一种改进DE-GWO算法的实现方法技术

本发明专利技术公开一种改进DE‑GWO算法的实现方法，引入差分进化策略与GWO算法构成DE‑GWO算法，利用差分进化的变异、交叉和选择三种操作对灰狼个体的位置和目标函数进行迭代更新；引入一种非线性函数收敛因子策略，改进DE‑GWO算法的寻优性能，得到全局最优解。为提高GWO算法的性能，本发明专利技术将DE和GWO算法混合使用；同时，改进了收敛因子非线性函数递减方式，增加了全局最优解的搜索能力，有效避免了早熟停滞以及陷入局部最优的缺陷。

【技术实现步骤摘要】
一种改进DE-GWO算法的实现方法
本专利技术涉及一种基于新的收敛因子非线性函数方式改进差分进化(differentialevolution,DE)灰狼优化(graywolfoptimization,GWO)算法。
技术介绍
Mirjalili于2014年提出的新型仿生智能GWO算法被广泛应用于神经网络的寻优领域，但在单独求解优化问题时也容易出现早熟、稳定性差以及易陷入局部最优等的缺点。
技术实现思路
为解决上述缺陷，本专利技术提供一种改进DE-GWO算法的实现方法。为实现上述目的，本专利技术采用下述技术方案：一种改进DE-GWO算法的实现方法，它包括以下步骤：步骤1，引入差分进化策略与GWO算法构成DE-GWO算法，利用差分进化的变异、交叉和选择三种操作对灰狼个体的位置和目标函数进行迭代更新；步骤2，引入一种非线性函数收敛因子策略，改进DE-GWO算法的寻优性能，得到全局最优解。进一步地，步骤1中差分进化策略的实现步骤如下：步骤11，产生变异种群对所有灰狼个体重新排序，在其中随机选择三个不同个体进行变异操作；步骤12，产生子代种群交叉操作初始化一个新的个体，产生一个[0,1]上均匀分布伪随机数，即选取待交换的维度编号，遍历每个维度；如果当前维度是待换维度或随机概率小于设定的[0,1]之间的交叉概率，新个体当前维度值等于中间体对应维度值，否则等于当前个体维度值；交叉后更新个体位置及目标函数值；步骤13，选择更新父代种群如果子代个体优于父代个体，则更新父代个体的最优值。有益效果：为提高GWO算法的性能，本专利技术将DE和GWO算法混合使用；同时，改进了收敛因子非线性函数递减方式，增加了全局最优解的搜索能力，有效避免了早熟停滞以及陷入局部最优的缺陷。附图说明图1是本专利技术的实施例1和实施例2的车载超级电容器SOC预测和车载电池SOC预测的LS-SVM模型结构图；图2是本专利技术的实施例3的微电网短期负荷预测的LS-SVM模型结构图；图3是本专利技术的改进DE-GWO算法的实现流程图。具体实施方式下面结合附图和实施例对本专利技术进一步说明。实施例1超级电容器是介于传统物理电解电容器和电池之间的一种新型储能装置，具有功率密度高、循环寿命长、使用温度范围宽及绿色环保等优点，被广泛用于新能源汽车领域。因此，精确预测新能源汽车超级电容器荷电状态(stateofcharge,SOC)是车载能量管理系统的核心功能之一。最小二乘支持向量机(leastsquaressupportsectorsachines,LS-SVM)算法利用等式约束将求解二次规划问题转化为求解线性方法，提高了预测速度和精度，误差较小，非常适合对车载超级电容器SOC的预测。但是，LS-SVM算法的正则化参数γ和核函数参数σ的选择对LS-SVM性能的影响在理论上很难找到必然的对应关系，实际应用时参数的调节没有一个准确可行的方法，需要在不同的应用场合对正则化参数γ和核函数参数σ进行优化选择。本实施例提出一种基于改进DE-GWO算法优化LS-SVM的车载超级电容器SOC预测方法。图1中xi为支持向量，K(xi,x)为核函数，核函数的选取对LS-SVM的回归能力有直接的影响，本实施例选取的径向基核函数如下：K(xi,x)＝exp(-||x-xi||2/σ2)(1)其中，σ为核函数参数。建立LS-SVM模型解决SOC预测问题，即利用LS-SVM解决回归问题，也即LS-SVM用一个超平面对超级电容器数据样本进行拟合。超级电容器数据样本{(xi,yi)}中xi为直接测取到的超级电容器电压、电流及温度组成的三维输入向量，yi为实测SOC(通过计算超级电容器放电到截止电压时所释放的总电量，然后用此总电量作为基准计算得到的)，属于一维输出向量。优化问题描述如下：其中，γ为正则化参数，为非线性映射，ei为预测误差，w为权矢量，b为偏置量。