[发明专利]一种结合爆炸策略、反向学习与蝙蝠算法的单目标优化问题方法及系统

说明书

本发明涉及一种蝙蝠算法及系统，属于数据处理领域，具体是涉及一种结合爆炸策略、反向学习与蝙蝠算法的单目标优化问题方法及系统。本发明在寻优过程中，通过对蝙蝠算法中的每只蝙蝠进行反向学习得到其反向种群，对两个种群进行精英选择，增加了种群的多样性并且提高了全局搜索能力，避免了局部最优解，在飞行过程中加入爆炸策略，提高了算法的局部勘探能力，更加精确的搜索到最优解。通过对12个典型测试函数和背包问题的仿真测试，证明了DGOBA对于求解连续和离散优化问题都有更高的效率。

技术领域

本发明涉及单目标优化方法，蝙蝠算法，烟花爆炸算法的爆炸策 略和反向学习策略，属于数据处理领域，具体是涉及一种结合爆炸策 略、反向学习与蝙蝠算法的单目标优化问题方法及系统。

背景技术

蝙蝠算法(Bat Algorithm，BA)是模拟自然界中蝙蝠通过超声 波搜索、捕食猎物的生物学特性发展而来的一种新颖的优化算法，最 早由Yang X.S.提出。该算法具有模型简单、收敛速度快、具有潜 在并行性和分布式等特点，与其它元启发式算法类似，基本蝙蝠算法 也存在易陷入局部最优、发生过早收敛、后期收敛速度较慢等问题。

烟花爆炸算法(Fireworks Explosion Algorithm，FEA)是模拟 烟花爆炸中炸点的扩散机制的一种元启发式算法，由Tan等在2010 年提出。烟花爆炸时释放出的火花散布在以爆炸点为中心的一个圆形 邻域内，如果将该邻域视为问题的一个局部区域，爆炸产生的火花视 为区域内的点，那么爆炸就类似于对局部区域的一次探索。这种探索 相当于在解空间中对该爆炸点附近区域进行局部搜索。

反向学习(Opposition-based learning，OBL)是一种新的概念， 智能算法都是以随机猜测的值作为初始群体，然后逐代向最优解靠近 并最终找到或者接近最优解。所以随机猜测值对算法的影响很大，如 果随机猜测值距离最优解很近，算法也许能够很快地收敛，但是如果 很远甚至相反的话，算法是非常棘手的，也会耗费更多的时间。若在 搜索的过程中，同时搜索当前解和反向解，选择较好的解作为猜测解， 会大大提高算法的效率。事实上，根据概率定理，当前解有50％的概 率比它的反向解更远离于最优解。目前，反向学习已经成功应用于差 分算法(ODE)、粒子群算法(OPSO)和蚁群算法(OACO)。

鉴于烟花算法较强的局部勘探能力，我们将爆炸策略引入到蝙蝠 算法之中，使得蝙蝠算法在收敛后期仍旧能够保持一定的收敛效率。 同时，为了解决蝙蝠算法过早收敛的问题，我们将反向学习机制加入 到蝙蝠算法之中，通过反向学习产生反向种群，在原始种群与反向种 群中进行精英选择，增加算法的多样性并且使算法更快收敛到全局最 优。基于此，本文提出一种结合爆炸策略、反向学习与蝙蝠算法的单 目标优化问题方法，该方法结合了蝙蝠算法与烟花算法的优点，采用 反向学习机制，使新算法在全局与局部搜索上均表现优异，算法的求 解精度与速度得到提升。通过对12个典型测试函数的仿真测试并与其它改进的智能优化算法进行对比，结果表明新算法有显著的性能优 势。

发明内容

本发明主要是解决现有技术所存在的上述的技术问题；提供了一 种结合爆炸策略、反向学习与蝙蝠算法的单目标优化问题方法。该方 法解决了单目标优化问题中易陷入局部最优以及早熟收敛等问题，同 时收敛性能和寻优精度有显著提高。

本发明提出了一种结合爆炸策略、反向学习与蝙蝠算法的单目标 优化问题方法，通过对蝙蝠算法中的每只蝙蝠进行反向学习得到其反 向种群，对两个种群进行精英选择，增加了种群的多样性并且提高了 全局搜索能力，避免了局部最优解，在飞行过程中加入爆炸策略，提 高了算法的局部勘探能力，更加精确的搜索到最优解。通过对标准的 测试函数和典型的背包问题的仿真测试，证明了DGOBA对于求解连 续和离散优化问题都有更高的效率。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种结合爆炸策略、反向学习与蝙蝠算法的单目标优化问题方法， 其特征在于，包括：