[发明专利]基于多目标加点准则的GP模型辅助SLPSO算法

权利要求书

1.基于多目标加点准则的GP模型辅助SLPSO算法，其特征在于，包括以下步骤：

S1：选取社会学习粒子群算法；

S2：建立高斯过程模型；

S3：建立基于多目标加点准则的高斯过程模型辅助社会学习粒子群算法；

S4：利用MGP-SLPSO对基于多目标加点准则的高斯过程模型辅助社会学习粒子群算法的实验结果分析。

2.根据权利要求1所述的基于多目标加点准则的GP模型辅助SLPSO算法，其特征在于，所述S1的社会学习粒子群算法包括以下子步骤：

S11：假设种群数为m，对于最小化问题，即为按适应值降序排序，当前最优个体为当前适应值最小的个体，排在最后一位，其位置为x_m，所有个体，除了当前最优个体m外，将从当前种群中随机选择的一个优于当前个体适应值的个体k，称为示范个体，学习；

S12：在t+1代时，第j个个体的位置更新公式为：

其中，1≤j＜m，个体k为随机选择出的示范者，其适应值优于个体j，j＜k≤m，x_kd(t)代表在t代中个体k在第d维上的取值，且1≤d≤D,D为决策空间维数，

在第t+1代时，个体j其示范个体k并不局限为一个，在不同维上的元素会向不同的示范个体学习，即每一维上都会重新随机选择示范个体k，满足j＜k≤m，是一个学习概率因子与个体j的适应值大小成反比，p_j(t)是针对个体j的随机生成概率，r₁，r₂及r₃为[0,1]范围内的随机数，当前种群在第d维上的平均位置，ε是社会影响因子用于控制的影响。

3.根据权利要求1所述的基于多目标加点准则的GP模型辅助SLPSO算法，其特征在于，所述S2的高斯过程模型为：

高斯过程模型通过在函数空间进行贝叶斯推理，将未知函数值y看成是一个静态随机过程的具体实现：

y＝μ(x)+ε(x)

其中，μ被称为均值函数或基函数，通常为多项式函数，代表y的数学期望，ε～N(0,σ²)为均值为0，方差为σ²的静态随机过程。

4.根据权利要求1所述的基于多目标加点准则的GP模型辅助SLPSO算法，其特征在于，所述S3包括以下步骤：

S31：通过对高斯过程核函数及超参数设计方法的对比，选出更适用于高维优化问题的核函数选择及超参数定义方法，用以构建高斯过程模型；

S32：分别设计了两种不同的多目标加点准则来提高算法寻优速度及效率。

5.根据权利要求1所述的基于多目标加点准则的GP模型辅助SLPSO算法，其特征在于，所述S4的结果在多目标加点准则在高维复杂优化问题上具有优势。