一种网格编织优化方法及装置制造方法及图纸

本发明专利技术公开了一种网格编织优化方法及装置，通过上下编织的方式使得两个随机的粒子相互学习，增加种群多样性，从而有利于粒子群搜索全局最优值。一旦粒子某维陷入停滞不前的情况，其可以在左右编织操作下摆脱局部最优，并且会通过左右编织行为迅速传播至整个种群，而更新后的维也会使其余陷入局部最优的维有更多机会通过左右编织行为跳出局部最优，两种编织方式的结果会呈链式反应在整个种群中蔓延，解决了现有PSO算法存在着在处理复杂的多峰搜索问题中容易产生早熟收敛以及局部寻优能力差的技术问题。

【技术实现步骤摘要】
一种网格编织优化方法及装置
本专利技术涉及信息处理领域，尤其涉及一种网格编织优化方法及装置。
技术介绍
粒子群优化算法是近年来由J.Kennedy和R.C.Eberhart等开发的一种新的进化算法。PSO算法(粒子群优化算法)属于进化算法的一种，它是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，一群鸟在随机搜索食物，在这个区域里只有一块食物，所有的鸟都不知道食物在那里，但是他们知道当前的位置离食物还有多远，最简单有效的就是搜寻目前离食物最近的鸟的周围区域，PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次叠代中，粒子通过跟踪两个"极值"来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。粒子群算法属于进化算法的一种，是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但是PSO算法存在着在处理复杂的多峰搜索问题中容易产生早熟收敛以及局部寻优能力差的技术问题。
技术实现思路
本专利技术提供了一种网格编织优化方法及装置，用于解决现有PSO算法存在着在处理复杂的多峰搜索问题中容易产生早熟收敛以及局部寻优能力差的技术问题。本专利技术提供的一种网格编织优化方法，包括：确定待优化参数的上限和下限、所述待优化参数的数量、上下编制行为发生概率和左右编织行为发生概率；确定与所述待优化参数对应的种群规模为m，解空间为d维，通过初始化公式在目标函数的定义域范围内生成m个粒子，其中，解空间的上限和下限分别是field1＝[a1,a2,a3,…ad]和field2＝[A1,A2,A3,…Ad]；确定所述待优化参数为父代粒子，并计算以所述父代粒子的第一适应度值；通过第一预设公式在所述种群中任意两个相同维数的父代粒子进行上下网格编织，生成对应的子代粒子；计算各子代粒子的第二适应度值，并分别与对应的父代粒子的第一适应度值进行比较，若子代粒子优胜，则将所述子代粒子取代父代粒子，否则，剔除所述子代粒子；通过第二预设公式在所述种群中任意两个子代粒子的相邻维度进行交叉网格编织运算。优选地，第i个粒子的第j维的所述初始化公式具体为：xij＝aj+rand(1)×(Aj-aj)；式中，j表示维数，j为大于0且小于d的整数，rand(1)表示[0,1]的随机数，xij表示粒子i的第j维的值。优选地所述第一预设公式为：MShc(i,d)＝r1×X(i,d)+(1-r1)×X(j,d)；MShc(j,d)＝r2×X(j,d)+(1-r2)×X(i,d)；i,j∈N(1,M)；d∈N(1,D)；式中，r1和r2是[0,1]之间的随机数；M表示粒子规模；D表示变量维数；X(i,d)和X(j,d)表示父代粒子X(i)和X(j)的第d维；MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)通过上下网格编织产生的第d维子代。优选地，所述第二预设公式为：MSvc(n,i)＝r×X(n,i)+(1-r)×X(m,i+1)；i∈N(1,M-1)；d1,d2∈N(1,D)；r∈[0,1]。