[发明专利]一种基于扰动的精英反向学习粒子群优化的实现方法

权利要求书

1.一种基于扰动的精英反向学习粒子群优化的实现方法，其特征在于，包括如下步骤：

第一步、初始化粒子参数

首先设置种群粒子规模为N，同时对每个粒子的位置、速度也进行初始化，初始设置粒子迭代次数的大小为Iter，粒子的评估次数为A，粒子的维数为D、粒子的社会学习能力C₁和粒子的自我学习能力C₂，其中

C₁＝C₂＝1.193(1)

第二步、计算粒子适应度值

粒子的优劣由适应度函数所产生的适应度值来评价，把N个粒子中每个粒子所经历的最好值，亦称作个体极值用P_i＝(P_i1,P_i2,...,P_id)来表示，把N个粒子中最好的值，亦称为全局极值用P_g＝(P_g1,P_g2,...,P_gd)来表示；

第三步、非线性递减惯性权重

提出一种非线性递减的惯性权重，定义如下

w=w-(wmax-wmin)sum(1:Iter)×(Itermax-Iter)---(2)]]>

其中，w_max、w_min为惯性权重的上、下限，Iter_max是最大迭代次数，Iter是粒子当前迭代次数，惯性权重前期下降较快，后期下降较慢；

第四步、确定粒子位置更新的方式

随机产生一个[0,1]之间的随机数R，与初始设定的概率P进行比较，若R<P则按方式一来执行；若R>P则按方式二来执行；

方式一：精英反向学习

设当前群体中的精英个体为X_i＝(x_i,1,x_i,2,…,x_i,D)，相应的精英反向解Xi*=(xi,1*,xi,2*,...,xi,D*)]]>定义如下：

Xi,j*=k(aj+bj)-Xi,j---(3)]]>

其中X_i,j∈[a_j,b_j]，k∈[0,1]，k为一般化系数，利用该系数可以生成多个不同的反向精英个体；

方式二：极值扰动

引入极值扰动来扩大粒子搜索的范围，避免粒子陷入局部最优，将速度的更新公式改为：

vid(t+1)=wvid(t)+c1r1((0.5+r32)pid-xid(t))+c2r2((0.5+r42)pgd-xid(t))---(4)]]>

式中r₃和r₄是(0,1)间均匀分布的随机数，个体极值和全局极值会随着r₃和r₄的取值不同而发生扰动；

第五步：更新个体极值和全局极值

粒子执行完一次位置更新后，对于单个粒子，找到该粒子拥有的最优适应值，作为此粒子的个体极值，并将适应值对应的粒子位置更新，对于N个粒子，找到所有粒子的最优适应值作为粒子的全局极值，更新全局粒子的位置；

第六步：粒子继续执行条件的确定

每次粒子的执行都会有一个终止的条件，在粒子初始化时，设定了粒子的迭代次数Iter和粒子的评估次数A，当粒子迭代的次数未达到Iter时，粒子当前已经迭代的次数t增加一次，粒子执行过程继续进行，直到达到初始设定的迭代次数，粒子的执行过程停止。