[发明专利]基于种群聚集程度的粒子群算法

说明书

技术领域

本发明涉及优化算法技术领域，特别涉及一种基于种群聚集程度的粒子群算法。

背景技术

目前的粒子群(PSO)算法是一种典型的启发式仿生算法，其源于对鸟群觅食运动行为的模拟，本质是根据个体和集体之间的信息交互来实现寻优，粒子群算法是一种典型的群优化算法。

粒子群算法以粒子代表优化问题的一个解，其对应的目标函数值被称为粒子的适应度，多个粒子构成种群。各个粒子具有位置和速度，每次迭代中，各粒子根据个体所找到过的最好位置和种群所找到过的最好位置来调整自身的位置和飞行速度，从而使整个种群不断向更优解移动，最终将有希望到达全局最优解。

粒子群算法的原理简单，相关参数少，容易实现，但其最大缺陷在于早熟收敛问题，导致无法得到全局最优解。其中，导致粒子群算法早熟收敛的一个重要原因是：在整个进化过程中，始终保持种群最优位置对所有粒子飞行方向的引导作用。这种方式虽然能够获得较快的收敛速度，但是容易使种群陷入局部极值点，不利于寻求全局最优解，特别是在迭代后期，大量粒子聚集于一个较小的搜索空间，整个种群单一性很强，已经基本丧失了对空间中其他区域的寻优能力。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于种群聚集程度的粒子群算法，该粒子群算法可以提高算法的全局搜索能力，简单便捷。

为达到上述目的，本发明一方面实施例提出了一种基于种群聚集程度的粒子群算法，包括以下步骤：S1，对种群进行初始化，其中，pbest初始化为粒子当前位置，gbest初始化为种群最优位置；S2，初始化t＝0，t为迭代次数，并且初始化t_stagnate＝0，t_stagnate为所述种群最优位置gbest的更新停滞次数；S3，初始化Flag_gbest＝0，Flag_gbest＝0表示本次迭代寻优中所述种群最优位置gbest还未被更新，Flag_gbest表示本次迭代寻优中所述种群最优位置gbest更新次数；S4，对所述种群进行更新；S5，判断所述迭代次数t是否大于预设迭代次数T，如果是，执行步骤S11，否则执行步骤S6；S6，判断所述更新迭代次数t_stagnate是否大于预设停滞次数T_stagnate，如果是，执行步骤S7，否则执行步骤S3；S7，计算所述种群中每个粒子的粒子聚集程度和所述种群最优位置gbest的粒子聚集程度；S8，根据所述种群中每个粒子的粒子聚集程度获取所述每个粒子与所述种群最优位置gbest之间的距离；S9，根据所述每个粒子的适应度选取与种群规模数目相符的多个粒子构成当前种群；S10，若Flag_gbest＝0，则置t_stagnate＝t_stagnate+1，并且执行步骤S4；以及S11，达到最大迭代次数，结束。

根据本发明实施例提出的基于种群聚集程度的粒子群算法，根据寻优过程的进展和粒子聚集程度，从而对不同粒子采取不同进化策略，在特定情况下，粒子飞行方向可能不受种群最优位置的引导、甚至飞向远离种群最优的方向，从而降低陷入局部极值点的可能性、提高算法的全局搜索能力，有效避免了早熟收敛。

另外，根据本发明上述实施例的基于种群聚集程度的粒子群算法还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，所述步骤S4进一步包括：对所述每个粒子的速度和位置进行更新；如果所述适应度优于所述粒子当前位置pbest，则将所述粒子当前位置pbest更新为当前粒子位置；如果所述种群中存在粒子的适应度优于所述种群最优位置gbest，则将所述种群最优位置gbest更新为当前粒子位置，并且置所述更新停滞次数t_stagnate＝0，Flag_gbest＝1，否则t_stagnate＝t_stagnate+1。