雞群演算法，縮寫為CSO(Chicken Swarm Optimization)，儘管具備所謂仿生學的背景，但實質上是粒子群演算法的變體。
簡單來說，粒子群就是一群粒子，每個粒子都有自己的位置和速度，而且每個粒子都要受到最佳粒子的吸引，除了這兩個規則之外，粒子之間完全平等，彼此之間除了位置和速度之外，完全相等。
當然，粒子群演算法本身也是有仿生學背景的，據說靈感來自於鳥群覓食，這個當然不重要，無非是一群平等的粒子變成了一群平等的鳥罷了。
而雞群演算法，則是為這些粒子，或者這些鳥，添加了不同的身份特徵，使得彼此之間不再等同。
雞群中至少有三個階層，分別是公雞、母雞和小雞，每隻雞都有其位置和速度。但差別在於，
公雞最神氣，原則上可以隨便踱步，只是有的時候注意到其他公雞的時候，會有搶食的想法，相當於隨機抽選一隻其他公雞，對其位置產生影響。
母雞最憋屈，一方面要接受公雞的領導，另一方面還要和其他母雞搶食
小雞最無憂無慮，跟著母雞走就是了。
隨著地點關係的變化，母雞和小雞可能會逐漸遺忘最初的首領，也就是說族群關係可能會改變。
首先，要實作一個雞類，一隻雞，有兩種基本屬性，即位置和類別。
import numpy as np
from random import gauss, random
randint = np.random.randint
uniRand = np.random.uniform
class Chicken:
def __init__(self, N, xRange, order=0, kind=0):
# 生成(N)维参数
self.x = uniRand(*xRange, (N,))
self.best = np.inf
self.xBest = np.zeros((N,))
self.kind = kind # 鸡的类别
self.order = order # 鸡的编号
# 设置自己的首领公鸡
def setCock(self, i):
self.cock = i
# 设置自己的监护母鸡
def setHen(self, i):
self.hen = i其中kind分為三類，分別是公雞、母雞和小雞。其中，每隻母雞都有自己的首領公雞，每隻小雞都有自己的監護母雞。
order為這隻雞在雞群中的編號，主要在雞群中得以體現。
雞群和粒子群有一個很大的區別，後者說到底只有一個群，而雞群中，每個公雞都有自己的母雞和小雞，相當於一個小群體。但雞和雞之間的關係，並不取決於雞自己，故而需要在雞群中實現
randint = np.random.randint
class Swarm:
# cNum 鸡数，是三个元素的列表，分别是公鸡、母鸡和小鸡数
# N参数维度
def __init__(self, cNum, N, xRange):
self.initCs(cNum, N, xRange)
self.bestCS = deepcopy(self.cs) #最佳鸡群
self.best = np.inf #全局最优值
self.xBest = np.zeros((N,)) #全局最优参数
self.N = N
def initCs(self, cNum, N, xRange, vRange):
self.cs = []
self.cNum = cNum
self.cocks = np.arange(cNum[0]) # 公鸡编号
self.hens = np.arange(cNum[0], cNum[0]+cNum[1]) #母鸡编号
self.chicks = np.arange(cNum[0]+cNum[1], np.sum(cNum)) #小鸡编号
kinds = np.repeat([0,1,2], cNum)
for i in range(sum(cNum)):
self.cs.append(Chicken(N,xRange, vRange, i, kinds[i]))
if kinds[i] > 0:
cock = randint(0, cNum[0])
self.cs[i].setCock(cock)
if kinds[i] > 1:
hen = randint(cNum[0], cNum[0]+cNum[1])
self.cs[i].setHen(hen)其中，initCs是初始化雞群的函數，其中母雞、小雞的首領公雞，小雞的監護母雞，都是隨機產生的。
接下來就是演算法的核心環節，不同的雞要遵循不同的更新規則，其中，公雞最瀟灑，其下一步位置只取決於自己，以及另一隻隨便挑選的公雞。
公雞
記目前這隻公雞的編號是i，隨機挑選的公雞編號是j , j≠i，則第i隻公雞位置的更新方法為
xi(t 1)=xi(t)⋅(1 r)
其中，r是透過常態分佈生成的隨機數，可表示為1∼N(0,σ2)，其中σ2為
其中f一般叫做適應因子，相當於將某隻雞塞到待搜解的函數中所得到的數值。例如要搜尋y=2的最小值，如果目前這隻雞的位置1.5，那麼f=1.52=2.25。 ε是個防止除零錯誤的小量。
但要注意，上文所有的x，表示的並非一個標量，而是一個陣列。
其Python實作為
# 写在Swarm类中
def cockStep(self):
for i in self.cocks:
# 第j只公鸡
j = np.random.randint(self.cNum[0])
if j==i:
j = (j+1) % self.cNum[0]
# 第i只公鸡
ci = self.cs[i]
# 第j只公鸡
cj = self.cs[self.cocks[j]]
sigma = 1 if cj.best > ci.best else np.exp(
(cj.best-ci.best)/(np.abs(ci.best)+1e-15))
ci.x *= 1 + gauss(0, sigma)母雞
#設目前母雞編號為i，這隻母雞既要追隨首領公雞，又要和其他母雞搶食。
xi(t 1)=xi(t) k1r1(xc−xi) k2r2(xj−xi)
#其中，xc為其首領公雞，xj為另一隻母雞或公雞。 k1,k2為係數，其更新邏輯與公雞的k是一樣的，當fi較大時，表示為
程式碼實作為
def henStep(self):
nGuarder = self.cNum[0] + self.cNum[1] - 2
for i in self.hens:
