[发明专利]基于随机强化学习的群智能函数优化方法

摘要

本发明公开了一种基于随机强化学习的群智能函数优化方法，该方法按两群方案设计，寻优策略由“探索”和“挖掘”操作组成，并通过一种随机强化学习策略完成敏感参数的自适应设置。本发明优点是：1）划分种群为“探索群”和“挖掘群”并建立相关数学模型，“探索群”完成全局搜索，“挖掘群”完成局部搜索；2）在模型设计中，注重减少算法参数数量，特别是敏感参数的数量；3）通过先验方法得出惰性参数的合理参数值；4）通过随机强化学习策略对敏感参数实现自适应控制。

主权项

1.基于随机强化学习的群智能函数优化方法，其特征是：该方法按两群方案设计，寻优策略主要由“探索”和“挖掘”操作组成，并通过一种随机强化学习策略完成敏感参数的自适应设置；以最小化问题为例方法包括如下具体步骤：步骤1：初始化迭代计数器t＝0，算法迭代总次数T，总群规模C，拥挤系数V(V＜C)；步骤2：D维解空间内，初始化一个规模为C的种群，种群中个体本质上为向量x_i^t＝(x_i,1,x_i,2,…,x_i,D)，(i＝1,…,C)；初始阶段应尽可能的使种群中个体均匀分布于整个解空间，选出整个种群最优位置作为初始聚集点n^t；步骤3：如果i≤V，则执行探索操作；否则执行挖掘操作；探索或挖掘操作可以使x_i^t发现新的位置p_i^t；步骤4：对发现的新位置p_i^t进行函数评价，如果p_i^t优于当前位置x_i^t，即f(p_i^t)<f(x_i^t)，则用p_i^t更新x_i^t，执行x_i^t←p_i^t；进一步，如果p_i^t优于当前聚集点n^t,即f(p_i^t)<f(n^t)，则用p_i^t更新n^t，执行n^t←p_i^t；步骤5：如果i≤C，则执行i←i+1，转步骤3；否则，执行i←1，t←t+1，顺序执行步骤6；步骤6：如果t>T，顺序执行步骤7；否则，转步骤3；步骤7：输出n^t作为问题解。