基于合作度的异种群并行粒子群算法及MapReduce模型的实现方法技术

本发明专利技术涉及一种基于合作度的异种群并行粒子群算法及MapReduce模型的实现方法，属于进化技术领域。在本发明专利技术中，首先，安排同等规模的不同类型群体并行搜索全局最优解，保持各个种群的独立性和优越性；其次，通过并行计算种群粒子间的相关度，筛除相关度低的粒子，同时引入扩张变异、扰动操作和种群融合的方法；最后，根据异种群并行粒子群算法的特点，给出了MapReduce编程模型的实现方法。本发明专利技术充分利用了MapReduce的高度并行性，结合异种群并行粒子群增强了群体的多样性，从而提高了寻找最优解。

【技术实现步骤摘要】

本专利技术属于进化
，涉及一种。
技术介绍
粒子群优化算法（ParticleSwarmOptimizer,PS0)是由Kennedy和Eberhart在 研究鸟群觅食行为规律的基础上提出的，是一种新的机遇群体智能的优化算法，通过群体 中粒子间的合作与竞争产生的群体智能指导优化搜索。与一般进化算法相比，粒子群优化 算法是一种更高效的并行搜索算法。由于其实现简单、控制参数较少等特点而受到众多研 究者关注。虽然粒子群算法有很多优点，但该算法也存在"早熟"收敛，进化后期收敛速度较 慢或不易收敛等缺点，对于复杂的优化问题很难搜索到全局最优解。尤其是当这种算法在 解空间内搜索时，有时会出现在全局最优解附近振荡的现象。具体表现在：首先，由于整个 粒子群都是根据全体粒子和自身的搜索经验向着最优解的方向"飞行"，在较大的加速项系 数作用下，粒子群有可能错过最优解，在远离最优解的空间里发散，使算法不能收敛；其次， 在算法收敛的情况下，由于所有粒子都向最优解的方向游动，所以所有粒子趋向同一，在很 大程度上失去了粒子间的多样性，使得后期的收敛速度明显变慢，同时算法收敛到一定精 度使，算法本文档来自技高网...

【技术保护点】
一种基于合作度的异种群并行粒子群算法，其特征在于，包括以下步骤：步骤一、对异种群进行初始化，包括种群数量N，粒子的位置、速度和适应值；步骤二、计算个体适应值，相关度和扩张变异；步骤三、根据适应值排序，选取适应值最高的N’个种群，降序排列到种群1到N’之间；步骤四：判断收敛条件；步骤五：完成异种群的融合过程；步骤六：利用合作度速度更新公式，融合种群继续迭代直到达到结束。

【技术特征摘要】

【专利技术属性】
技术研发人员：陶洋，臧文轩，赫前进，颉小凤，邓行，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85