[发明专利]一种解决旅行商问题的自适应粒子群优化方法

权利要求书

1.一种解决旅行商问题的自适应粒子群优化方法，其特征在于，包括以下步骤：

步骤1：利用反向学习方法得到初始种群，设置参数；

步骤2：计算每个粒子适应值，确定个体最优位置P_best和全局最优粒子G_best；

步骤3：更新惯性权重w和加速因子c；

步骤4：更新对粒子的位置和速度进行；

步骤5：计算更新后每个粒子适应值，并与当前粒子的适应值比较，将适应值更优的粒子位置代替P_best；

步骤6：计算并比较每个粒子的适应值，将适应值最优的粒子位置作为全局最优位置G_best；

步骤7：判断算法是否早熟；

若是，则执行步骤8；

若否，执行步骤9；

步骤8：对当前全局最优粒子G_best进行k次混沌局部搜索，在每次混沌局部搜索中将生成的新粒子与全局最优粒子的适应值进行比较，若新粒子的适应值优于全局最优粒子G_best时，新粒子的位置作为全局最优位置G_best；继续执行下述步骤9；

步骤9：令迭代次数iter＝iter+1，当迭代次数iter大于最大迭代次数MaxIter时，本流程结束；否则回转执行步骤3。

2.根据权利要求1所述的解决旅行商问题的自适应粒子群优化方法，其特征在于：步骤1中，根据反向学习的定义，先随机生成规模为N的初始种群P，群体中每个个体X＝(x₁，x₂，…，x_n)，按照反向学习方式生成反向群体P*，合并两个种群，计算每个粒子的适应值，按照适应值的优劣从中选取较优的前一半的粒子形成新的种群作为初始种群；

所述反向学习方式为：

x^*＝o_min+o_max-x_i；

其中，o_max、o_min分别为优化范围的最大值和最小值；

设置粒子最大更新速度v_max、最小更新速度v_min、优化边界o_max和o_min，最大迭代次数MaxIter、初始迭代次数iter＝0。

3.根据权利要求1所述的解决旅行商问题的自适应粒子群优化方法，其特征在于：步骤2中，计算每个粒子的适应值，将每个粒子位置作为当前个体最优位置P_best，比较每个粒子适应值，将适应值最优的粒子位置作为全局最优位置G_best。

4.根据权利要求1所述的解决旅行商问题的自适应粒子群优化方法，其特征在于：步骤3中，惯性权重w的更新公式如下：

其中iter为当前迭代次数，MaxIter为总迭代次数，s为大于1的常数；

加速因子c的更新公式如下：

其中，iter为当前迭代次数，MaxIter为总迭代次数。

5.根据权利要求1所述的解决旅行商问题的自适应粒子群优化方法，其特征在于：步骤4中，粒子的速度和位置更新公式为：

v(t+1)＝w*v(t)+c₁r₁(P_best-x(t))+c₂r₂(G_best-x(t))；

x(t+1)＝x(t)+v(t+1)；

其中，t为当前迭代次数，v为粒子飞行速度，x为当前粒子位置，P_best为当前个体最优位置，G_best为全局最优粒子位置；w为惯性权重，用于修正自身原有飞速度；c1、c2为加速因子，一般取常数2；r₁、r₂为两个相互独立、并在[0,1]之间取值的随机数。