[发明专利]一种梯度粒子群混合优化方法

说明书

技术领域

本发明属于人工智能算法技术领域，具体涉及一种梯度粒子群混合优化方法，结合梯度和粒子群的混合优化算法，可用于解决地球科学领域非线性反演等优化领域的寻优问题。

背景技术

常用的寻优反演算法一般分为全局寻优类方法和局部寻优类方法。其中，全局寻优类算法一般以随机方法为代表，这类算法包括大家所熟知的蒙特卡洛法、模拟退火法等，由于其全局寻优能力强，对初始模型的依赖性小，多用于强非线性多极值类寻优问题，然而，这类算法由于计算过程中需要大量的耗时，对CPU和内存要求都较高；以迭代方法为代表的局部寻优类方法，如牛顿法、高斯牛顿法等，虽然收敛速度快，但算法收敛结果强烈依赖于初始模型，容易陷入局部极值。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种梯度粒子群混合优化方法，解决地球科学领域的高度非线性反演，如石油工业领域的速度结构反演、叠前AVO反演等。

本发明是通过以下技术方案实现的：

一种梯度粒子群混合优化方法，包括：

步骤1，初始化一种群粒子，赋予随机位置和速度，置k：＝0；

步骤2，计算每个粒子的适应度值

步骤3，将与当前最好位置p_j的适应度值fitness(p_j)比较，若优于fitness(p_j)，则将该粒子赋值为p_j，然后转入步骤4；否则进入步骤4；

步骤4，将与全局经历的最好位置p_g的适应度值fitness(p_g)比较，若优于fitness(p_g)，则将该粒子赋值为p_g，然后转入步骤5；否则进入步骤5；

步骤5，用式(1)、式(2)计算粒子的速度和位置其中：j＝1，2，...，m，m为种群内粒子个数：

v_is(t+1)＝ω·v_is(t)+c₁r₁(p_is(t)-x_is(t))+c₂r₂(p_gs(t)-x_is(t))

(1)

x_is(t+1)＝x_is(t)+v_is(t+1)

(2)；

步骤6，若达到预设梯度算法启动条件，返回全局最优个体p_g，转向步骤7；否则，k：＝k+1，转步骤2；

步骤7，进行梯度算法：以步骤6返回的p_g为梯度算法的初始点，进行迭代；

步骤8，若达到终止条件，则结束，输出当前结果作为所求问题的最优解；否则转步骤7。

所述步骤2中的适应度值为待求问题的目标函数。

所述步骤3中的当前最好位置p_j是指粒子群算法里当次迭代的最优解；

所述步骤4中的全局经历的最好位置p_g是指粒子群算法里整个所有迭代过程中的最优解。

所述步骤8中的终止条件为：终止误差ε＞0或达到设定的最大迭代次数。

与现有技术相比，本发明的有益效果是：

(1)能够保持梯度算法的快速收敛性；

(2)能够保持粒子群算法的全局收敛性；

(3)能够兼顾梯度算法和粒子群算法的优点。

附图说明

图1二维Rastrigin函数曲面图。

图2一维情况下Rastrigin函数梯度法寻优示意图。

图3分别利用梯度方法、粒子群方法以及梯度粒子群混合方法寻得的最优解。

图4本发明方法的步骤框图。

具体实施方式

下面结合附图对本发明作进一步详细描述：