[发明专利]一种基于多状态切换策略的群智能优化方法

说明书

一种基于多状态切换策略的群智能优化方法，主要解决现有智能优化算法在高维目标函数优化时易陷入局部最优，决策变量多样性低的问题。本发明的实现过程为：(1)输入待优化问题的目标函数；(2)初始化优化参数；(3)局部搜索；(4)全局搜索；(5)最优决策变量搜索；(6)更新搜索状态；(7)判断算法是否满足终止条件，若满足，则终止迭代；否则转移至步骤(3)；(8)输出搜索到的最优决策变量；本发明提升了高维目标函数优化性能，能够避免陷入局部最优的问题。

技术领域

本发明属于计算机技术领域，涉及单目标多维决策变量问题优化。

背景技术

优化问题是指在满足一定条件下，在众多方案或参数值中寻找最优方案或参数值，以使得某个或多个功能指标达到最优，或使系统的某些性能指标达到最大值或最小值。优化问题广泛地存在于信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域。优化方法是一种以数学为基础，用于求解各种优化问题的应用技术。

鉴于实际工程问题的复杂性、非线性、约束性以及建模困难等诸多特点，寻求高效的优化算法已成为相关学科的主要研究内容之一。受到人类智能、生物群体社会性或自然现象规律的启发，人们发明了很多智能优化算法来解决上述复杂优化问题，主要包括遗传算法、差分进化算法、蚁群算法、粒子群算法等等。这些算法有个共同点，即都是通过模拟或揭示某些自然界的现象和过程或生物群体的智能行为而得到发展，在优化领域称它们为智能优化算法，它们具有简单、通用、便于并行处理等特点。

然而随着目标函数决策变量维度的增加，经典的智能优化算法在优化过程中容易出现陷入局部最优、决策变量多样性减少、收敛精度低的问题，因此迫切需要寻找一种能高效优化高维目标函数的优化算法。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于多状态切换策略的群智能优化方法，以避免搜索过程中陷入局部最优，提高决策变量的多样性与精度。

本发明技术方案如下：

(1)输入优化问题的数学表达式，即目标函数f(x)，以及各决策变量的约束条件，其中x为决策变量，x的大小为1×D，即决策变量为D维，优化问题的数学表达式一般为：

(2)采用基于多状态切换策略的群智能优化方法对目标函数进行优化，得到搜索到的最优决策变量；

(2.1)输入并行优化的数量N，最大优化迭代次数T，当前迭代次数t＝0；

(2.2)初始化决策变量集X⁰，X⁰满足决策变量的约束条件，大小为N×D；

(2.3)初始化局部搜索步长系数α；

(2.4)初始化全局搜索步长系数β；

(2.5)初始化决策变量集X⁰对应的目标函数值集Y⁰，大小为N×1；

(2.6)初始化最优决策变量为最优决策变量搜索状态，其它所有的决策变量为局部搜索状态；

(2.7)计算剩余计算资源量

(2.8)局部搜索；

第一步，

其中，为搜索后的第t+1代第i个决策变量，为第t代的第i个决策变量，K为剩余计算资源量，α为局部搜索步长系数，r为均匀分布的范围为(0，1)的随机变量，LD为局部搜索方向，LD的计算公式如下：

其中，为目标函数在处的梯度，ε为趋近于0的极小正数。

第二步，如果搜索后的决策变量满足待优化问题的约束条件，则不做处理，如果不满足，则将限制在约束条件上。