[发明专利]一种自适应动态学习粒子群优化算法

说明书

本发明公开了一种自适应动态学习粒子群优化算法，主要包括初始化粒子种群、粒子自身扰动、随机分组和自适应动态选择学习模式、位置更新及限速限位等步骤；本发明首先采用随机分组方法将粒子种群的优势信息在种群内快速传播，使得种群内各粒子获得更加优秀的学习伙伴，提高了算法的全局搜索能力；其次，根据组内各粒子学习的优劣设计了扰动学习策略和具有两种学习策略的自适应动态学习策略，其一为向精英粒子群的加权平均及组内较优粒子学习，其二为向粒子个体历史最优解、全局最优解的最优维度学习，提高了算法的局部搜索能力。

技术领域

本发明涉及粒子群优化技术领域，尤其涉及一种自适应动态学习粒子群优化算法。

背景技术

粒子群优化算法是由Kennedy和Eberhart受到Boid模型启发而在1995年提出的一种群智能的随机优化算法。由于算法收敛速度快、结构简单、解质量高、有可调参数少及搜索范围大等优点，目前已广泛应用于函数优化、神经网络训练、工程领域、随机优化问题的求解、最优控制问题的求解、信号处理以及其它的应用领域。

粒子群优化算法在前期收敛速度较快，但在问题搜索空间内，粒子个体因受种群整体经验的影响向当前最优解的临近区域进行迁徙而非随机自由的迁徙，因此在后期极易陷入局部最优解，发生“早熟”现象，尤其是当解空间为多峰函数时。为此，研究人员对PSO的改进提出了许多经典的方法，如Kennedy和Menders提出了全信息PSO算法(FIPS)，Chuang等人提出了混沌粒子群算法(CPSO)，Sun提出了量子PSO算法(QPSO)，Peram等人提出了基于适应度距离的粒子群算法(FDRPSO)，Liang和Suganthan等人提出了综合学习粒子群优化算法(CLPSO)，部分现有文献还研究了惯性权重、参数的设置对算法优化性能的影响，提出一种动态分组的粒子群优化算法来避免算法陷入局部最优。

传统PSO算法基于种群中最佳个体进行单一学习，PSO算法简单，收敛速度快，但是在处理复杂高维优化问题时经常面临陷入局部最优值的问题，即其它粒子很容易跟随“最佳经验”陷入局部最优位置，且无法跳出局部最优因此，算法搜索后期种群的多样性差，算法的全局广度搜索和局部深度搜索能力降低。

发明内容

本发明所要解决的技术问题是提供一种有助于提高算法的全局搜索能力和局部搜索能力，综合收敛性能优异的一种自适应动态学习粒子群优化算法。

为解决上述技术问题，本发明的技术方案是：一种自适应动态学习粒子群优化算法，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