[发明专利]一种面向智能计算的群智能进化式优化方法

权利要求书

1.一种面向智能计算的群智能进化式优化方法，其特征在于，包括以下步骤：

步骤1、设置初始参数：种群中个体数量N、最大迭代次数Max_iter、个体维度D，并在寻优范围内随机生成每个个体的初始位置x_i，i＝1，2，3……N；

步骤2、根据目标函数f(x)计算个体的适应度值f(x_i)；

步骤3、根据步骤2所得适应度值f(x_i)，找出最优适应度值f_min，并记录所述最优适应度值f_min的位置，即最优个体位置x_best(T)；

步骤4、对种群中的最优个体位置进行邻域扰动，生成邻域个体位置，并计算新旧最优个体的适应度值，采用贪婪选择策略对新旧解进行对比，得到新的最优个体位置；

步骤5、在保持种群规模不变的情况下，按概率将算法的寻优进化机制分成三种策略：

a、1/3概率的个体执行基础算法的进化策略；

b、1/3个体执行非均匀高斯变异进化策略；

c、其余1/3个体再按迭代次数将算法分成两段：前半段执行t分布变异，后半段执行黄金正弦进化策略；

通过所述三种策略得到原个体位置对应的新个体位置；

步骤6、根据目标函数f(x)求出由步骤5所得新个体位置的适应度值，采用贪婪选择策略对原个体位置与新个体位置的适应度值进行选择，得到个体现位置；

步骤7、比较当前迭代次数T是否达到最大迭代次数，若T≤Max_iter，返回步骤2，继续迭代进化的寻优过程；

步骤8、确定最终的最优值并输出。

2.根据权利要求1所述的一种面向智能计算的群智能进化式优化方法，其特征在于，所述步骤4包括以下步骤：

步骤4.1、对步骤3所得最优个体位置x_beat(T)进行邻域扰动，生成邻域个体位置，计算所述邻域个体位置的适应度值；

步骤4.2、采用贪婪选择策略对最优个体位置x_best(T)与邻域个体位置的适应度值进行选择，得到最优个体位置。

3.根据权利要求2所述的一种面向智能计算的群智能进化式优化方法，其特征在于，所述步骤4.1的计算式如下：

式(1)中，rand为[0，1]之间均匀分布的随机数，x_best(T)为当前代最优个体位置。

4.根据权利要求3所述的一种面向智能计算的群智能进化式优化方法，其特征在于，所述步骤4.2的计算式如下：

式(2)中，x_best(T+1)为更新后下一代最优个体位置，即个体现位置。

5.根据权利要求1所述的一种面向智能计算的群智能进化式优化方法，其特征在于，所述步骤5包括以下实施步骤：

步骤5.1、m＝rand，m为[0，1]之间均匀分布的随机数；

步骤5.2、若m＜1/3，则执行基础算法的进化策略

步骤5.3、若m＞2/3，由公式(3)对个体的位置进行更新；

x_i(T+1)＝x_i(T)+Δ(T，G_i(T)) (3)

步骤5.4、若1/3≤m≤2/3，则判断算法是在迭代前半段进行探索还是在迭代后半段执行开发，若T＜1/2·Max_iter，则由公式(4)对个体的位置进行更新；

x_i(T+1)＝x_i(T)+tmd(T)·x_i(T) (4)

否则，由公式(5)对个体的位置进行更新；

x_i(T+1)＝x_i(T)·|sin(R₁)|+R₂·sin(R₁)·|x₁·x_best(T)-x₂·x_i(T)| (5)

式(5)中，R₁为[0，2π]之间均匀分布的随机数，R₂为[0，π]之间均匀分布的随机数，x₁和x₂是黄金分割系数，黄金分割数则x₁＝-π+(1-q)·2π，x₂＝-π+q·2π，x_i(T)是当前代中第i个个体的位置，x_i(T+1)是更新后下一代中第i个个体的位置；

式(3)中，Δ(T，G_i(T))为非均匀变异步长，是一种通过高斯分布自适应调节步长的变异算子，所述Δ(T，G_i(T))计算式如下：

G_i(T)＝N·((x_best(T)-x_i(T))，σ) (7)

式(6)～(7)中，y＝G_i(T)，p为[0，1]之间均匀分布的随机数，Max_iter为最大迭代次数，b为系统系数，决定变异计算的非均匀程度，b＝2，N为种群个体数量，σ为高斯分布标准差。