一种基于生物启发的改进型粒子群优化算法制造技术

本发明专利技术公开了一种基于生物启发的改进型粒子群优化算法，由基于启发式信息的贪婪随机自适应算法得到粒子群算法的个体最优初始值，将协同思想引入到模型中，通过借鉴生物神经内分泌调节机制，引入激素调节因子，根据单个粒子周围的粒子的信息，对粒子的飞行方程进行了改进以增强算法局部搜索能力。本发明专利技术能够克服传统粒子群算法在搜索过程中存在的初始种群随机效果差、后期收敛慢、局部寻优能力差等问题，并通过协同优化求得质量和分散性较好的非劣解集。

An improved particle swarm optimization algorithm based on bio inspired

The invention discloses an improved particle swarm optimization algorithm based on bio inspired by the individual, the optimal initial greedy randomized adaptive algorithm based on heuristic information by particle swarm algorithm, collaboration is introduced into the model, by drawing on the regulation mechanism of neuroendocrine hormone, introducing adjustment factor, according to the single particle around the particles flight information, equation of particle is improved to enhance the ability of local search algorithm. The invention can overcome the effect of random initial population of traditional particle swarm algorithm in the search process, slow convergence, local optimization problems and poor ability, and through the collaborative optimization of quality and obtain the better dispersion of pareto.

【技术实现步骤摘要】

本专利技术涉及一种基于生物启发的改进型粒子群优化算法，属于计算机应用

技术介绍
流水车间调度是一个无等待的车间调度问题。在生产实践的环节中，每一个工作序列包含若干个工作，每一个工作包含若干个工序。每个工作在不同的机器上完成，在同一台机器上，不同的工作的完成顺序相同，在同一台机器上一个工序完成后无等待的进行下一个工序。流水车间调度中所有工作的最长完工时间的最小化，可以促使总生产运营的最小化、稳定的资源利用、快速的作业周转和在制品库存的最小化。流水车间调度问题是制造系统中重要的规划问题，是一类典型的NP-Hard组合优化难题。当前比较常用的流水车间调度问题的求解方法主要分为精确方法、构造启发式方法和基于计算智能的元启发式算法三种类型。由于问题本身是NP困难的，因此，精确方法受计算量和存储量过大的影响，仅适合于小规模问题的求解。而构造启发式方法虽然可以在比较短的时间内获得调度问题的解，但该类方法在构造调度的过程中过于依赖根据问题局部信息设计的调度规则，除了基于领域搜索的启发式算法求的解性能较好以外，通常所获得的解的质量和算法通用性均较差。近几年，人工智能技术快速发展，基于计算智能的元启发式算法，特别是基于混合策略的算法，通常能够在可行时间内以较大的概率获得流水车间调度问题的最优解或最优近似解，成为各种流水车间调度问题最常用的算法。粒子群优化(PSO)算法的研究是目前计算智能领域的热点课题，最早是由Kennedy和Eberhart受鸟群捕食行为的启发而提出的一种基于群体智能方法的优化技术。与遗传算法(GA)比较，PSO保留了基于种群的全局搜索策略，通过种群内粒子之间的合作与竞争来产生群体智能指导优化搜索，其优化机理清晰易懂，步骤简单，计算费用较低，因此受到学者们的关注。但是PSO在解决流水车间调度问题上，仍然存在缺陷。首先，PSO在运行初期收敛速度比较快，但在运行后期容易因缺乏拓展能力而陷入局部最优。其次，PSO虽然具有比较好的全局搜索能力，但是在搜索的过程中没有充分利用种群中获得的关于流水车间调度问题解空间的知识来指导粒子位置的更新，因此局部搜索能力较差。基于以上缺点，学者们提出了混合算法以改进该算法的缺陷。混合算法可以看作是进化算法和局部搜索算子结合而形成的优化工具，其兼具进化算法和局部搜索算子的优点，更具有有效性。Zhou chi等人最早提出基于信息共享机制的新型粒子群调度算法，该算法主要通过记忆库的信息共享机制将邻域知识引入PSO调度算法的局部收索模块，用于指导算法的邻域搜索，加快了算法收敛速度。但是因为种群的个体数目较小，且PSO进化速度快，同时只使用一种局部搜索算子，大大降低了种群的多样性，最终无法避免算法陷入局部最优。期刊Expert Systems with Applications提出基于模拟退火和多类型个体的混合粒子群算法求解作业车间调度问题，该方法同样面临局部搜索能力较差，算法早熟，最终不能得到最优的调度方案。
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，提供一种基于生物启发的改进型粒子群优化算法，首先考虑到粒子群算法中个体最优解和全局最优解对单个粒子的飞行起着重要的“导航”作用，在初始值中对个体最优初始值的生成方式进行了改进；其次，设计激素调节因子，改进粒子飞行方程，加强粒子之间的信息共享，使得每个粒子的飞行速度由其本身的飞行经验和群体的飞行经验进行动态调整。为解决上述技术问题，本专利技术提供一种基于生物启发的改进型粒子群优化算法，包括以下步骤：(1)定义解空间；(2)定义适应度函数；(3)根据生物调节机制，设计激素调节因子AF，改进粒子群算法中的粒子飞行公式；(4)粒子在解空间中飞行，寻找最优解；(5)设定最大循环数以及最小偏差要求，如果停止条件满足，则输出全局最优解；否则，返回步骤(3)继续寻找最优解。前述的步骤(1)中定义解空间是指针对所需求解的问题，确定需要优化的变量并赋予其搜索最优解的范围；在n维优化问题中每一维都要求根据具体问题确定其取值范围和每一代粒子种群数量。前述的定义粒子的当前位置用于代表所需求解的问题的一个可行解。前述的步骤(2)中，定义适应度函数是指确定一个能够准确反映出解空间中解的优劣程度的函数，将其确定为算法的适应度函数。前述的适用度函数可直接采用优化问题的目标函数。前述的步骤(3)包括以下步骤：(3-1)粒子编码，采用问题解与粒子维度位置一一对应的二维编码表示方法进行粒子编码；(3-2)参数初始化，在初始位置时，用基于贪婪随机自适应搜索算法将随机的个体初始解转换出个体最优解初始值；每个粒子在运动初期的第一个位置，就是该粒子的个体最优位置，而全局最优位置就是这些个体最优位置中最好的一个；(3-3)设计激素调节因子AF，改进粒子速度的更新公式如下：Xi(K+1)＝Xi(K)+Vi(K+1)+AF (1)其中，Xi(K+1)表示第K+1代粒子群中第i个粒子的位置，Xi(K)表示第K代粒子群中第i个粒子的位置，Vi(K+1)表示第K+1代粒子群中第i个粒子的速度。前述的激素调节因子AF由体现粒子个体性能的函数Ai和体现粒子局部特性的函数Al构成，AF＝Ai*Al (2)其中，设计Ai(f(x))为基于最大适应度与平均适用度之间的单调增函数，设计Al(f(x))为基于粒子适应度前后代的单调增函数，f(x)表述第x个粒子的适应度函数。前述的步骤(4)粒子在解空间中飞行，寻找最优解，过程如下：(4-1)计算粒子适应度值，确定全局最优适用度值Xgbest，个体最优适用度值Xbest，每一代的平均适应度favg和每一代的最大适应度fmax，并保存历史最大适应度f’max；适应度函数根据粒子在解空间中的坐标，返回赋给当前位置的适应度值，若该适应度值大于此时粒子的个体最优适用度值或全局最优适应度值，则更新粒子的个体最优适用度值或全局最优适应度值，否则不进行更新；(4-2)根据公式(1)更新粒子速度，粒子速度随着个体和全局最优位置的改变而改变，朝着适应度值更优的方向加速，对于每一个粒子，如果当前解优于个体最优解，则更新个体最优解；对个体最优解的最佳者做局部搜索；更新个体最优解；利用个体最优解更新全局最优解。本专利技术所达到的有益效果：本专利技术充分利用了需优化问题中的启发式信息，首先使用基于贪婪随机自适应搜索(GRASP)算法对算法初始种群进行了优化；然后，将基于生物体调节机制的激素调节因子应用到其中，通过对粒子个体周边信息的感应，指导算法的局部搜索，避免了粒子大量盲目的更新操作，既保证了算法的全局优化特性，又提高了算法中有效信息的流动效率，加快了算法收敛速度。本专利技术方法可用于物流、交通、流水线生产等领域，确定每项操作在生产过程的优先顺序，控制生产流程，以减少生产系统完成所有工作序列的时间，提高生产效率。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。本专利技术基于生物启发的改进型粒子群优化算法，包括以下步骤：(1)定义解空间；针对所需求解的问题，确定需要优化的变量并赋予其搜索最优解的范围；在n维优化问题中每一维都要求根据具体问题确定其取值范围和每一代粒子种群数量。本专利技术中粒子的当前位本文档来自技高网...

