[发明专利]一种基于随机惯性权重的差分粒子群混合算法

说明书

本发明提供了一种基于随机惯性权重的差分粒子群混合算法，改变了传统的惯性权重为一固定的值的情形，在算法的整个运行过程中惯性权重随迭代过程的改变而改变，有利于算法跳出局部最优解，从而达到全局寻优的效果。通过在混合算法的变异操作中引入随机惯性权重，与传统算法相比较，使用该算法进行数值优化计算时，收敛速度更快、精度也更高，能够准确寻找到全局最优值，有效地提升了算法的优化性能；通过生成多次变异群体的交叉混合的操作，使得整个混合算法的收敛精度和收敛的速度更快，提升了整个差分粒子群优化性能；高效分配资源的计算速度，有效提高了计算资源的利用，且该方法优化后无需人工进行修正和调整，应用前景广泛。

技术领域

本发明涉及数值优化领域，尤其涉及一种基于随机惯性权重的差分粒子群混合算法。

背景技术

近年以来，群智能优化算法得到了迅速的发展，在数值优化领域和实际工程领域得到了广泛的应用。粒子群算法(Particle Swarm Optimization)和差分进化算法(Differential Evolution)是两种典型的群智能优化算法。

PSO算法是由Kennedy和Eberhart于1995年提出的一种模拟鸟群觅食行为的群智能优化算法。PSO算法首先在一定的解空间内随机初始化粒子群体，然后通过不断地迭代去寻找最优解，在每一次的迭代中，粒子通过追踪个体极值和全局极值来不断更新自己的位置和速度，直至找到最优解。PSO算法结构简单，搜索能力强，已经广泛应用于数值优化、神经网络、模式识别等领域。

DE算法是由Storn等人于1995年提出的一种采用实数编码的群智能优化算法。DE算法通过群体内个体间的合作与竞争机制去寻找全局最优值。相较于传统进化计算，DE算法保留了基于种群的搜索策略，简单的变异操作和“一对一”的竞争策略，有效地降低了计算的复杂性。DE算法的操作主要包括初始化、变异、交叉和选择，DE算法全局寻优能力强、鲁棒性好，已经在很多领域得到了应用，如数值计算、电力系统、信号处理和机器人控制等。

虽然PSO算法和DE算法寻优能力强，但在算法的后期还是存在容易陷入局部最优解的缺点。针对单一的PSO算法或者DE算法后期容易陷入局部最优值的状况，有学者考虑将PSO算法同DE算法相结合，以克服算法后期易陷入局部最优的情况。

如CN103793745B现有技术公开了一种分布式粒子群优化方法，粒子群优化算法的优点在于计算模型易于描述，需要进行调试的参数比较少，实现简单运算速度快，无集中控制约束，鲁棒性强，但容易陷入局部最优而丧失全局最优解，也称为早熟现象，因为大部分群体中的个体都进化到最优位置附近而使得整个中群位置无法进一步得到优化，在进行高维粒子群优化时优化难度大，结构复杂，且优化时间过长。

另一种典型的如JP6424090B2的现有技术公开的一种基于种群聚集程度的粒子群算法，粒子群算法以粒子代表优化问题的一个解，其对应的目标函数值被称为粒子的适应度，多个粒子构成种群。各个粒子具有位置和速度，每次迭代中，各粒子根据个体所找到过的最好位置和种群所找到过的最好位置来调整自身的位置和飞行速度，从而使整个种群不断向更优解移动，最终将有希望到达全局最优解。粒子群算法的原理简单，相关参数少，容易实现，但其最大缺陷在于早熟收敛问题，导致无法得到全局最优解。其中，导致粒子群算法早熟收敛的一个重要原因是：在整个进化过程中，始终保持种群最优位置对所有粒子飞行方向的引导作用。这种方式虽然能够获得较快的收敛速度，但是容易使种群陷入局部极值点，不利于寻求全局最优解，特别是在迭代后期，大量粒子聚集于一个较小的搜索空间，整个种群单一性很强，已经基本丧失了对空间中其他区域的寻优能力。

再来看如US2019092458(A1)的现有技术公开的一种粒子群算法，来源于进化计算理论和人工生命。通过整个粒子群算法的最优解。每一个粒子计算个体适应度值，并将它与历史最优位置和全局最优位置比较，如果个体适应度较小，则更新它的历史最优位置和全局最优位置。通过不断靠近全局最优解，来找到最佳位置。传统的粒子群算法收敛速度快，但容易陷入局部最优解，造成算法过早结束。，