一种非离散空间多模态优化的群集智能算法制造技术

技术编号:21301000 阅读:24 留言:0更新日期:2019-06-12 08:17
本发明专利技术公开了一种非离散空间多模态优化的群集智能算法,包括重构选择概率函数及策略、建立蚁群分级策略、信息素更新策略、变换信息素挥发函数、添加局部变量增量线性递减函数、引入控制点信息熵评价方法和全局灾变策略。本发明专利技术算法具有使用方便、通用性强、鲁棒性强等特点,由于已内建解空间构造映射方法,实际应用中只需给定变量的取值范畴即可,无需构建离散变量空间和解空间。

A Cluster Intelligent Algorithm for Multimodal Optimization in Non-Discrete Space

The invention discloses a clustering intelligent algorithm for non-discrete space multi-mode optimization, which includes reconstructing selection probability function and strategy, establishing ant colony classification strategy, pheromone updating strategy, transforming pheromone volatilization function, adding local variable incremental linear decline function, introducing control point information entropy evaluation method and global catastrophe strategy. The algorithm of the invention has the characteristics of convenient use, strong versatility and strong robustness. Because the mapping method of built-in solution space is constructed, only the range of values of given variables is needed in practical application, and no discrete variable space and solution space need to be constructed.

【技术实现步骤摘要】
一种非离散空间多模态优化的群集智能算法
本专利技术涉及一种非离散空间多模态优化的群集智能算法。
技术介绍
群集智能理论及其算法是人工生命利用生物技术研究计算问题方向的创新性计算理论,自诞生以来发展十分迅速,众多学者进行了大量的理论研究,并提出了许多性能优异的改进算法。然而,由于其发展时间不长,仍然存在多个方面的缺陷,如蚁群算法只适合离散问题求解,优化中出现的早熟现象、多样性下降等,收敛性分析不够深入等。人工蚁群算法于20世纪90年代初依据自然界蚂蚁群体觅食机制而提出的一种仿生群集智能算法,算法最初被称为蚂蚁系统。自然社会中的蚂蚁群体具备在蚁巢与食物源之间探求最短或近似最短路径的能力,是自然界中存在的自组织行为的显著表现,也正是这种能力为解决NP-Hard问题TSP提供了灵感,大部分人工蚁群算法最早主要是用来求解TSP问题的。到上世纪90年代中期,这种算法逐渐引起了许多研究者的注意,并对该算法作了各种改进或将其应用于更为广泛的领域。后来,M.Dorigo等人将人工蚁群算法进一步发展成一种通用的优化技术――蚁群优化(ACO),并将所有符合ACO框架的蚂蚁算法统称为蚁群优化算法,从而为ACO的理论研究和算法设计提供了一个统一的框架。蚁群算法是群集智能算法中最重要的一个研究分支和热点。国际上具有代表性的蚁群算法有:ASe、ANT-Q、ACS、MMAS、ASrank、BWAS以及AdaptiveAS等。然而,这些算法主要应用于离散问题的优化,用于非离散空间问题优化的蚁群算法研究较少。如何将传统的蚁群算法优化领域从组合优化等离散问题扩展到非线性、多维连续函数问题并充分利用和发挥其已有优化性能的优越性已成为群集智能蚁群算法的发展方向。鉴于非离散空间连续优化问题广泛存在于各专业研究领域,将蚁群算法强大的优化能力向非离散问题上的扩展应用成为必然。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷,提供一种非离散空间多模态优化的群集智能算法,本专利技术算法具有使用方便、通用性强、鲁棒性强等特点,由于已内建解空间构造映射方法,实际应用中只需给定变量的取值范畴即可,无需构建离散变量空间和解空间。