[发明专利]一种基于群体团聚效应的梯度自适应粒子群优化方法

说明书

本发明公开了一种基于群体团聚效应的梯度自适应粒子群优化方法，首先，设置初始化参数，初始化粒子群的速度和位置，然后初始化种群极值与个体极值，接着根据粒子在搜索空间中的相对位置，采用K‑Means聚类算法对粒子群进行聚类，获得聚类结果，接下来根据聚类结果，计算聚类极值以及相应的位置；然后根据粒子的目标函数适应度值的下降梯度自适应调整每个粒子的计算参数，再根据粒子的当前位置以及目标函数计算粒子在当前位置的适应度值；最后根据粒子的在当前位置的适应度值，更新个体极值、聚类极值和全局极值，并更新粒子的速度和位置。本发明的方法能够有效解决现有粒子群方法早熟收敛、陷入局部最优等问题，大大提高了算法的寻优能力。

技术领域

本发明涉及智能算法技术领域，具体涉及一种基于群体团聚效应的梯度自适应粒子群优化方法。

背景技术

粒子群优化算法是一种群体智能随机搜索优化算法，最初是受鸟群觅食等社会群体活动的启发，从中抽象出来的一个随机搜索过程简化模型，让一个信息共享的社会群体，在一定的搜索空间内从无序变为有序，从而共同趋向一个最优解的过程。

标准的粒子群优化方法存在易早熟收敛、易陷入局部最优值等问题，导致算法在实际应用过程中达不到理想的效果。如PSO(Particle Swarm Optimization)在寻优初期，粒子很快移动并聚集至较优解的附近，随着搜索的进行，粒子会越来越多的聚集在同一区域并无法探索其他空间，出现早熟现象。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

现有的改进粒子群优化方法对于这两个问题的改善起到了一定的作用，但是效果有限，无法进一步提高算法的寻优能力。LPSO(Linearly Decreasing Inertia WeightParticle Swarm Optimization)算法是线性递减惯性权重的粒子群算法，LPSO-TVAC(Linearly Decreasing Inertia Weight Particle Swarm Optimization-Time VaryingAcceleration Coefficients)算法是线性变化加速因子的粒子群优化算法。此二种算法只在参数设置方面对粒子群算法进行了改进，效果有限。KLPSO(K-means Based LinearlyDecreasing Inertia Weight Particle Swarm Optimization)算法是基于种群聚类的线性变化参数粒子群优化算法，在LPSO-TVAC算法的基础上引入了粒子聚类操作，效果优于前两种算法，但是以上三种方法仍然存在寻优效果不佳的问题。

发明内容

有鉴于此，本发明提供了一种基于群体团聚效应的梯度自适应粒子群优化方法，用以解决或者至少部分解决现有技术中的方法存在的导致实际应用中寻优效果不佳的技术问题。

为了解决上述技术问题，本发明提供了一种基于群体团聚效应的梯度自适应粒子群优化方法，包括：

步骤S1：设置初始化参数，初始化粒子群的速度和位置，其中，初始化参数包括粒子群规模、目标函数的维度、初始聚类数目、聚类间隔、聚类次数以及目标函数，其中，目标函数用以计算粒子的适应度值；

步骤S2：初始化种群极值与个体极值，其中，种群极值为全局极值，对应整个粒群当前搜索到的最优位置，个体极值对应种群个体当前搜索到的最优位置；

步骤S3：根据粒子在搜索空间中的相对位置，采用K-Means聚类算法对粒子群进行聚类，获得聚类结果，聚类结果包括形成聚类的数目以及每一个聚类中粒子的个数、位置和速度；

步骤S4：根据聚类结果，计算聚类极值以及相应的位置；