[发明专利]一种基于群体阶段性样本训练的k-近邻预测全局优化方法

说明书

技术领域

本发明涉及一种智能优化、计算机应用领域，尤其涉及的是，一种基于群体阶段性样本训练的k-近邻预测全局优化方法。

背景技术

全局优化作为最优化学科领域中一个独立的学科分支，已成为人们研究实际问题时进行建模和分析的重要手段之一。在科学、经济和工程设计中，如生物信息学、机械设计、化学工程设计和控制、环境工程、以及图形处理等，许多进展都依赖于计算相应的优化问题的全局最优解的数值技术。同时，随着工程优化问题的日趋复杂，优化问题的目标函数的性态也变得越来越复杂，通常是不连续、不可微、高度非线性的，没有明确的解析表达式，且具有多个峰值、多目标的特征。因此，解决常规的优化问题已成为计算机科学和优化领域的一个挑战性课题。

近年来，进化算法在经济、科学、工程等领域等到了广泛应用。典型的进化算法包括差分进化算法(DE)、遗传算法(GA)、粒子群算法(PSO)、进化规划(EP)和进化策略(ES)等，这些算法不需要目标函数的导数信息，对目标函数的性态没有要求，而且适用范围广、鲁棒性强，因此在电力系统、化工、通信、机械工程和生物信息学等领域得到了广泛应用。然而，进化算法面临的一个共同的问题就是求解时需要大量的目标函数评价次数，从而导致较高的计算代价，尤其对于一些实际应用问题，由于其仿真模型运行时间的限制，对目标函数评价一次极其费时。例如，蛋白质结构预测问题中，能量函数通常具有上千个自由度，而且对能量函数评价有时需要调用第三方能量包，从而导致评价一次需要数分钟。因此，如何减少进化算法在优化求解时所需的目标函数评价次数极其重要。

k-近邻预测方法利用新个体的近邻个体来预测其目标函数值，从而减少目标函数评价次数。在算法进化前期，对所有的个体进行目标函数评价，并将这些个体记录为训练样本，进而在进化后期，根据新个体的近邻样本个体的目标函数值来估计新个体的目标函数值，同时根据估计值对种群个体进行排名，并对排名靠前的部分个体进行目标函数评价，并加入样本中。然而，在k-近邻预测方法中，如何确定前期样本训练代数是一项极其重要的工作，对于一些简单的优化问题，因此无法提前知道算法需要进化到多少代才能找到最优解，若样本训练代数设置的较大，则当算法已找到最优解时，还在进行样本训练，从而无法达到减少函数评价次数的效果；对于一些复杂的优化问题，可能需要进化很多代才能达到最优，若训练样本代数设置的较小，会导致后期的近邻预测值与实际目标函数值误差较大，从而影响算法性能；另外，为了获得更加精确的近邻预测值，算法需要保存大量样本个体，从而导致空间复杂度较高。

因此，现有的k-近邻预测方法在训练样本的代数设置和样本保存方面存在缺陷，需要改进。

发明内容

为了克服现有k-近邻预测方法在训练样本的代数设置和样本保存方面的不足，本发明根据种群中个体的拥挤度来判断算法所达到的阶段，从而分阶段进行样本训练，同时根据预测值与实际目标函数值的误差值保存样本，从而提出一种不需要进行样本训练代数设置，且空间复杂度较小的基于群体阶段性样本训练的k-近邻预测全局优化方法。

本发明解决其技术问题所采用的技术方案是：

一种基于群体阶段性样本训练的k-近邻预测全局优化方法，所述方法包括以下步骤：

1)初始化：设置种群规模N_P，交叉概率C_R，增益常数F，置进化代数g＝0连续进化代数T，预测误差值θ，个体重新评价数量η和η^*，其中η^*>η；

2)随机生成初始种群P＝{x^1,g,x^2,g,...,x^Np,g}，并计算出各个体的目标函数值，其中，进化代数g＝0，x^i,g,i＝1,2,…,Np表示第g代种群中的第i个个体；；

3)根据公式(1)计算出初始种群中各个体之间的平均距离d_initial；