为解决上述技术问题,本专利技术提供一种非离散空间多模态优化的群集智能算法,其特征是,包括重构选择概率函数及策略、建立蚁群分级策略、信息素更新策略、变换信息素挥发函数、添加局部变量增量线性递减函数、引入控制点信息熵评价方法和全局灾变策略。进一步地,所述选择概率函数及策略的重构方法为:若将循环次数记为t,初始时刻以τ0初始化各控制点的信息素浓度,依等概率选择n组初始解赋予n只用于全局搜索的蚂蚁,控制点处的选择概率按下式定义其中(i=1,2,…,Pj)为解空间第j维上第i控制点对同一维上其他控制点的吸引强度,a为启发式因子;蚂蚁下一步的选择策略为其中q0,q1是取自均匀分布[0,1]的随机数。进一步地,所述蚁群分级策略的建立方法为:在每次循环迭代结束后,将n只蚂蚁按所适应值由小到大顺序排序(f1(X)≤f2(X)≤,…,≤fn(X)),选择前k只蚂蚁按某一权重函数更新m维对应控制点处的信息素浓度,使得信息素浓度更新与其适应值成反比,权重函数定义为其中ω0为预先设置的固定常数,同时,还需要计算目前为止n蚂蚁中具有全局最优解的最优蚂蚁gbant所包含控制点处的信息素更新权重。进一步地,所述信息素更新策略的方法为:n只蚂蚁不包含前k只蚂蚁和最优蚂蚁解对应的信息素更新公式为k只蚂蚁以及最优蚂蚁解包含的控制点处信息素更新公式为未被蚂蚁访问过的控制点处信息素更新公式为其中为蚂蚁z自开始至目前获得的最优适应值,fz(t)为蚂蚁z在t次循环中的适应值,Q为常量。进一步地,所述信息素挥发函数的变换方法为:对ρ值采取自适应控制策略,即ρ的初始值取大,随着循环次数的不断增加,逐步减小ρ值,信息素的更新规则改为其中,a=1。进一步地,所述局部变量增量线性递减函数的添加方法为:每次迭代循环结束后,以本次循环中的最优蚂蚁在m维空间访问过的控制点为中心,以为半径,以上述全局搜索策略初始r只用于局部搜索的蚂蚁;并采用类似全局搜索的策略指导蚂蚁做局部搜索;在局部搜索时为了蚂蚁不受△x的限制,能以更高的精度接近最优解,采用了线性递减策略,其中为预先设置的固定常量;此外,当全局最优蚂蚁的解在连续几次循环中没有更新,则按上述步骤在其解附近进行局部优化。进一步地,所述控制点信息熵评价函数定义为κ是一个取决于度量单位的正常数,Ej(t)即为第t次循环j维变量上个控制点的信息熵,S(t)为m维变量的信息熵,为控制点处的选择概率。进一步地,所述全局灾变策略的方法为:当信息熵θj(t)≤ε或者φ(t)≤δ时,具有较大信息素浓度的控制点处显著减少其浓度值,并检查各点处τ(t)值,对L个具有最小τ(t)的控制点重新赋值τ0。本专利技术所达到的有益效果:1.具备优化问题普遍性,可用于带约束非离散空间函数优化;2.不仅可用于中小规模的组合优化离散问题求解,还可用于多维多模态连续复杂函数的优化;3.避免早熟现象,具有较强的鲁棒性;4.具备逃逸局部最优的能力;5.信息熵评价方法和灾变策略效率高。具体实施方式下面对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案,而不能以此来限制本专利技术的保护范围。本专利技术提供一种非离散空间多模态优化的群集智能算法,包括重构选择概率函数及策略、建立蚁群分级策略、信息素更新策略、变换信息素挥发函数、添加局部变量增量线性递减函数、引入控制点信息熵评价方法和全局灾变策略。(1)解空间构造方法以最小化问题(S,f,Ω)为例,S为问题的解集,f是问题的目标函数,每一个可行解s∈S对应的函数值为f(s,t),Ω为问题的约束条件集。那么,目标就是求解满足所有约束条件Ω的全局最小解sopt∈S:给定一组有限元素的集合设并定义可能的连接(转移)有限集对每一个连接定义连接费用函数其中t为时间参数;定义集合C和集合L中元素的约束条件构成的有限集Ω=Ω(C,L,t);问题的状态定义为集合C中的序列s=〈ci,cj,…,ck,…〉。设S为所有可能的序列组成的集合,为所有满足约束条件Ω(C,L,t)的序列集合,且则集合定义了问题的所有可行状态。序列s的长度(即序列s中元素的个数)表示为|s|;邻域结构定义如下:状态s2被认为是状态s1的邻域,如果1)s1,s2∈S,2)经过一个逻辑步长,可以从状态s1到达状态s2。即如果c1为序列s1的最后一个元素,则一定存在c2∈C,使得s2≡<s1,c2>;解ψ是满足问题所有条件的集合中的一个元素。多维解是指集合C上元素的多个独立的序列集;每一个解ψ与一个费用函数Jψ(L,t)相关,Jψ(L,t)是解ψ中所有连接的费用的函数。通过上述对AS用于求解离散问题的描述可以指导我们设计基于离散空间用于求解连续函数的CAS模型。以最小化问题为例其中f(x):Rs→R为已知的多维函数,xj,j=1,2,…m为已知的m维解空间,Lj,Uj分别为变量xj在第j维上的取值下界和取值上界。设有n只蚂蚁用于全局优化,r只蚂蚁用于局部优化。待优化问题(公式1)变量表达为X=[X1X2…Xm-1Xm]T(公式2)若设变量增量为△Xj=[△xj,△xj,…△本文档来自技高网
...

