[发明专利]一种自适应动态学习粒子群优化算法

权利要求书

1.一种自适应动态学习粒子群优化算法，其特征在于：包括以下步骤，

步骤一、设置粒子群数目SIZE，维数D，最大迭代次数MAX_GENERATION，惯性权重w，速度范围Vmax、Vmin，搜索位置范围Xmax、Xmin，学习因子c₁、c₂，每组连续失败最大次数gcount＝N和整体连续失败最大次数acount＝M；

步骤二、初始化粒子的初始位置、初始速度；

步骤三、当acount＝M时，则对粒子群进行重新的随机分组，并且对每组粒子群进行随机策略选取，同时清零每组失败次数和整体失败次数；

否则执行步骤四；

步骤四、计算粒子的适应值，产生[0.8,1.2]间的扰动，如果产生的解更优，则替换原来的解，否则保留原来的解；

步骤五、计算个体历史最优解、本组最优解、全局最优解，如果本组最优值得到更新，则gcount＝0，否则gcount+1；如果整体最优值得到更新，则acount＝0，否则acount+1；

步骤六、如果gcount＝N，则更换学习策略；

步骤七、不同组根据选择的策略进行速度的更新，可供选择的策略包括策略一和策略二；

策略一：向精英粒子和本组最优秀的粒子学习

取所有粒子中最好的Q1个粒子作为精英粒子，根据精英粒子的适应度进行加权平均求得的位置，作为学习目标LT1的位置；再随机选取本组的Q2个粒子，取其中最优秀的粒子作为学习目标LT2，通过公式(1)更新粒子速度向量中各个维度数值，

公式(1)中，w＝0.9-iter*(0.7/MAX_GENERATION),MAX_GENERATION为最大迭代次数，iter为当前迭代次数；LT1j(t)如公式(2)所示，LT2^j(t)如公式(3)所示：

LT2^j(t)＝min(f₁,f₂…f_G) 公式(3)

alli为精英粒子的个数，为Q1个；LT1^j(t)为Q1个精英粒子的加权平均位置，great_x(i)为精英粒子i的标号，

通过公式(4)进行位置的更新，

x_i＝x_i+v_i 公式(4)

通过公式(5)、公式(6)进行速度、位置的限制，

v_i＝min(V_max,max(V_min)) 公式(5)

x_i＝min(X_max,max(X_min,x_i)) 公式(6)

其中V_max是粒子允许的最大速度，V_min是最小速度，X_max是粒子允许的最大搜寻位置，X_min是最小搜寻位置；

若粒子超过速度或搜索位置允许的范围，则把速度或搜索位置设为边界值；

策略二：粒子每一维度都向全局最优粒子gbest的所有维度最优值和个体历史最优粒子pbest的所有维度最优值学习

采用公式(7)、公式(8)更新速度，

f_i＝[f_i(1),f_i(2)…f_i(D)] 公式(8)

本策略中使用的限制速度、更新位置、限制位置的具体公式，分别与公式(5)、公式(4)、公式(6)相应；

步骤八、对速度进行限制，如果超过速度允许的范围，则定为边界速度值；利用公式(4)进行位置的更新，对位置的限制同速度；

步骤九、若达到最大迭代次数MAX_GENERATION，则终止优化运算，输出粒子的最优位置和全局最优解；

否则返回步骤三。