[发明专利]一种基于扰动的精英反向学习粒子群优化的实现方法

摘要

本发明涉及一种基于扰动的精英反向学习粒子群优化的实现方法，其技术方案是：第一步是初始化粒子参数；第二步是计算粒子适应值，获得个体极值和全局极值；第三步是非线性递减惯性权重，用一种非线性递减的方式而不是线性递减方式改变惯性权重以提高算法的收敛速度和收敛精度；第四步是确定粒子位置更新的方式；第五步是更新个体极值和全局极值；第六步是粒子继续执行条件的确定。本发明适用于求解函数优化的问题，方法具有更高的收敛速度和收敛精度，能有效的避免陷入局部最优。

主权项

一种基于扰动的精英反向学习粒子群优化的实现方法，其特征在于，包括如下步骤：第一步、初始化粒子参数首先设置种群粒子规模为N，同时对每个粒子的位置、速度也进行初始化，初始设置粒子迭代次数的大小为Iter，粒子的评估次数为A，粒子的维数为D、粒子的社会学习能力C₁和粒子的自我学习能力C₂，其中C₁＝C₂＝1.193    (1)第二步、计算粒子适应度值粒子的优劣由适应度函数所产生的适应度值来评价，把N个粒子中每个粒子所经历的最好值，亦称作个体极值用P_i＝(P_i1,P_i2,...,P_id)来表示，把N个粒子中最好的值，亦称为全局极值用P_g＝(P_g1,P_g2,...,P_gd)来表示；第三步、非线性递减惯性权重提出一种非线性递减的惯性权重，定义如下$w=w-\frac{(w_{max}-w_{min})}{sum(1:Iter)}\&times;({\mathrm{Iter}}_{max}-Iter)---\left(2\right)$其中，w_max、w_min为惯性权重的上、下限，Iter_max是最大迭代次数，Iter是粒子当前迭代次数，惯性权重前期下降较快，后期下降较慢；第四步、确定粒子位置更新的方式随机产生一个[0,1]之间的随机数R，与初始设定的概率P进行比较，若R<P则按方式一来执行；若R>P则按方式二来执行；方式一：精英反向学习设当前群体中的精英个体为X_i＝(x_i,1,x_i,2,…,x_i,D)，相应的精英反向解$X_i^{*}=(x_{i,1}^{*},x_{i,2}^{*},...,x_{i,D}^{*})$定义如下：$X_{i,j}^{*}=k\left(a_j+b_j\right)-X_{i,j}---\left(3\right)$其中X_i,j∈[a_j,b_j]，k∈[0,1]，k为一般化系数，利用该系数可以生成多个不同的反向精英个体；方式二：极值扰动引入极值扰动来扩大粒子搜索的范围，避免粒子陷入局部最优，将速度的更新公式改为：$v_{id}(t+1)={\mathrm{wv}}_{id}\left(t\right)+c_1{r}_1\left(\left(0.5+\frac{r_3}{2}\right)p_{id}-x_{id}\left(t\right)\right)+c_2{r}_2\left(\left(0.5+\frac{r_4}{2}\right)p_{gd}-x_{id}\left(t\right)\right)---\left(4\right)$式中r₃和r₄是(0,1)间均匀分布的随机数，个体极值和全局极值会随着r₃和r₄的取值不同而发生扰动；第五步：更新个体极值和全局极值粒子执行完一次位置更新后，对于单个粒子，找到该粒子拥有的最优适应值，作为此粒子的个体极值，并将适应值对应的粒子位置更新，对于N个粒子，找到所有粒子的最优适应值作为粒子的全局极值，更新全局粒子的位置；第六步：粒子继续执行条件的确定每次粒子的执行都会有一个终止的条件，在粒子初始化时，设定了粒子的迭代次数Iter和粒子的评估次数A，当粒子迭代的次数未达到Iter时，粒子当前已经迭代的次数t增加一次，粒子执行过程继续进行，直到达到初始设定的迭代次数，粒子的执行过程停止。