[发明专利]一种基于RBF代理模型的高效粒子群优化方法

权利要求书

1.一种基于RBF代理模型的高效粒子群优化方法，其特征在于，包括以下步骤：

步骤1，初始化种群，在搜索空间中进行拉丁超立方采样生成NP个个体作为初始种群P₀＝(x_1,0,x_2,0,…,x_NP,0)，同时初始化个体的初始速度V₀＝(v_1,0,v_2,0,…,v_NP,0)，迭代次数g＝0，函数评价次数FES＝0，使用真实适应度评价函数f(·)评价初始种群P₀，将其加入样本数据集Data，函数评价次数FES＝FES+NP；

步骤2，预选择，采用启动策略，使用样本数据集Data中的所有样本作为构建数据，利用RBF构建全局代理模型使用传统的PSO作为优化器在上搜索，得到启动策略最优解x_Boot，进行真实适应度评价，加入样本数据集Data，函数评价次数FES＝FES+1，使用x_Boot更新全局最优解x_gbest和种群P_g中的解；

步骤3，局部搜索，对于种群P_g中的每一个个体x_i,g，计算x_i,g和种群P_g中其他个体的最大距离d_i,max，根据公式(1)更新个体x_i,g的局部搜索半径r_i，

式中，D表示个体决策变量的维度数，NP表示种群中的个体数量；个体x_i,g的局部搜索区域的下界和上界[bl_L,bu_L]由[x_i,g-r_i,x_i,g+r_i]∩[bl,bu]确定，bl和bu分别是问题搜索空间的上界和下界，选出样本数据集Data中所有位于局部搜索区域内的样本构成数据集合DataT_i，如果数据集合DataT_i中样本数量多于5*D，D为问题决策变量的维度，Data_i＝DataT_i，如果数据集合DataT_i中样本少于5*D并且样本数据集Data中样本数量多于5*D，从样本数据集Data和DataT_i的差集中选出若干个与x_i,g的欧氏距离最近的样本补足5*D构成Data_i，否则直接使Data_i＝DataT_i，使用数据集合Data_i构建局部代理使用传统的PSO作为优化器在上搜索，得到当前局部搜索区域的最优解x_i,best，NP个最优解x_i,best构成局部最优解集，其中x_lbest为近似适应度最优的个体；

步骤4，更新种群，首先，使用公式(2)确定最终的全局认知引导项

式中，表示全局认知引导项，x_gbest表示全局最优解，x_lbest表示步骤3局部搜索的近似适应度最优个体，表示x_lbest的局部代理模型近似适应度值，f(x_gbest)表示x_gbest的真实适应度值；

由此，获得一个新的PSO的速度更新公式(3)，使用公式(2)中的全局认知引导项替换了原有的全局认知项，SEPSO的位置更新公式(4)与传统PSO一致，

式中，w表示惯性权重，c₁，c₂表示学习因子，rand_i,1和rand_i,2表示随机项，v_i,g+1表示更新后的个体速度，v_i,g表示更新前的个体速度，x_i,pbest表示自身认知引导项，表示全局认知引导项，x_i,g表示当前待更新个体，表示更新后的个体位置；

使用步骤3中的近似适应度评价函数评价个体从中选出近似适应度评价最优的M个个体作为使用真实适应度评价函数f(·)评价所有个体函数评价次数FES＝FES+M，将所有真实评价过的个体加入样本数据集Data，对于每一个个体如果则其中x_i,k,g是的父代个体；

步骤5，判断是否满足终止条件，若函数评价次数FESFESMAX，返回步骤2，其中FESMAX为最大函数评价次数。