一种基于群体阶段性样本训练的k-近邻预测全局优化方法，在差分进化算法为框架，基于k-近邻预测方法，通过k-近邻预测值来代替新个体的实际目标函数值，从而减少函数评价次数；在进化过程中，根据种群中个体的拥挤度，即各个体之间的平均距离将算法分为两个阶段，从而分阶段进行样本训练，第一阶段，根据平均距离判断何时终止对所有个体进行样本训练，避免前期样本训练代数设置不恰当而影响算法性能；第二阶段，当样本训练达到一定数量后，根据k-近邻预测值与实际目标函数值之间的误差保存样本个体，避免样本个体过多而导致空间复杂度较高。本发明专利技术不需要进行样本训练代数设置，且空间复杂度较小。
【技术实现步骤摘要】
【技术保护点】
一种基于群体阶段性样本训练的k‑近邻预测全局优化方法，其特征在于：所述优化方法包括以下步骤：1)初始化：设置种群规模NP，交叉概率CR，增益常数F，置进化代数g，连续进化代数T，预测误差值θ，个体重新评价数量η和η*，其中η*>η；2)随机生成初始种群P＝{x1,g,x2,g,...,xNp,g}，并计算出各个体的目标函数值，其中，进化代数g＝0，xi,g,i＝1,2,…,Np表示第g代种群中的第i个个体；；3)根据公式(1)计算出初始种群中各个体之间的平均距离dinitial；dinitial=(Σi=1NpΣk=i+1NPΣj=1N(xji,g-xjk,g)2)/(Np(Np-1)/2)---(1)]]>其中，表示第g代种群中第i个个体xi,g的第j维元素，表示第g代种群中第k个个体xk,g的第j维元素，N为问题维数，NP为种群规模；4)对种群中的每个个体根据式(2)进行变异：vji,g=xja,g+F·(xjb,g-xjc,g)---(2)]]>其中，j＝1,2,…,N，N为问题维数，g为进化代数，为第g代种群中第i个目标个体的变异个体的第j维元素，分别为第g代种群中第a、b、c个个体的第j维元素，a,b,c∈{1,2,...,Np}，a≠b≠c≠i，i为当前目标个体的索引；5)根据公式(3)对每个变异个体进行交叉生成新个体triali,g：trialji,g=vji,gif(randb(0,1)≤CRorj=rnbr(j)xji,gotherwise---(3)]]>其中，j＝1,2,…,N，表示第g代种群中第i个目标个体对应的新个体triali,g的第j维元素，表示第g代种群中第i个个体xi,g的第j维元素，randb(0,1)表示为随机产生0到1之间的小数，rnbr(j)表示随机产生1到N之间的整数，CR表示交叉概率；6)根据公式(1)计算出当前种群中各个体之间的平均距离dave；7)根据如下操作进行样本训练：7.1)如果则对所有新个体进行目标函数评价，即计算新个体的目标函数值，并将这些个体作为训练样本记录；7.2)如果则进行如下操作：7.2.1)根据公式(4)计算新个体与各训练样本个体之间的距离；d=Σj=1N(trialji,g-xsamples)2---(4)]]>其中，表示第s个训练样本，s＝1,2,…,S，S为训练样本的数量；7.2.2)选取与新个体距离最近的k个样本个体，并根据公式(5)计算新个体的k‑近邻预测值；7.2.3)根据k‑近邻预测值对所有新个体按从小到大进行排序；7.2.4)计算当前种群的最优值如果最优值连续T代没有变化，则选举前η*个新个体进行目标函数评价，否则选取前η个新个体进行目标函数评价，其余个体的目标函数值用代替，其中，xbest,g为当前第g代种群中的最优个体；7.2.5)计算已评价个体的预测误差值将误差值大于θ的个体加入训练样本中；8)根据公式(6)对每个新个体进行种群更新：xi,g+1=triali,g,if f(triali,g)≤f(xi,g)xi,g,otherwise---(6)]]>其中，triali,g=(trial1i,g,trial2i,g,...,trialNi,g),xi,g+1=(x1i,g+1,x2i,g+1,...,xNi,g+1),xi,g=]]>(x1i,g,x2i,g,...,xNi,g),]]>公式(6)表明，如果新个体优于目标个体，则新个体替换目标个体，否则保持目标个体不变；9)判断是否满足终止条件，如果满足，则保存结果并退出，否则返回步骤4)。...
【技术特征摘要】
【专利技术属性】
技术研发人员：张贵军，周晓根，郝小虎，俞旭锋，夏华栋，徐东伟，李章维，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
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。