本专利技术提供的一种网格编织优化装置，包括：第一确定模块，用于确定待优化参数的上限和下限、所述待优化参数的数量、上下编制行为发生概率和左右编织行为发生概率；第二确定模块，用于确定与所述待优化参数对应的种群规模为m，解空间为d维，通过初始化公式在目标函数的定义域范围内生成m个粒子，其中，解空间的上限和下限分别是field1＝[a1,a2,a3,…ad]和field2＝[A1,A2,A3,…Ad]；第三确定模块，用于确定所述待优化参数为父代粒子，并计算以所述父代粒子的第一适应度值；第一编织模块，用于通过第一预设公式在所述种群中任意两个相同维数的父代粒子进行上下网格编织，生成对应的子代粒子；第一计算模块，用于计算各子代粒子的第二适应度值，并分别与对应的父代粒子的第一适应度值进行比较，若子代粒子优胜，则将所述子代粒子取代父代粒子，否则，剔除所述子代粒子；第二编织模块，用于通过第二预设公式在所述种群中任意两个子代粒子的相邻维度进行交叉网格编织运算。优选地，所述第二确定模块具体用于：确定与所述待优化参数对应的种群规模为m，解空间为d维，通过初始化公式在目标函数的定义域范围内生成m个粒子，其中，解空间的上限和下限分别是field1＝[a1,a2,a3,…ad]和field2＝[A1,A2,A3,…Ad]，其中，第i个粒子的第j维的所述初始化公式具体为：xij＝aj+rand(1)×(Aj-aj)；式中，j表示维数，j为大于0且小于d的整数，rand(1)表示[0,1]的随机数，xij表示粒子i的第j维的值。优选地，所述第一编织模块具体用于：通过第一预设公式在所述种群中任意两个相同维数的父代粒子进行上下网格编织，生成对应的子代粒子，其中，所述第一预设公式为：MShc(i,d)＝r1×X(i,d)+(1-r1)×X(j,d)；MShc(j,d)＝r2×X(j,d)+(1-r2)×X(i,d)；i,j∈N(1,M)；d∈N(1,D)；式中，r1和r2是[0,1]之间的随机数；M表示粒子规模；D表示变量维数；X(i,d)和X(j,d)表示父代粒子X(i)和X(j)的第d维；MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)通过上下网格编织产生的第d维子代。优选地，所述第二编织模块具体用于：通过第二预设公式在所述种群中任意两个子代粒子的相邻维度进行交叉网格编织运算，其中，所述第二预设公式为：MSvc(n,i)＝r×X(n,i)+(1-r)×X(m,i+1)；i∈N(1,M-1)；d1,d2∈N(1,D)；r∈[0,1]。从以上技术方案可以看出，本专利技术具有以下优点：本专利技术提供的一种网格编织优化方法，包括：确定待优化参数的上限和下限、所述待优化参数的数量、上下编制行为发生概率和左右编织行为发生概率；确定与所述待优化参数对应的种群规模为m，解空间为d维，通过初始化公式在目标函数的定义域范围内生成m个粒子，其中，解空间的上限和下限分别是field1＝[a1,a2,a3,…ad]和field2＝[A1,A2,A3,…Ad]；确定所述待优化参数为父代粒子，并计算以所述父代粒子的第一适应度值；通过第一预设公式在所述种群中任意两个相同维数的父代粒子进行上下网格编织，生成对应的子代粒子；计算各子代粒子的第二适应度值，并分别与对应的父代粒子的第一适应度值进行比较，若子代粒子优胜，则将所述子代粒子取代父代粒子，否则，剔除所述子代粒子；通过第二预设公式在所述种群中任意两个子代粒子的相邻维度进行交叉网格编织运算。本专利技术中，首先通过上下编织的方式使得两个随机的粒子相互学习，增加种群多样性，从而有利于粒子群搜索全局最优值。一旦粒子某维陷入停滞不前的情况，其可以在左右编织操作下摆脱局部最优，并且会通过左右编织行为迅速传播至整个种群，而更新后的维也会使其余陷入局部最优的维有更多机会通过左右编织行为跳出局部最优，两种编织方式的结果会呈链式反应在整个种群中蔓延，解决了现有PSO算法存在着在处理复杂的多峰搜索问题中容易产生早熟收敛以及局部寻优能力差的技术问题。附图说明为了本文档来自技高网...