将上述约束优化问题变为无约束对偶空间优化问题，采用如下Largrange乘数法：其中，αi为Lagrange乘子，分别对w，b，ei，αi求导为零：根据上式四个条件可以列出如下关于α和b的线性方程组：其中，Q为有核矩阵：求解上述方程组得到如下LS-SVM回归函数：由上述分析结合公式(1)可知，回归型LS-SVM的泛化能力和精度主要取决于参数γ、σ选取。GWO算法的寻优过程：在设定的D维搜索空间中，由N只个体灰狼X＝[x1,xx,...,xN]组成狩猎种群，其中，第i只灰狼的位置为根据每只灰狼的当前位置，计算其目标函数值，选出目标函数值最优的为α狼，第二和第三的分别为β和δ狼，群内剩余个体为ω狼。狩猎行为过程由α、β和δ狼负责引导，ω狼追随其进行包围狩猎。如图3所示，GWO算法的具体实施步骤如下：(1)初始化种群规模N，最大迭代次数tmax，搜索维数D，搜索范围[lb,ub]。(2)根据如下公式(7)在搜索范围空间内随机生成N只灰狼个体位置。(3)依据每只灰狼个体当前位置，计算目标函数值并排序，依据数值大小从中选出α、β和δ狼，设定α狼的目标函数值为当前最优值。(4)更新当前代收敛因子a，随着迭代次数增加，a从2线性递减到0。(5)根据如下公式(8)分别更新α、β和δ狼的位置，向猎物方向靠近，对猎物实施包围行为。X(t+1)＝XP(t)-A|CXP(t)-X(t)|(8)其中，XP(t)表示第t代时猎物的位置，X(t)表示第t代时灰狼的个体位置，A|CXP(t)-X(t)|为包围步长，A为收敛因子，C为常数摇摆因子，其定义如下：C＝2r1(9)A＝2ar2-a(10)其中，r1和r2为[0,1]区间的随机数。(6)α、β和δ狼的当前位置为到目前为止能获得的排名前三最优解，根据下式(11)即可判断更新猎物所在方位。XP(t+1)＝(Xα+Xβ+Xδ)/3(11)(7)跳至步骤(3)，直到计算达到最大迭代次数tmax。(8)输出α狼的位置，即为寻优得到的全局最优解。GWO算法在寻优到后期阶段，部分人工狼容易在局部极值附近聚集，因差异性减小导致寻优进展缓慢，甚至难跳出局部最优。因此，引入差分进化策略构成DE-GWO算法，利用差分进化的变异、交叉和选择三种操作对灰狼个体的位置和目标函数进行迭代更新，维持种群的多样性，使GWO算法跳出局部最优，提高寻优精度。如图3所示，差分进化策略实现步骤如下：(1)产生变异种群：对所有灰狼个体重新排序，在其中随机选择除当前个体外的xp1，xp2，xp3三个不同个体，利用如下公式(12)进行变异操作。hij(g)＝xp1+F(xp2-xp3)(12)其中，F为[0,1]之间的缩放比例因子。(2)产生子代种群交叉操作：初始化一个新的个体，产生一个[0,1]上均匀分布伪随机数，即选取待交换的维度编号，遍历每个维度；如果当前维度是待换维度或随机概率小于设定的[0,1]之间的交叉概率CR，新个体当前维度值等于中间体对应维度值，否则等于当前个体维度值；交叉后更新个体位置及目标函数值。(3)选择更新父代种群：如果子代个体优于父代个体，则更新父代个体的最优值。在GWO搜索行为中串行结构方式引入上述三个步骤，这种结构方式可以使产生的子代种群至少不比当前代个体差，从而使种群的整体性能提高，有助于跳出局部最优。当公式(10)的参数|A|>1时，本文档来自技高网...

【技术保护点】
1.一种改进DE‑GWO算法的实现方法，其特征在于，它包括以下步骤：步骤1，引入差分进化策略与GWO算法构成DE‑GWO算法，利用差分进化的变异、交叉和选择三种操作对灰狼个体的位置和目标函数进行迭代更新；步骤2，引入一种非线性函数收敛因子策略，改进DE‑GWO算法的寻优性能，得到全局最优解。

【技术特征摘要】
1.一种改进DE-GWO算法的实现方法，其特征在于，它包括以下步骤：步骤1，引入差分进化策略与GWO算法构成DE-GWO算法，利用差分进化的变异、交叉和选择三种操作对灰狼个体的位置和目标函数进行迭代更新；步骤2，引入一种非线性函数收敛因子策略，改进DE-GWO算法的寻优性能，得到全局最优解。2.根据权利要求1所述的改进DE-GWO算法的实现方法，其特征在于，所述步骤1中差分进化策略的实现步骤如下：步骤11，产生变异种群对...

【专利技术属性】
技术研发人员：王琪，韩晓新，沃松林，罗印升，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏,32