[发明专利]一种基于混合能级下降策略的多尺度量子谐振子优化方法

说明书

本发明公开了一种基于混合能级下降策略的多尺度量子谐振子优化方法,本发明流程中初始尺度(标准差)为目标函数定义域的大小，尺度下降操作每次将当前尺度减少一半，能级下降策略是结合最小二乘法预测策略和中值策略，使用最小二乘法预测策略利用采样点的信息对目标函数的形态进行估算，估算最优解的位置，替换当前最差解；使用中值策略计算当前采样点坐标的中值，替换当前最差解，选取两种策略中产生的较优的采样点,替换当前最差解,进行能级下降操作，对于当前采样点的信息利用更为充分，有效函数进化次数，引入的替换解质量更高，有效提高方法的计算精度，并加快方法的收敛速度。

技术领域

本发明属于函数优化、组合优化、工业优化、人工智能、计算智能技术领域，具体涉及一种基于混合能级下降策略的多尺度量子谐振子优化方法。

背景技术

多尺度量子谐振子算法(MQHOA)的完整模型描述最早是在2013年文献“王鹏，黄焱，任超，郭又铭，多尺度量子谐振子高维函数全局优化算法，电子学报，2013，12，41(12)，2468-2473”简称文献[1]中所提出的，文献[1]中每次迭代需要完成k*m个采样点的全局比对，这种全局比对方法每次需要比对的采样点数较多、计算效率很低，不能实现高维优化，并且容易由于迭代不充分造成过早收敛。

2016年已公开专利ZL201610075134.9和文献[1]引入能级稳定过程改进了MQHOA算法，提出了文献“王鹏，黄焱.具有能级稳定过程的MQHOA优化算法[J].通信学报，2016，37(7):79-86”简称文献[3]，提高了算法的计算精度；2017年已公开专利ZL201710419771.8对算法的能级稳定判据进行加强，当保存的k个较优解不发生变化才进行能级下降操作，提高了MQHOA算法的计算效率，实现在高维函数的快速优化。

以上文献在能级下降阶段采用的方式是将k个采样位置中的最差解位置x^worst用k个采样点的平均位置x^mean进行替代，这种方法没有基于现有采样点数据对目标函数的面貌进行深度挖掘，对采样点的信息利用不足，导致算法的运行效率较低。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供一种基于混合能级下降策略的多尺度量子谐振子优化方法。

本发明所采用的技术方案为：

一种基于混合能级下降策略的多尺度量子谐振子优化方法，包括如下步骤：

S1、初始化，设定最小标准差的值σ_min，设定标准差σ_s＝max-min；在目标函数f(x)的定义域[min，max]内随机产生K个第一随机数x_i，i＝1，...，l，...，k；

S2、将标准差σ_s和K个第一随机数x_i分别代入正态分布公式：

按照正态分布公式在定义域[min，max]内分别生成相应的K个第二随机数x′_i；

S3、将K个第一随机数x_i分别代入目标函数f(x)得到K个第一函数值f(x_i)；

将K个第二随机数x′_i分别代入目标函数f(x)得到K个第二函数值，即f(x′_i)；

能级稳定过程：对于任意x_i和x′_i，若f(x′_i)＜f(x_i)，则将x_i的值用x′_i的值替换，其中i＝1，...，l，...，k；