[发明专利]一种自适应动态学习粒子群优化算法

摘要

本发明公开了一种自适应动态学习粒子群优化算法，主要包括初始化粒子种群、粒子自身扰动、随机分组和自适应动态选择学习模式、位置更新及限速限位等步骤；本发明首先采用随机分组方法将粒子种群的优势信息在种群内快速传播，使得种群内各粒子获得更加优秀的学习伙伴，提高了算法的全局搜索能力；其次，根据组内各粒子学习的优劣设计了扰动学习策略和具有两种学习策略的自适应动态学习策略，其一为向精英粒子群的加权平均及组内较优粒子学习，其二为向粒子个体历史最优解、全局最优解的最优维度学习，提高了算法的局部搜索能力。

主权项

1.一种自适应动态学习粒子群优化算法，其特征在于：包括以下步骤，步骤一、设置粒子群数目SIZE，维数D，最大迭代次数MAX_GENERATION，惯性权重w，速度范围Vmax、Vmin，搜索位置范围Xmax、Xmin，学习因子c₁、c₂，每组连续失败最大次数gcount＝N和整体连续失败最大次数acount＝M；步骤二、初始化粒子的初始位置、初始速度；步骤三、当acount＝M时，则对粒子群进行重新的随机分组，并且对每组粒子群进行随机策略选取，同时清零每组失败次数和整体失败次数；否则执行步骤四；步骤四、计算粒子的适应值，产生[0.8,1.2]间的扰动，如果产生的解更优，则替换原来的解，否则保留原来的解；步骤五、计算个体历史最优解、本组最优解、全局最优解，如果本组最优值得到更新，则gcount＝0，否则gcount+1；如果整体最优值得到更新，则acount＝0，否则acount+1；步骤六、如果gcount＝N，则更换学习策略；步骤七、不同组根据选择的策略进行速度的更新，可供选择的策略包括策略一和策略二；策略一：向精英粒子和本组最优秀的粒子学习取所有粒子中最好的Q1个粒子作为精英粒子，根据精英粒子的适应度进行加权平均求得的位置，作为学习目标LT1的位置；再随机选取本组的Q2个粒子，取其中最优秀的粒子作为学习目标LT2，通过公式(1)更新粒子速度向量中各个维度数值，公式(1)中，w＝0.9‑iter*(0.7/MAX_GENERATION),MAX_GENERATION为最大迭代次数，iter为当前迭代次数；LT1j(t)如公式(2)所示，LT2^j(t)如公式(3)所示：LT2^j(t)＝min(f₁,f₂…f_G)                  公式(3)alli为精英粒子的个数，为Q1个；LT1^j(t)为Q1个精英粒子的加权平均位置，great_x(i)为精英粒子i的标号，通过公式(4)进行位置的更新，x_i＝x_i+v_i                        公式(4)通过公式(5)、公式(6)进行速度、位置的限制，v_i＝min(V_max,max(V_min))                          公式(5)x_i＝min(X_max,max(X_min,x_i))                        公式(6)其中V_max是粒子允许的最大速度，V_min是最小速度，X_max是粒子允许的最大搜寻位置，X_min是最小搜寻位置；若粒子超过速度或搜索位置允许的范围，则把速度或搜索位置设为边界值；策略二：粒子每一维度都向全局最优粒子gbest的所有维度最优值和个体历史最优粒子pbest的所有维度最优值学习采用公式(7)、公式(8)更新速度，f_i＝[f_i(1),f_i(2)…f_i(D)]                      公式(8)本策略中使用的限制速度、更新位置、限制位置的具体公式，分别与公式(5)、公式(4)、公式(6)相应；步骤八、对速度进行限制，如果超过速度允许的范围，则定为边界速度值；利用公式(4)进行位置的更新，对位置的限制同速度；步骤九、若达到最大迭代次数MAX_GENERATION，则终止优化运算，输出粒子的最优位置和全局最优解；否则返回步骤三。