[发明专利]一种用于0-1规划的AB-DPSO优化算法

说明书

本发明是一种基于AB‑DPSO(改进的具有自适应性、适应于二进制编码或0‑1变量的差分进化(DE)‑粒子群(PSO)混合算法)的优化算法。包括下列步骤：(1)参数初始化(包括PSO算法和DE算法的部分参数)。(2)初始化种群，获取最优个体和最优适应度值，并将种群划分为P种群和D种群两部分。(3)进化开始，分别对PSO算法的P种群进行速度、位置自适应更新；DE算法对D种群进行变异、交叉、选择操作的自适应性更新。(4)记录每一代中P种群的最优个体和相应的适应度值；D种群中的最优个体和相应的适应度值。(5)比较两个种群的个体，判断是否满足论坛式交互学习条件，如果满足，则进行优势互补，更新两种群的个体；否则转(7)。(6)优势互补，筛选P种群和D种群中的较好个体组成新的种群，并更新P种群和D种群为筛选后的种群。(7)记录历史最优解，判断是否到达最大迭代次数，或者满足精度要求，满足则输出最优个体和最佳适应度值，否则转(3)。算法结束。AB‑DPSO算法使PSO算法、DE算法应用于二进制编码或0‑1变量的优化需求中，并且能够有效的改善算法的性能，避免陷入局部最优。

技术领域

本发明——一种用于0-1规划的AB-DPSO(改进的DE与PSO的混合优化算法)优化算法，是针对优化问题中决策变量为0-1变量，或者使用二进制编码的特殊性提出的，本发明属于优化算法领域。

背景技术

截止2016年末，我国高速运营里程已经达到2.2万公里，高速铁路逐步成为人们出行的重要交通工具，高速铁路占整个铁路客运比重达到38％。随着高速铁路规模的日益扩大，高速铁路的安全、高效运营面临着严峻的挑战。高速列车运营的组织和优化是高速铁路安全平稳运行的同时满足旅客出行需求、确保我国铁路运营的经济效益和市场效益双赢的重要保证。一个高效的列车开行方案能够合理编排动车组、安排各站点的停靠，提高铁路运输的经营策略和服务质量。

高速铁路开行方案优化问题通常转化为一个给定客流OD情况下的最优列车停站组合问题。停站方案的优化一直以来是旅客列车开行优化方案中的一个重要的优化问题。列车停站方案是在列车径路、类别、编组数量、开行频率确定后，根据客流需求和列车协调配合情况确定各列车的停站序列。合理的停站方案能够方便旅客的出行和换乘，满足旅客多元化需求，吸引节点客流，能够降低铁路企业运营成本，增加铁路企业的下效益，提升铁路在多种运输方式中的竞争力。

粒子群算法(Particle Swarm Optimization，PSO)是模仿鸟类在空间觅食过程的仿生学算法，优化的最优解是鸟群寻找到的“食物”。它是参照群体中当前处于最优位置的个体和个体自身到达过的最优位置来调整粒子下一步的搜寻方向和大小，由于算法收敛速度快，设置参数少，易于实现，在诸多领域得到了广泛的应用。但也存在着易于陷入局部最优的不足；差分进化算法(Differential Evolution，DE)是一种基于群体差异的启发式随机搜索算法，其特有的竞争生存策略可以动态跟踪当前的搜索情况，降低了遗传算法的复杂性，具有结构简单、容易实现、收敛快速、鲁棒性强等特点。但是如果控制参数和进化策略选择不当，在进化过程中容易造成种群多样性降低，个体间差异的减小会导致个体集中于某一局部最优点，而使种群整体过早收敛。两种算法都是基于种群的启发式全局搜索算法，对于实值参数的优化具有较强的鲁棒性。由于更新操作的性质，使得上述算法在0-1规划中未展现很好的性能。

针对上述问题和算法应用的特殊性，同时考虑到单纯使用一种优化算法面对较大解空间时可能陷入局部最优的不足，本文在改进PSO算法和DE算法寻优性能，并将其应用于0-1规划的同时，将两种算法混合。这样既保证了算法的优化质量，防止单一算法陷入局部最优解，又使该算法能够成功的应用于 0-1规划当中，延伸算法的应用范围。

发明内容

本发明的基于AB-DPSO混合优化算法具体步骤如下：