[发明专利]一种基于随机性best策略的群体全局优化方法

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，一种基于随机性best策略的群体全局优化方法。

背景技术

在经济、科学和工程等领域经常遇到一些全局优化问题，在全局优化中，算法需要从众多的局部最优解中找出一个全局最优解，然而，对于这些全局优化算法最大的问题就是可能陷入局部最优而无法求得全局最优解。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，传统的优化方法(如基于梯度的方法)无法用于求解复杂问题。

进化算法(EAs)是一种模仿生物界的进化过程的随机性搜索算法，这些算法的共同点就是通过模拟生物体中遗传物质的进化过程来产生一个候选解种群，例如，自然选择和生物进化。进化算法以种群为基础的特性能够防止陷入局部最优，从而能够以得更大的机会找到全局最优解。进化算法已被成功应该与各种问题的求解，例如模式识别、生物信息学、工程设计以及图像处理等。最常用的进化算法包括进化规划、进化策略、遗传算法、粒子群算法以及差分进化算法(DE)。

进化算法通常先初始化一个种群的候选解(个体)，并且通过一个适应度函数来评价每个个体的质量，然后在每次迭代中，算法会通过对种群中的个体重组或者变异操作来产生新个体，最后通过选择过程对新个体进行选择来产生下一代种群。对上述过程进行重复迭代，直到达到终止条件为止，则所得的最优解即为所求问题的近似解。

差分进化算法(DE)作为一种随机性算法，已被证明是进化算法中简单而强大的全局优化算法。与其他进化算法一样，DE算法也包含变异、交叉和选择三个操作。算法通过基于当前种群中解的分布规律来产生变异个体，然后结合对应的父代个体和变异个体来产生新个体。当新个体的适应度值优于父代个体时，则新个体替换父代个体。DE算法具有算法通用，不依赖于问题信息，原理简单，易于实现，记忆个体最优解和种群内信息共享以及较强的全局收敛能力等特点。因此，DE算法在通信、电力系统、光学、化工及机械工程等领域的广泛应用中展现出了其独特的优势，但在理论和应用中也暴露出一些弱点。例如，DE算法的全局探测能力较强，能够很快的定位全局最优解所在的区域，但是局部搜索能力较弱，导致后期收敛速度较慢。算法的全局探测能力和局部搜索能力不平衡。

因此，现有的基于差分进化算法的全局优化方法在全局探测能力和局部搜索能力的平衡方面存在着缺陷，需要改进。

发明内容

为了克服现有的基于差分进化算法的全局优化方法在全局探测能力和局部搜索能力的平衡方面的不足，本发明提供一种兼顾全局探测能力和局部搜索能力的基于随机性best策略的群体全局优化方法。

本发明解决其技术问题所采用的技术方案是：

一种基于随机性best策略的群体全局优化方法，所述优化方法包括以下步骤：

1)初始化：设置种群规模N_P，初始交叉概率C_R，初始增益常数F；

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，g为进化代数，x^i,g,i＝1,2,…,N_P表示第g代种群中的第i个个体，若g＝0，则表示初始种群；

3)找出当前种群中的最优个体x^best,g，根据各个体x^i,g的目标函数值f(x^i,g)与最优个体的目标函数值f(x^best,g)的误差|f(x^i,g)-f(x^best,g)|进行升序排列，并记下各个体的排名F^i,g，其中，F^i,g表示第g代种群中第i个个体的值排名；

4)根据公式(1)计算出各个体的选择概率p^i,g；