的副本，导致全局最优变量和粒子的位置列表共享了同一块内存空间，粒子位置更新时全局最优也被意外修改了。

下面一步步拆解解决：

1. 修复Particle类的个人最优引用问题 #

你在Particle初始化里写了self.best_position = self.position，这会让best_position直接指向position的内存地址。当粒子的位置被修改时，best_position也会跟着变，完全违背了PSO里「个人最优是粒子历史最佳位置」的逻辑。

把这行改成创建独立副本：

class Particle():
    def __init__(self):
        self.position, self.velocity = initialize_pos_vel(n_dimension)
        # 用切片创建position的独立副本作为初始个人最优
        self.best_position = self.position[:]
        self.best_fitness = wish_function(self.best_position)

2. 修复全局最优的引用问题 #

同样的，你初始化全局最优时直接赋值best_global_particle_vector = swarm.particles[0].best_position，还是在传递引用。改成创建副本：

def main():
    swarm = Swarm()
    # 创建初始粒子个人最优的副本作为全局最优
    best_global_particle_vector = swarm.particles[0].best_position[:]
    k = 0  # 假设你这里定义了迭代次数变量
    K = 10
    while k < K+1:
        print(" <<< 1 >>> ", best_global_particle_vector, " <<< 1 >>>")
        # 注意你这里有个笔误：best_gloval_particle_vector → best_global_particle_vector
        swarm = swarm.next_pos_vel(best_global_particle_vector)
        print(" <<< 2 >>> ", best_global_particle_vector, " <<< 2 >>>")
        
        # 额外补充PSO核心逻辑：更新个人最优与全局最优
        for particle in swarm.particles:
            current_fitness = wish_function(particle.position)
            # 假设是求最小值，可根据你的适应度函数调整判断逻辑
            if current_fitness < particle.best_fitness:
                particle.best_position = particle.position[:]
                particle.best_fitness = current_fitness
                # 对比更新全局最优
                if current_fitness < wish_function(best_global_particle_vector):
                    best_global_particle_vector = particle.best_position[:]
        k += 1

为什么这样能解决问题？ #

Python中，像列表这样的可变对象，赋值操作a = b只是让a指向b的内存地址，而非复制内容。用b[:]或者list(b)会创建一个全新的列表，新列表和原列表完全独立，修改其中一个不会影响另一个。

现在运行代码，全局最优位置就不会被意外修改，完全符合你的预期输出。

内容的提问来源于stack exchange，提问作者bananaquit