[发明专利]一种多种群自适应协作优化方法

说明书

本发明涉及一种多种群自适应协作优化方法，包括建立协作网络模型；采用所述协作网络模型初始化三种拓扑结构的多群落粒子；计算每个粒子的位置和速度；将冯诺依曼拓扑中的全局最优值广播至环形拓扑和全连接形拓扑，输出最优值；环形拓扑和全连接形拓扑分别将自身全局最优值与收到的冯诺依曼拓扑中的全局最优值进行比较，根据比较结果调整进化规则，输出最优值。本申请通过将所述环形种群、所述全连接形种群和所述冯诺依曼种群的粒子群算法进行并行搜索，避免了算法的优化性能大大降低，极易陷入局部最优的结果，能够综合考虑高维复杂优化问题的特性，动态调整进化策略，提高对于高维复杂优化问题的求解能力。

技术领域

本发明涉及自适应算法领域，具体涉及一种多种群自适应协作优化方法。

背景技术

进化算法是解决高维复杂优化问题的有力工具，然而随着近些年数学和工程问题的复杂程度增加，决策变量的增加导致优化问题的目标函数维度急剧增加。在求解高维复杂优化问题时常常会遭遇维数灾难的情况，随着优化问题维数的增大，因此进化算法的优化性能显著下降。近年来，粒子群算法作为一种重要的智能集群优化算法，由于粒子群优化算法操作简单、收敛速度快，因此在函数优化、图像处理、大地测量等众多领域都得到了广泛的应用。

高维复杂优化问题通常具有决策变量多、优化问题维度高、非线性和不可微的特点，因此要解决高维复杂优化问题具有很大的挑战性和复杂性。随着优化问题维度的增大，决策变量也随之增加，算法的搜索空间呈指数型扩展。因此，导致算法的优化性能大大降低，极易陷入局部最优。

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题，本发明提供一种多种群自适应协作优化算法，该算法能够综合考虑高维复杂优化问题的特性，动态调整进化策略，提高对于高维复杂优化问题的求解能力。

发明内容

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题，本发明实施例中提供了一种多种群自适应协作优化算法，该算法能够综合考虑高维复杂优化问题的特性，动态调整进化策略，提高对于高维复杂优化问题的求解能力。

本申请提供了一种多种群自适应协作优化方法，包括：

建立融合环形拓扑结构、全连接形拓扑结构和冯诺依曼拓扑结构的粒子群算法的协作网络模型；

采用所述协作网络模型初始化三种拓扑结构的多群落粒子；

计算每个粒子的位置和速度；

将冯诺依曼拓扑中的全局最优值广播至环形拓扑和全连接形拓扑，输出最优值；所述输出最优值，具体为：在冯诺依曼拓扑结构中,粒子每进化一次将当前迭代次数的全局最优值以广播的形式发送给环形拓扑和全连接形拓扑；

环形拓扑和全连接形拓扑分别将自身全局最优值与收到的冯诺依曼拓扑中的全局最优值进行比较；

若冯诺依曼拓扑的全局最优值优于自身全局最优值，则调整自身全局最优值对应的拓扑结构的进化规则；反之将信息反馈给冯诺依曼拓扑，调整冯诺依曼拓扑的进化规则；调整进化规则包括重新计算每个粒子的位置和速度；

若冯诺依曼拓扑的全局最优值与自身全局最优值相等，则执行输出流程，输出最优值。

在一些实施例中，所述计算每个粒子的位置和速度采用公式：

式中，ω为惯性权重；c₁和c₂为加速常数；rand₁()和rand₂()为两个在[0，1]范围内变化的随机数；t表示迭代次数。

在一些实施例中，所述协作网络模型的建立方法包括：

分析高维复杂问题求解过程中的粒子特点及标准粒子群算法；