【技术保护点】
1.一种网格编织优化方法，其特点在于，包括：确定待优化参数的上限和下限、所述待优化参数的数量、上下编制行为发生概率和左右编织行为发生概率；确定与所述待优化参数对应的种群规模为m，解空间为d维，通过初始化公式在目标函数的定义域范围内生成m个粒子，其中，解空间的上限和下限分别是field1＝[a1,a2,a3,…ad]和field2＝[A1,A2,A3,…Ad]；确定所述待优化参数为父代粒子，并计算以所述父代粒子的第一适应度值；通过第一预设公式在所述种群中任意两个相同维数的父代粒子进行上下网格编织，生成对应的子代粒子；计算各子代粒子的第二适应度值，并分别与对应的父代粒子的第一适应度值进行比较，若子代粒子优胜，则将所述子代粒子取代父代粒子，否则，剔除所述子代粒子；通过第二预设公式在所述种群中任意两个子代粒子的相邻维度进行交叉网格编织运算。

【技术特征摘要】
1.一种网格编织优化方法，其特点在于，包括：确定待优化参数的上限和下限、所述待优化参数的数量、上下编制行为发生概率和左右编织行为发生概率；确定与所述待优化参数对应的种群规模为m，解空间为d维，通过初始化公式在目标函数的定义域范围内生成m个粒子，其中，解空间的上限和下限分别是field1＝[a1,a2,a3,…ad]和field2＝[A1,A2,A3,…Ad]；确定所述待优化参数为父代粒子，并计算以所述父代粒子的第一适应度值；通过第一预设公式在所述种群中任意两个相同维数的父代粒子进行上下网格编织，生成对应的子代粒子；计算各子代粒子的第二适应度值，并分别与对应的父代粒子的第一适应度值进行比较，若子代粒子优胜，则将所述子代粒子取代父代粒子，否则，剔除所述子代粒子；通过第二预设公式在所述种群中任意两个子代粒子的相邻维度进行交叉网格编织运算。2.根据权利要求1所述的网格编织优化方法，其特征在于，第i个粒子的第j维的所述初始化公式具体为：xij＝aj+rand(1)×(Aj-aj)；式中，j表示维数，j为大于0且小于d的整数，rand(1)表示[0,1]的随机数，xij表示粒子i的第j维的值。3.根据权利要求2所述的网格编织优化方法，其特征在于，所述第一预设公式为：MShc(i,d)＝r1×X(i,d)+(1-r1)×X(j,d)；MShc(j,d)＝r2×X(j,d)+(1-r2)×X(i,d)；i,j∈N(1,M)；d∈N(1,D)；式中，r1和r2是[0,1]之间的随机数；M表示粒子规模；D表示变量维数；X(i,d)和X(j,d)表示父代粒子X(i)和X(j)的第d维；MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)通过上下网格编织产生的第d维子代。4.根据权利要求3所述的网格编织优化方法，其特征在于，所述第二预设公式为：MSvc(n,i)＝r×X(n,i)+(1-r)×X(m,i+1)；i∈N(1,M-1)；d1,d2∈N(1,D)；r∈[0,1]。5.一种网格编织优化装置，其特点在于，包括：第一确定模块，用于确定待优化参数的上限和下限、所述待优化参数的数量、上下编制行为发生概率和左右编织行为发生概率；第二确定模块，用于确定与所述待优化参数对应的种群规模为m，解空间为d维，通过初始化公式在目标函数的定义域范围内生成m个粒子，其中，解空间的上限...

【专利技术属性】
技术研发人员：张淼，刘日升，郝雪冬，庞卓标，唐雄民，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44