【技术保护点】
一种基于生物启发的改进型粒子群优化算法，其特征在于，包括以下步骤：(1)定义解空间；(2)定义适应度函数；(3)根据生物调节机制，设计激素调节因子AF，改进粒子群算法中的粒子飞行公式；(4)粒子在解空间中飞行，寻找最优解；(5)设定最大循环数以及最小偏差要求，如果停止条件满足，则输出全局最优解；否则，返回步骤(3)继续寻找最优解。

【技术特征摘要】
1.一种基于生物启发的改进型粒子群优化算法，其特征在于，包括以下步骤：(1)定义解空间；(2)定义适应度函数；(3)根据生物调节机制，设计激素调节因子AF，改进粒子群算法中的粒子飞行公式；(4)粒子在解空间中飞行，寻找最优解；(5)设定最大循环数以及最小偏差要求，如果停止条件满足，则输出全局最优解；否则，返回步骤(3)继续寻找最优解。2.根据权利要求1所述的一种基于生物启发的改进型粒子群优化算法，其特征在于，所述步骤(1)中定义解空间是指针对所需求解的问题，确定需要优化的变量并赋予其搜索最优解的范围；在n维优化问题中每一维都要求根据具体问题确定其取值范围和每一代粒子种群数量。3.根据权利要求2所述的一种基于生物启发的改进型粒子群优化算法，其特征在于，定义粒子的当前位置用于代表所需求解的问题的一个可行解。4.根据权利要求1所述的一种基于生物启发的改进型粒子群优化算法，其特征在于，所述步骤(2)中，定义适应度函数是指确定一个能够准确反映出解空间中解的优劣程度的函数，将其确定为算法的适应度函数。5.根据权利要求4所述的一种基于生物启发的改进型粒子群优化算法，其特征在于，所述适用度函数可直接采用优化问题的目标函数。6.根据权利要求1所述的一种基于生物启发的改进型粒子群优化算法，其特征在于，所述步骤(3)包括以下步骤：(3-1)粒子编码，采用问题解与粒子维度位置一一对应的二维编码表示方法进行粒子编码；(3-2)参数初始化，在初始位置时，用基于贪婪随机自适应搜索算法将随机的个体初始解转换出个体最优解初始值；每个粒子在运动初期的第一个位置，就是该粒子的个体最优位置，而全局最优位置就是这些个体最...

【专利技术属性】
技术研发人员：顾文斌，张薇薇，苑明海，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32