guarders = list(self.cocks) + list(self.hens)
c = self.cs[i].cock #首领公鸡
guarders.remove(i)
guarders.remove(c)
# 随机生成另一只监护鸡
j = guarders[np.random.randint(nGuarder)]
ci = self.cs[i]
cj = self.cs[j]
cc = self.cs[c]
k1, k2 = random(), random()
if cc.best > ci.best:
k1 *= np.exp((ci.best-cc.best)/(np.abs(ci.best)+1e-15))
if cj.best < ci.best:
k2 *= np.exp(cj.best-ci.best)
ci.x += k1*(cc.x-ci.x)+k2*(cj.x-ci.x)小雞
最後是小雞的更新邏輯，小雞在母雞的周圍找食物，其更新邏輯為
xi(t 1)=xi(t) r(xh(t)−xi(t))
其中，xh為其監護母雞，r為隨機數，演算法實作為
def chickStep(self):
for i in self.chicks:
ci = self.cs[i]
ci.x += 2*random()*(self.cs[ci.hen].x-ci.x)整隻雞群
正所謂，演算法源自於生活而高於生活，自然界裡講求輩分，但在雞群演算法裡，講究的確是實力。如果小雞運氣爆棚，得到了比公雞還厲害的優化結果，那麼這隻小雞就會進化成公雞。
也就是說，每隔一段時間，雞群裡的雞會被重新安排身份，優化效果最好的就是頭領公雞，差一點的是監護母雞，最差的就只能是小雞了。
def update(self):
cn = np.sum(self.cNum)
c1, c2 = self.cNum[0], self.cNum[0]+self.cNum[1]
fitness = [self.cs[i].best for i in range(cn)]
index = np.argsort(fitness)
self.cocks = index[np.arange(c1)]
self.hens = index[np.arange(c1,c2)]
self.chicks = index[np.arange(c2,cn)]
for i in self.cocks:
self.cs[i].kind = 0
for i in self.hens:
self.cs[i].kind = 1
for i in self.chicks:
self.cs[i].kind = 2
for i in range(cn):
if self.cs[i].kind > 0:
cock = self.cocks[randint(0, c1)]
self.cs[i].setCock(cock)
if self.cs[i].kind > 1:
hen = self.hens[randint(c1,c2)]
self.cs[i].setHen(hen)至此，集群演算法的框架算是搭建成功了，接下來就實現最關鍵的部分，優化。
其基本逻辑是，输入一个待优化func，通过将每只鸡的位置x带入到这个函数中，得到一个判定值，最后通过这个判定值，来不断更新鸡群。
除了这个函数之外，还需要输入一些其他参数，比如整个鸡群算法的迭代次数，以及鸡群更新的频次等等
# func为待优化函数
# N为迭代次数
# T为鸡群更新周期
def optimize(self, func, N, T, msgT):
for n in range(N):
# 计算优化参数
for c in self.cs:
c.best = func(c.x)
# 分别更新公鸡、母鸡和小鸡
self.cockStep()
self.henStep()
self.chickStep()
if (n+1)%T == 0:
self.update() #每T次更新一次种群
self.printBest(n)
self.printBest(n)其中，printBest可以将当前最佳结果打印出来，其形式为
def printBest(self,n):
fitness = [c.best for c in self.cs]
best = np.min(fitness)
ind = np.where(fitness==best)[0]
msg = f"已经迭代{n}次，最佳优化结果为{np.min(fitness)}，参数为：\n"
msg += ", ".join([f"{x:.6f}" for x in self.cs[ind].x])
print(msg)算法完成之后，当然要找个函数测试一下，测试函数为
def test(xs):
_sum = 0.0
for i in range(len(xs)):
_sum = _sum + np.cos((xs[i]*i)/5)*(i+1)
return _sum
if __name__ == "__main__":
cNum = [15,20,100]
s = Swarm(cNum, 5, (-5,5))
s.optimize(test, 20, 5)测试结果如下
已经迭代4次，最佳优化结果为-5.793762423022024，参数为：
-6.599526, 3.117137, 5.959538, 7.225785, 5.204990
已经迭代9次，最佳优化结果为-10.61594651972434，参数为：
-7.003724, -5.589730, 0.981409, 12.920325, -19.006112
已经迭代14次，最佳优化结果为-9.143596747975293，参数为：
5.388234, -3.714421, -5.254391, -5.216215, -6.079223
已经迭代19次，最佳优化结果为-11.097888385616995，参数为：
-9.156244, -5.914600, -5.960154, 4.550833, 4.127889
已经迭代19次，最佳优化结果为-11.097888385616995，参数为：
-9.156244, -5.914600, -5.960154, 4.550833, 4.127889
以上是Python如何實作雞群演算法的詳細內容。更多資訊請關注PHP中文網其他相關文章！
