[发明专利]一种用于单目标优化的混合生物共生搜索的方法

说明书

技术领域

本发明属于人工智能领域，具体地说，涉及一种用于单目标优化的混合生物共生搜索的方法。

背景技术

共生生物搜索算法是新近提出的一种模仿自然界中不同生物交互作用的新型群智能优化算法，具有搜索速度快、参数设置少等优点。与目前较优秀的差分进化算法、粒子群算法、蜘蛛算法等相比均有更好的测试效果，但与其他进化算法类似，依然存在收敛速度慢、易陷入局部最优等问题。这是因为算法的探索能力和开发能力是一对矛盾的关系，探索能力是指算法在对搜索空间进行全局搜索找到全局最优解的能力，开发能力是指算法在部分搜索区域进行搜索找到该区域的较优解的能力。所以如何权衡算法的探索能力和开发能力决定了算法的优化性能。但是由于算法提出时间较短与其性能改进及相关应用的研究成果较少，算法的理论体系还不完善。

周虎等人(周虎，赵辉，周欢，王骁飞.自适应精英反向学习共生生物搜索算法[J].计算机工程与应用,2016,(19):161-166；周虎，赵辉，李牧东，蔡亚伟.多策略自适应共生生物搜索算法[J].空军工程大学学报(自然科学版),2016,(04):101-106.)于2016年分别提出两种方案对共生生物搜索算法进行改进，第一种是引进自适应精英反向学习策略：在“互利”阶段引入自适应缩放策略来平衡算法的探索能力和开发能力，在“共栖”阶段引入差分量作为扰动项增强局部搜索能力，在“寄生”阶段引入精英反向学习策略增强算法的寻优能力，对多个测试函数测试结果显示，改进后的算法对部分测试函数收敛速度较慢，还需进一步改进提升其收敛速度和收敛精度；第二种是引进多策略的自适应策略：在“互利”阶段根据适应度值将种群分为三部分并采取不同的个体更新公式运用不同的策略来增强求解优化问题的能力，在“共栖”阶段引入差分扰动项增强算法全局搜索能力避免局部最优，最后采取超边界变异方式避免个体超界同时增强种群多样性，对多个测试函数的测试结果表明改进后的算法收敛速度需进一步提升。

由于算法提出时间较短还未受到相关领域专家学者的重视，目前与其性能改进及相关应用的研究成果发布较少，算法的理论体系还不完善，同时由于理论体系还不太成熟导致算法的应用体系不成熟。其理论体系不成熟主要体现在算法的收敛速度和收敛精度不高，对于高维复杂的多峰函数，算法极易陷入局部最优且跳出局部最优的能力不强，进而导致算法无法寻到全局最优解。

互利共生和偏利共生阶段个体更新公式实质为：新个体＝原个体+向最优个体学习*随机权重。其中，向最优个体学习部分引入优良个体的进化信息，保证个体向更优个体搜索，而随机权重可补充种群多样性。但在算法运行后期，由于个体差别不大，最优个体已经无法提供比自身优良更多的进化信息，使得随机权重部分的作用被迫放大，即搜索步长具有随机性，该更新方式退化为在自身附近进行随机搜索，很难探索出更为优异的新个体，致使算法后期运行较慢。综上说明，在算法运行后期，应进一步增强共生生物搜索算法互利共生和偏利共生阶段的收敛速度。

共生生物搜索算法的寄生机制随机选取某些维度，对选出的这几维度在其定义域内随机搜索。这一作用虽然能在一定程度上补充多样性，但是盲目的随机搜索很有可能破坏优良个体，也很难更新出更为优秀的个体，使其难以保留，无法达到维持种群多样性的目的。

在现有技术中共生生物搜索算法存在收敛速度慢且易陷入局部最优问题，在产业工业解决实际问题时得到的解往往不是最优，影响实际的生产应用。

发明内容

有鉴于此，本发明针对共生生物搜索算法存在的收敛速度慢、收敛精度不足以及易陷入局部最优的问题，提供了一种用于单目标优化的混合生物共生搜索的方法。

为了解决上述技术问题，本发明公开了一种用于单目标优化的混合生物共生搜索的方法，包括以下步骤：

步骤1、初始化个体数量N，种群的维度D，最大适应度评价次数这些参数，随机产生初始种群；

步骤2、对N个个体进行适应度评价，选出其中最优个体；

步骤3、采用互利共生策略更新种群；

步骤4、采用偏利共生策略更新种群；

步骤5、采用寄生共生策略更新种群；

步骤6：判断是否达到终止条件，达到则输出最优个体和适应度值，没有则转至步骤3，所述终止条件具体为步骤1设定的最大适应度评价次数，该次数根据实际问题人为设定。