[发明专利]一种用于条件非线性最优扰动的自适应协同数据处理方法

说明书

本发明涉及一种用于条件非线性最优扰动的自适应协同数据处理方法，是一种用于条件非线性最优扰动(Conditional Nonlinear Optimal Perturbation，CNOP)求解的基于主成分分析的粒子群与狼群搜索的自适应混合协同进化算法(Adaptive Cooperation Co‑Evolution of Parallel Particle Swarm Optimization and Wolf Search Algorithm，ACPW)，属于计算机科学与气象科学的交叉学科研究领域，用于CNOP的优化求解。基于避免使用伴随模式的考虑，将在跳出局部最优方面较优秀的狼群搜索算法与易于陷入局部最优的粒子群算法相结合，采用自适应的协同进化策略，并基于Master‑Slave并行框架对算法进行加速，对CNOP进行优化求解。与现有技术相比，本发明具有求解速度快，稳定性好等优点。

技术领域

本发明涉及计算机科学与气象科学的交叉学科研究领域，用于求解条件非线性最优扰动CNOP(Conditional Nonlinear Optimal Perturbation，CNOP)的优化求解，尤其是涉及一种用于条件非线性最优扰动的自适应协同数据处理方法(Adaptive CooperationCo-Evolution of Parallel Particle Swarm Optimization and Wolf SearchAlgorithm，ACPW)。

背景技术

CNOP(Conditional Nonlinear Optimal Perturbation，CNOP)一般应用于气象科学中进行天气或气候的可预报性研究，其求解最常用的方法是谱投影梯度方法。

该方法基于气象数值模式的伴随模式提供梯度信息进行寻优，但伴随模式求解梯度的计算量巨大、耗时较长，且谱投影梯度方法无法并行。此外，不是所有的数值模式都开发了相应的伴随模式，且伴随模式的开发工程量巨大，尤其对于很多复杂的大模式来说，该过程可能会消耗数年时间。本发明基于避免使用伴随模式的考虑，由于粒子群算法具有易于陷入局部最优的局限性，将在跳出局部最优方面较优秀的WSA狼群搜索算法与PSO算法相结合，采用自适应的协同进化策略，并利用并行技术对算法进行加速，提高CNOP求解的效率，扩展其应用领域。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于条件非线性最优扰动的自适应协同数据处理方法，该方法主要包括三方面改进：将粒子群与狼群搜索算法相结合、自适应协同进化策略、并行化框架。

本发明的目的可以通过以下技术方案来实现：

一种用于条件非线性最优扰动的自适应协同数据处理方法，包括以下步骤：

S1：随机生成一组初始成员，判断初始成员内各成员是否满足边界条件；

S2：并行计算初始成员内各成员的适应度函数值并保存具有最大适应度的成员信息及其适应度函数值；

S3：利用子种群系数将初始成员种群分为PSO子种群和WSA子种群并分别寻优；

S4：根据子种群系数更新规则来判断相邻两次迭代所获取的全局最优适应度函数值变化是否小于给定阈值，若是，增大子种群系数值，若否，减小子种群系数值；

S5：判断迭代次数是否达到终止条件，若是，输出数据结果，若否，返回步骤S2继续进行。

优选地，其特征在于，所述步骤S1中判断初始成员内各成员是否满足边界条件，其描述公式为：

式中，u_i为初始成员内各成员，δ为全局约束半径。

优选地，其特征在于，所述步骤S2中的适应度函数值的计算公式为：