【技术实现步骤摘要】
一种混合模拟退火和粒子群的最优化算法
本专利技术涉及最优化算法
,尤其涉及一种混合模拟退火和粒子群的最优化算法。
技术介绍
近几年来,现实最优化问题越来越向着高维度、强非线性、非凸的方向的发展,面对越来越复杂的优化问题,传统计算方法的局限性愈加凸显,催生了智能算法特别是启发式算法的快速发展。启发式算法常用来解决难以获得准确数值解的优化问题,其在处理复杂优化问题时虽然不一定能够保证获得精确解,但常常能在合理时间内得到可接受精度的解。启发式算法的关键在于综合求解时间和解的质量,常见的启发式算法有模拟退火算法(SA)、遗传算法(GA)、蚁群算法(ACA)等。众多的启发式算法常常难以兼顾搜索效率和搜索质量,容易过早或过晚收敛,从而陷入局部最优点或影响求解速度。为了克服以上缺点,各领域的研究人员相继提出了各种改良措施。例如,专利CN201410166021.0公开了一种基于优胜劣汰、步步选择的粒子群优化方法,专利CN201310269649.9公开了一种自适应的直接搜索模拟退火算法。这些技术方案对粒子群算法和模拟退火算法进行了一定程度的改进,但没有考虑算法在不同阶段的不同需求,改进程度有限。因此,本领域的技术人员致力于开发一种混合模拟退火和粒子群的最优化算法,以兼顾全局搜索和局部精确搜索两方面的问题,实现在较短时间内针对线性和非线性最优化问题进行求解,使优化过程更加快速,结果更加准确。
技术实现思路
有鉴于现有技术的上述缺陷,本专利技术所要解决的技术问题是如何兼顾全局搜索和局部精确搜索,如何克服在求解非线性优化过程中的早熟和陷入局部最优点。为实现上述目的,本专利技 ...
【技术保护点】
1.一种混合模拟退火和粒子群的最优化算法,其特征在于,包括以下步骤:步骤1、利用模拟退火算法进行M次迭代寻优,实施M次模拟退火过程,得到M个解;步骤2、针对从所述步骤1中获得的所述M个解,实施精英粒子挑选策略,从所述M个解中选出N个精英粒子,将N个所述精英粒子的位置作为下一阶段算法的初始解;步骤3、以N个所述精英粒子作为初始粒子,通过粒子群算法进行精确搜索;步骤4、判断所述步骤3中的所述粒子群算法是否收敛,是否符合迭代终止条件,若符合所述迭代终止条件,迭代结束,并输出全局最优粒子的相关参数。
【技术特征摘要】
1.一种混合模拟退火和粒子群的最优化算法,其特征在于,包括以下步骤:步骤1、利用模拟退火算法进行M次迭代寻优,实施M次模拟退火过程,得到M个解;步骤2、针对从所述步骤1中获得的所述M个解,实施精英粒子挑选策略,从所述M个解中选出N个精英粒子,将N个所述精英粒子的位置作为下一阶段算法的初始解;步骤3、以N个所述精英粒子作为初始粒子,通过粒子群算法进行精确搜索;步骤4、判断所述步骤3中的所述粒子群算法是否收敛,是否符合迭代终止条件,若符合所述迭代终止条件,迭代结束,并输出全局最优粒子的相关参数。2.如权利要求1所述的混合模拟退火和粒子群的最优化算法,其特征在于,所述步骤1中所采用的所述模拟退火算法的粒子更新方式为:在每次循环过程中在原来的解的基础上产生扰动Δx,计算得到新点x'=x+Δx,计算所述新点的函数值并同上一步进行比较,计算差值Δf=f(x'-x),如果所述差值小于零则接受所述新点作为新解,并作为下次循环的初始点,如果所述差值大于零,则计算概率P(Δf);生成一个0~1的随机数,若所述随机数小于所述概率P(Δf),则接受新解,否则放弃。3.如权利要求2所述的混合模拟退火和粒子群的最优化算法,其特征在于,所述概率P(Δf)根据Boltzmann–Gibbs来确定,具体计算公式为:其中,T为每次循环的温度,K是Boltzmann常数,f是目标函数。4.如权利要求2所述的混合模拟退火和粒子群的最优化算法,其特征在于,所述步骤1中的所述模拟退火算法的整个模拟退火过程就是一个温度下降过程,在所述温度下降过程中,温度从最高温Tmax不断下降达到最低温度Tmin,所...
【专利技术属性】
技术研发人员:周登极,张会生,马世喜,韦婷婷,肖旺,关睿,徐明,沈登海,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。