我正在使用Python进行大型电力系统优化项目，其中我正在使用粒子群优化（PSO）优化6个系统控制参数。我正在努力寻找一个PSO包，该包实际上可以执行我需要的操作。我目前正在使用“ pyswarm”软件包。
我的问题有6个控制变量，除了主要目标函数外，它还具有一些约束条件。目标/适应度函数是在外部模拟中计算的，因此每次测试新粒子时，都会打开，运行sim程序，导出数据，然后将其导入Python。使用20个群集，每个群集测试大约需要16秒钟的过程。因此，在优化1000次迭代的过程中，优化需要16,000秒，即4.4个小时。我有450个场景需要优化，以目前的速度将需要82天。显然减少迭代会加快速度，但是某些情况下需要花一些时间才能收敛，因此我想尽可能保持较高的迭代率。
我尝试过的所有PSO实施都会生成新的浮点型粒子，分辨率为6+小数点。当我为物理系统中的参数进行优化时，我实际上只需要将结果小数点后2位即可。
为了加快优化速度，我想使用一个PSO软件包，您可以在其中设置粒子分辨率，即只能尝试使用2个小数位的值。我认为这应该使一切变得更快，因为可能的值范围会大大减少。我用过pyswarms，pyswarm和psopy，但是还没有找到可以做到这一点的软件包。有人知道我该怎么实现吗？我不打算编写自己的PSO实现，只是想使用现有的程序包。
编辑：为澄清起见，我的逻辑是，目前pyswarm会为粒子生成浮点值，分辨率为小数点后6位，因此对于边界范围为20的粒子，可能有2000万个值。如果将粒子生成限制为2个小数位，则同一粒子只能有2000个可能的值。使用20的群大小，这意味着将在100次迭代中测试该粒子的每个可能值，因此该解决方案很可能会收敛到100次迭代以下（尽管每次粒子更新时，此假设均采用唯一值），我不总是这样）。
这个假设是正确的，还是我的逻辑有缺陷？
答案 0 :(得分：0)
要解决您的编辑（花了一点时间，因此不加评论），例如，您不仅仅具有20的范围，在该范围内表示2000个可能的值。您有六个控制变量。每个控制变量都有一个要搜索的有效范围，并且粒子分辨率可以表示该范围内的一些可能值。
假设每个粒子可以为每个控制变量表示2000个不同的可能值，即2000^6或6.4 * 10^19（很大）每个粒子要表示的参数的可能组合。我认为您不太可能详尽搜索整个范围（请参阅最后一部分）。
这就是说，您的低分辨率粒子可能不是完美的解决方案，但是对于最终性能，您可能不会受到太多的粒子分辨率限制。在如此大的搜索空间中，您很有可能会收敛到某个局部最小值。我怀疑每个粒子丢失的分辨率会影响太大。
实际上，大数字很有趣！搜索整个参数空间需要多长时间？假设您能够将评估时间加快1000倍，因此处理每个群只需要0.016秒。每0.016秒即20个猜测，或每个猜测0.0008秒（800美国）。仍然需要5.12e16秒或1.6 万亿年来详尽地搜索空间。
可能不是确定的来源，但是remaining life of the Sun大约只有5亿年年，因此，如果您想在太阳死后进行详尽的搜索，则需要走得更快一些系统。