[发明专利]一种基于多策略协同作用的粒子群优化的方法

说明书

技术领域

本发明属于人工智能领域中的智能计算，特别是涉及一种具有高效函数优化的实现方法。

背景技术

群智能算法是一种通过模拟自然界生物群体的随机优化算法，粒子群优化算法(particleswarmoptimization,PSO)是由学者Kennedy和Eberhart提出的一种群体智能算法。

PSO算法是一种随机的智能优化算法，源于对鸟群觅食行为的研究。算法中每个粒子的位置都是搜索空间中潜在的一个解，在每次迭代搜索过程中，粒子通过追逐个体极值pbest和全局极值gbest来更新自己的位置，粒子都有一个由适应度函数决定的适应值，评价粒子位置的优劣。假设在D维搜索空间中有NP个粒子，用向量x_i＝(x_i1,x_i2,...,x_id)表示第i个粒子在搜索空间中的位置，向量v_i＝(v_i1,v_i2,...,v_id)表示第i个粒子在迭代搜索中的速度。第i个粒子的个体极值用p_i＝(p_i1,p_i2,...,p_id)表示，粒子的全局极值表示为p_g＝(p_g1,p_g2,...,p_gd)。粒子的更新公式如下：

v_id(t+1)＝wv_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))(1)

x_id(t+1)＝x_id(t)+v_id(t+1)(2)

其中，t表示当前迭代搜索的次数，C₁和C₂分别为自我认知参数和社会认知参数，通常取为C₁＝C₁＝2；w为非负常数，称为惯性权重；r₁与r₂为[0,1]之间的随机数；v_id∈[-v_max,v_max]，v_max为粒子的最大速度。

由于PSO算法具有结构简单、调整参数少、搜索效率高、容易实现等特点，已经广泛的应用于路径优化，神经网络的训练，多目标优化，电力系统控制等领域。然而，PSO算法也存在易早熟收敛、进化后期收敛速度慢等缺点。针对这些问题，很多学者进行了改进的研究。SHIY和EBERHARTR.提出对惯性权重采用一种线性递减的方式动态的更新权重，使粒子迭代初期拥有较大权重利于粒子快速搜索，迭代后期权重较小而利于粒子局部搜索。KLRANMS和GUNDUZM提出一种融合人工蜂群算法的粒子群优化算法，通过粒子群算法与人工蜂群算法中的信息共享，增强全局和局部的搜索能力，提升算法性能。刘朝华等人提出一种协同进化的的粒子群算法，粒子间的协同作用，扩大了解空间的搜索范围，粒子间共享着更加丰富的信息。周新宇等人提出一种精英反向学习的策略，通过对适应度值较好的粒子进行反向学习，增强算法的全局勘探能力。

为了进一步的改进粒子群算法的不足，将一些变异策略引入到粒子群中，王晖等人针对粒子群算法容易陷入局部极值，提出了粒子群算法中引入柯西变异，对优秀粒子进行变异产生更好的解来引导粒子的运动。SUBBARAJP等人提出融合的柯西变异粒子群算法与自适应变异的粒子群算法，利用变异策略，提升了解决最优无功调度问题的性能。朱德刚等人提出一种基于高斯扰动策略的粒子群算法，采用对粒子个体最优位置加入高斯扰动，防止粒子陷入局部最优。SAHNEHSARAEI等人提出将遗传算法中的交叉和变异操作与粒子群算法混合，利用粒子群算法与遗传算法交叉和变异的各自优势，较大程度的提升了算法性能。

上面的变异策略大多只是单个变异策略对粒子进行作用。粒子在迭代执行过程中，各个阶段执行的特征不同，单一的变异策略在粒子执行的某个阶段会起作用，在粒子执行的另一些阶段，作用效果并不明显。

发明内容

本发明旨在克服现有技术缺陷，目的在于提供一种能够提高函数优化精度和提高函数优化稳定性的多策略协同作用的粒子群优化的方法。