[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

说明书

技术领域

本发明属于智能计算技术领域，特别是涉及一种基于扰动的精英反向学习粒子群优化的实现方法。

背景技术

粒子群优化算法(ParticleSwarmOptimization，PSO)是于1995年由学者Kennedy和Eberhart受鸟群觅食行为启发提出的一种全局的优化进化算法，其主要思想是通过个体之间的合作和信息共享实现对目标问题的求解。

粒子群算法是一种基于种群的优化智能算法，所有的粒子都有一个由被优化的函数决定的适应值，用来评价该粒子当前位置的优劣。粒子通过自身的迭代找到最优解，在每一次迭代过程中，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。设由N个粒子组成一个群体，在D维搜索空间中，向量x_i＝(x_i1,x_i2,...,x_id)，i＝1,2,...,N，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)表示粒子的速度，第i个粒子搜索到的最优位置为p_i＝(p_i1,p_i2,...,p_id)，整个粒子群能搜索到的最优位置为p_g＝(p_g1,p_g2,...,p_gd)。则粒子的变化方程如下：

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：d＝1,2,...,D；w称为惯性权重；c₁和c₂称为学习因子；r₁和r₂为两个在(0,1)范围内变化的随机函数；t为当前迭代次数。式(1)的第1部分为粒子先前的速度；第2部分为“认知”部分，引导粒子向自身经历最优方向运动；第3部分为“社会”部分，引导粒子向全局最优的方向运动。

由于PSO算法流程简单，易于实现，已经广泛的用于多个领域。然而，PSO算法存在着容易陷入局部极值，收敛速度慢，优化精度差的问题。

2005年，Tizhoosh教授首次提出了反向学习(Opposition-basedlearning,OBL)的概念，反向学习的主要思想是：在考虑每个候选个体的同时考虑其反向个体，这样可能得到一个更接近最优的个体。反向学习策略能有效的提高群体多样性，避免算法早熟收敛。一般智能算法都是随机生成初始群体，然后逐代向最优解接近并最终找到或接近最优解。在搜索过程中，同时搜索当前解和反向解，从中选择较好的解作为下一代的群体，极大的提高算法的效率。

2013年，周新宇等提出精英反向学习策略，引入精英粒子，为了避免粒子群出现搜索停滞，采用差分演化算法增强算法的局部开采能力。周新宇提出的精英反向学习(EliteOpposition-basedParticleSwarmOptimization，EOPSO)算法从收敛速度和收敛精度上极大的提高了算法的性能，然而文中采用的是一种固定的惯性权重，对速度更新采用的是标准的粒子群速度更新公式。固定的惯性权重不利于粒子前期大范围的搜索和粒子后期精确的搜索，标准的粒子群速度更新公式使粒子容易陷入局部最优解。

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收敛速度和收敛精度的基于扰动的精英反向学习粒子群优化的实现方法。

为实现上述目的，本发明采用的技术方案是：

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(3)

第二步、计算粒子适应度值