[发明专利]一种基于群体团聚效应的梯度自适应粒子群优化方法在审
| 申请号： | 201910768302.6 | 申请日： | 2019-08-20 |
| 公开（公告）号： | CN110555506A | 公开（公告）日： | 2019-12-10 |
| 发明（设计）人： | 马刚;邓卓然;周伟;张大任;程家林;常晓林 | 申请（专利权）人： | 武汉大学 |
| 主分类号： | G06N3/00 | 分类号： | G06N3/00 |
| 代理公司： | 42222 武汉科皓知识产权代理事务所(特殊普通合伙) | 代理人： | 罗飞 |
| 地址： | 430072 湖*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于群体团聚效应的梯度自适应粒子群优化方法，首先，设置初始化参数，初始化粒子群的速度和位置，然后初始化种群极值与个体极值，接着根据粒子在搜索空间中的相对位置，采用K‑Means聚类算法对粒子群进行聚类，获得聚类结果，接下来根据聚类结果，计算聚类极值以及相应的位置；然后根据粒子的目标函数适应度值的下降梯度自适应调整每个粒子的计算参数，再根据粒子的当前位置以及目标函数计算粒子在当前位置的适应度值；最后根据粒子的在当前位置的适应度值，更新个体极值、聚类极值和全局极值，并更新粒子的速度和位置。本发明的方法能够有效解决现有粒子群方法早熟收敛、陷入局部最优等问题，大大提高了算法的寻优能力。 | ||
| 搜索关键词： | 粒子 粒子群 适应度 聚类 聚类结果 初始化 目标函数计算 初始化参数 粒子群优化 自适应调整 计算参数 聚类算法 目标函数 搜索空间 下降梯度 有效解决 自适应 更新 算法 寻优 收敛 早熟 种群 团聚 群体 全局 | ||
【主权项】：
1.一种基于群体团聚效应的梯度自适应粒子群优化方法，其特征在于，包括：/n步骤S1：设置初始化参数，初始化粒子群的速度和位置，其中，初始化参数包括粒子群规模、目标函数的维度、初始聚类数目、聚类间隔、聚类次数以及目标函数，其中，目标函数用以计算粒子的适应度值；/n步骤S2：初始化种群极值与个体极值，其中，种群极值为全局极值，对应整个粒群当前搜索到的最优位置，个体极值对应种群个体当前搜索到的最优位置；/n步骤S3：根据粒子在搜索空间中的相对位置，采用K-Means聚类算法对粒子群进行聚类，获得聚类结果，聚类结果包括形成聚类的数目以及每一个聚类中粒子的个数、位置和速度；/n步骤S4：根据聚类结果，计算聚类极值以及相应的位置；/n步骤S5：根据粒子的目标函数适应度值的下降梯度自适应调整每个粒子的计算参数，其中，目标函数适应度值的下降梯度为两个迭代计算步的适应度值之差与梯度计算间隔的商，计算参数用以计算粒子的速度和位置，每个粒子的计算参数包括惯性权重、个体学习因子、群聚学习因子以及全局学习因子；/n步骤S6：根据粒子的当前位置以及目标函数计算粒子在当前位置的适应度值；/n步骤S7：根据粒子的在当前位置的适应度值，更新个体极值、聚类极值和全局极值，并根据步骤S5中调整后的计算参数更新粒子的速度和位置。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于武汉大学，未经武汉大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910768302.6/，转载请声明来源钻瓜专利网。
