[发明专利]基于多策略融合的粒子群优化算法

说明书

基于多策略融合的粒子群优化算法，包括：提出标准粒子群算法中粒子的速度和位置的更新公式；考虑标准粒子群优化算法存在易陷入局部最优的缺陷，引入三黑洞系统捕获策略和早熟扰动策略；引入多维随机扰动机制；调节算法的全局探索能力与局部开发能力；制定多策略融合的粒子群优化算法流程。本发明一种基于多策略融合的粒子群优化算法，增强了算法的全局搜索能力与局部搜索能力，降低了算法陷入局部最优的概率。仿真结果表明，与其他算法的测试结果进行比较分析，本发明算法具有更快的收敛速度、更高的收敛精度等优势。

技术领域

本发明属于智能算法领域，具体涉及一种基于多策略融合的粒子群优化算法。

背景技术

粒子群算法是一种新兴的演化算法，该算法是由Kennedy和Eberhart于1995年提出的，具有原理简单、参数较少、收敛速度快等优点，在神经网络训练、参数优化、图像处理、聚类分析等多个领域得到了广泛的应用。

针对标准粒子群算法易陷入局部最优的问题，学者们提出了各种改进方法，主要有以下3类：1)、改进算法结构策略；2)、引入新的进化策略；3)、与其他智能算法结合。上述对标准粒子群算法的各种改进方法均在一定程度上提升了标准粒子群算法的收敛性能，但由于全局搜索能力与局部搜索能力的彼此制约，限制了标准粒子群算法性能的大幅度提升。

发明内容

为改善标准粒子群算法易于陷入局部最优而使收敛性能较差的缺陷，本发明提出一种多策略融合的粒子群优化算法，增强了全局搜索能力与局部搜索能力，降低了算法陷入局部最优的概率。与其他算法的测试结果进行比较分析，本发明一种基于多策略融合的粒子群优化算法，具有更快的收敛速度、更高的收敛精度等优势。

本发明采取的技术方案为：

基于多策略融合的粒子群优化算法，包括步骤如下：

步骤1、提出标准粒子群算法中粒子的速度和位置的更新公式：

设在D维的搜索空间中，种群大小为N，其中，第i个粒子的位置和速度分别表示为X_i＝(x_i，1，x_i，2，…，x_i，D)和V_i＝(v_i，1，v_i，2，…，v_i，D)，粒子的速度和位置的更新公式为：

其中：v_i,d(t+1)和x_i,d(t+1)分别为第i个粒子的第d维在第t+1代的速度和位置，v_i,d(t)和x_i,d(t)分别为第i个粒子的第d维在第t代的速度和位置，w为惯性权重，c₁和c₂为学习系数，r₁和r₂为[0，1]间均匀分布的随机数，pbest_i,d(t)为第i个粒子的第d维在第t代的个体最优解，gbest_d(t)为粒子的第d维在第t代的全局最优解。

并且通过线性降低的惯性权重w，调节算法的全局探索与局部开发能力，w的调节公式为：

其中：t为当前迭代次数，T为总迭代次数，w_max、w_min分别为最大权重、最小权重。

步骤2、考虑标准粒子群优化算法存在易陷入局部最优的缺陷，引入三黑洞系统捕获策略和早熟扰动策略：

三黑洞系统捕获策略的引入：