[发明专利]一种基于工业自动化的三维视觉信息融合优化算法

说明书

技术领域

本发明涉及优化技术领域，尤其是涉及一种基于工业自动化的三维视觉信息融合优化算法。

背景技术

优化技术具有广泛的应用场景，许多工程问题都涉及到最优化技术。比如在资源分配中，如何合理的调配有限的资源，在满足各方对资源需求的基础上，分配方案在整体上达到最大的收益；在进行系统设计的时候，如何设计系统各部分的参数，使得系统在满足设计规范的基础上达到运行效率最大化等。在利用优化技术解决这些工程问题的时候，首先依据其优化目标与约束条件建立起相应的数学模型，进而采用优化方法对该数学模型进行求解。

随着人类科学和技术的不断发展，在工程和研究中碰到的问题也越来越复杂，这些问题在建模后往往表现出大规模、多极值、非线性、非凸性和不可导等特点，有些问题建模后甚至还没有显式的数学表达式。而诸如梯度下降法、牛顿迭代法等一些传统的数值优化方法往往需要知道待求解问题的导数梯度等信息。此外，问题的计算复杂度越来越高，导致这些传统的方法无法获得令人满意的求解时间。因此，传统的优化方法很难应用到此类优化问题中去，无法满足实际需求。

现有的解决优化问题的方法为群智能方法，如粒子群优化方法、蚁群优化方法等，然而这些方法在求解简单的单峰优化问题时，具有较好的优化效果，然而在求解复杂的多峰优化问题时，容易陷入到局部最优值，使得优化结果无法达到最优。

发明内容

本发明的目的是针对上述问题提供一种基于工业自动化的三维视觉信息融合优化算法。

本发明的目的可以通过以下技术方案来实现：

一种基于工业自动化的三维视觉信息融合优化算法，所述方法包括下列步骤：

1)对粒子群和迭代次数进行初始化，得到具有分层结构的粒子群；

2)根据粒子群内部的层次关系，对粒子群中的当前层次进行寻优，得到当前层次下的全局最优值和每个粒子的历史最优值；

3)判断是否粒子群的所有层次都完成了寻优，若是则更新迭代次数并进入步骤4)，若否则进入到下一层次并返回步骤2)；

4)判断迭代次数是否达到迭代阈值，若是则输出所有层次下每个粒子的历史最优值，作为优化后的粒子群，若否则返回步骤2)。

所述步骤1)包括：

11)初始化粒子群中的所有粒子的速度和位置向量，同时初始化迭代次数；

12)根据食物网结构，通过随机分组将粒子群中的所有粒子进行分层，并确保每个层次内包含多个子种群。

所述步骤2)包括：

21)根据粒子群内部的层次关系，对当前层次中的当前子种群进行寻优，得到当前子种群的全局最优值以及当前子种群中每个粒子的历史最优值；

22)判断是否当前层次中的所有子种群都完成了寻优，若是则进入步骤3)，若否则进入到下一子种群并返回步骤21)。

所述步骤21)包括：

211)根据粒子群内部的层次关系以及当前层次中子种群之间的关系，计算得到当前子种群中所有粒子的速度向量和位置向量；

212)根据粒子本身的随机运动，以及步骤211)中粒子的位置向量，对粒子进行概率化搜索，计算得到当前子种群中所有粒子在概率化搜索后的位置向量；

213)根据步骤211)得到的速度向量和步骤212)中的位置向量，计算当前子种群中所有粒子的适应度值；

214)根据步骤213)得到的适应度值，更新当前子种群的全局最优值以及当前子种群中每个粒子的历史最优值。

所述步骤211)中当前子种群中所有粒子的速度向量和位置向量具体为：

X_id(t+1)＝X_id(t)+V_id(t+1)

其中，V为速度向量，X为位置向量，i为当前子种群，d为当前子种群中的当前粒子，t为迭代次数，λ为相关系数，N_K为第K层所有子种群的集合，为常数，为服从0到之间均匀分布的随机数生成器，P_jd为第j个子种群的全局最优解。

所述步骤212)中当前子种群中所有粒子在概率化搜索后的位置向量具体为：

X_i'_d(t)＝X_id(t)+0.5×frange×G(0,1)