[发明专利]用正弦函数描述非线性惯性权重的微粒群算法

说明书

一、技术领域

微粒群算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法，其优势在于简单容易实现而又功能强大。一般说来，微粒群算法比较有潜力的应用包括系统设计、多目标优化、分类、模式识别、调度、信号处理、决策、机器人应用等。其中具体应用实例有：模糊控制器设计、车间作业调度、机器人实时路径规划、自动目标检测、时频分析等。

二、背景技术

微粒群优化算法是一种基于群智能方法的演化计算技术。微粒群算法同遗传算法类似，是一种基于群体的优化工具。系统初始化为一组随机解，通过迭代搜寻最优值。但是并没有遗传算法用的交叉以及变异操作，而是粒子(潜在的解)在解空间追随最优的粒子进行搜索。与遗传算法比较，微粒群算法的优势在于简单容易实现同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用。因此，微粒群算法一提出，立刻引起了演化计算等领域的学者们的广泛关注，并在短短的几年时间里出现大量的研究成果，形成了一个研究热点。

微粒群算法最早是由Kennedy和Eberhart于1995年提出的，受到人工生命的研究结果启发，微粒群算法的基本概念源于对鸟群捕食行为的研究。设想这样一个场景：一群鸟在随机搜寻食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。微粒群算法从这种模型中得到启示并用于解决优化问题。微粒群算法中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。微粒群算法初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解。这个解称为个体极值。另一个极值是整个种群目前找到的最优解。这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。

由于认识到微粒群算法在函数优化等领域所蕴含的广阔的应用前景，在Kennedy和Eberhart之后很多学者都进行了这方面的研究。目前，已提出了多种微粒群算法改进算法，并且微粒群算法已广泛应用于函数优化，神经网络训练，模式分类、模糊系统控制以及其他的应用领域。

三、发明内容

本发明的目的在于提供一种更优化的人工智能算法。具体实现过程是在微粒群已有的算法上进行改进，使算法在前期阶段具有较快的收敛速度，在后期阶段增强局部搜索能力，减少微粒陷入局部极值的机会，使结果收敛于全局最优解。

附图说明

图1为本方法的新惯性权重图；

图2为本方法个体解运动轨迹；

图3为一次对比测试结果

图4为采用Levy No.5函数的对比测试结果

图5为采用Shaffer′s F6函数的对比测试结果

具体实施方式：

下面结合附图和具体实例对本发明做进一步说明：

1、首先给出标准微粒群优化算法的算法模型。

假设在M维搜索域中有n个微粒，它们组成一个群体。X_i＝(x_i1，x_i2，…，x_im)，i＝1，2，…，n为微粒i的位置向量，V_i＝(v_i1，v_i2，，v_im)为微粒i的速度向量，它们都是M维的。P_i＝(p_i1，p_i2，…p_im)是微粒i在优化过程中所经过的具有最好适应值的位置；P_g＝(p_g1，p_g2，…p_gm)是整个微粒群搜索到的最优位置。

第t代的第i个微粒进化到第t+1代时，第j维的速度和位置用下面的进化方程计算：

v_ij(t+1)＝ω·v_ij(t)+c₁·r₁·(p_ij(t)-x_ij(t))

                                                (1)