【技术保护点】
1.一种非离散空间多模态优化的群集智能算法,其特征是,包括重构选择概率函数及策略、建立蚁群分级策略、信息素更新策略、变换信息素挥发函数、添加局部变量增量线性递减函数、引入控制点信息熵评价方法和全局灾变策略。

【技术特征摘要】
1.一种非离散空间多模态优化的群集智能算法,其特征是,包括重构选择概率函数及策略、建立蚁群分级策略、信息素更新策略、变换信息素挥发函数、添加局部变量增量线性递减函数、引入控制点信息熵评价方法和全局灾变策略。2.根据权利要求1所述的一种非离散空间多模态优化的群集智能算法,其特征是,所述选择概率函数及策略的重构方法为:若将循环次数记为t,初始时刻以τ0初始化各控制点的信息素浓度,依等概率选择n组初始解赋予n只用于全局搜索的蚂蚁,控制点处的选择概率按下式定义其中为解空间第j维上第i控制点对同一维上其他控制点的吸引强度,a为启发式因子;蚂蚁下一步的选择策略为其中q0,q1是取自均匀分布[0,1]的随机数。3.根据权利要求1所述的一种非离散空间多模态优化的群集智能算法,其特征是,所述蚁群分级策略的建立方法为:在每次循环迭代结束后,将n只蚂蚁按所适应值由小到大顺序排序(f1(X)≤f2(X)≤,…,≤fn(X)),选择前k只蚂蚁按某一权重函数更新m维对应控制点处的信息素浓度,使得信息素浓度更新与其适应值成反比,权重函数定义为其中ω0为预先设置的固定常数,同时,还需要计算目前为止n蚂蚁中具有全局最优解的最优蚂蚁gbant所包含控制点处的信息素更新权重。4.根据权利要求1所述的一种非离散空间多模态优化的群集智能算法,其特征是,所述信息素更新策略的方法为:n只蚂蚁不包含前k只蚂蚁和最优蚂蚁解对应的信息素更新公式为k只蚂蚁以及最优蚂蚁解包含的控制点处信息素更新公式为未被蚂蚁访问过的控制点处信息素更...

【专利技术属性】
技术研发人员:马军建
申请(专利权)人:国电南瑞科技股份有限公司南瑞集团有限公司
类型:发明
国别省市:江苏,32

网友询问留言 已有0条评论
  • 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。

1