一种基于多层次信息反馈的多目标混合蛙跳算法在车辆前轴尺寸设计中的应用方法技术

本发明专利技术公开了一种基于多层次信息反馈的多目标混合蛙跳算法在车辆前轴尺寸设计中的应用方法，包括标准混合蛙跳优化层﹑青蛙进化与学习层﹑外部档案信息交换层的优化；标准混合蛙跳优化层用于获得青蛙的新位置，同时对新位置与旧位置进行优劣对比；若新位置劣于旧位置，则进入青蛙进化与学习层；在优化过程中获得Pareto支配解存储到一个外部档案中；在每次迭代结束后，根据预定的策略从外部档案中提取一定数目的非支配解进行信息交换，提高档案中解的质量，为以后的青蛙寻优及青蛙进化与学习提供全局最优解。本发明专利技术具有直观简明、普适性等特点；充分利用了迭代过程中所得到的青蛙位置的全部信息；有力地增强了青蛙跳出局部最优解的能力。

【技术实现步骤摘要】

本专利技术属于数据处理
，尤其涉及一种基于多层次信息反馈的多目标混合蛙跳算法。
技术介绍
现实世界的许多工程及科学研究中，多目标优化(multi-objectiveoptimizationproblems,MOP)是必须要解决的关键问题，至今都还没有非常有效的求解方法。区别于单目标优化问题，MOP由于其存在的广泛性及求解的困难性，加之不同设计条件对各目标有着不同权重要求，且各目标之间的量纲和数量级不同，基于传统数学理念设计的多目标优化方法应用于实际问题中往往表现出一定的脆弱性。这是因为，MOP往往存在多个相互冲突的目标，一个目标性能的改善可能会引起另一个或多个目标性能的下降，要使所有目标都同时达到最优往往是不可能的。例如，城市地铁线路系统的设计不仅要对目前居民定居点有清晰的认识，而且也要综合考虑今后的城市规划、线路容纳量和运营效益等目标来选择最优的建设方案；调度作业中设备负荷量、设备使用率、人员分配率等也可以作为优化调度中的待优化目标；汽车齿轮变速箱的设计，不仅要求零件结构紧凑且重量尽可能轻，而且对产品材料总成本、机器运转噪音量、零件强度与使用寿命等都提出了明确要求。可见，MOP中各个目标之间是相制约和排斥的，只能够通过折中的方法使所有目标尽可能达到最优，每个扣中解称之为非劣支配解，折中解的集合被称为Pareto最优解，其在目标空间的映射称为Pareto最优前沿。此外，随着维数的增加，各类MOP的动态、非线性及不可微等特性将会导致多目标优化计算的复杂度和搜索空间急剧递增，难以找到一种适合于不同MOP求解的通用方法，所有这些使得MOP的求解已成为目前国内外优化计算领域最难解决的热点问题之一。相比传统优化方法对目标函数和约束函数的严格要求，基于种群的仿生类算法可以并行地搜索解空间中的多个解，适合于MOP的求解。混合蛙跳算法(shuffledfrogLeapingalgorithm,SFLA)是由Eusuff等于2003年提出的一种模拟青蛙觅食行为的群体智能优化方法。其核心思想是子簇蛙群间的局部搜索和各子簇间的全局信息交换，促进整个种群的发展，最终实现目标寻优。在局部搜索过程中，最差个体受局部最优个体或全局最优个体的差异进行位置更新。由于更新存在随机性，故对多模态等函数寻优时，往往使得SFLA后期搜索过程出现收敛速慢，解的精度不高等问题。对此，不同学者从不同角度对SFLA应用于MOP求解提出了许多不同的改进方案。孙辉等提出一种微粒群与混合蛙跳融合的群体智能算法(孙辉，龙腾，赵嘉.微粒群与混合蛙跳融合的群体智能算法，2012,32(2):428-431)，算法中引入了蛙群和微粒群群体，在两群体间设计了一种信息替换策略和两群之间的协作方式，有效提高了全局搜索能力及收敛速度。李逦等提出了一种基于混沌策略和动态自适应的云调度研究(李逦，姚晔，李铁。基于混沌策略和动态自适应的云调度研究。计算机应用研究，2014,31(6):1824-1827).通过在蛙群的子群划分阶段引入混沌策略，在内部搜索引入反向学习策略，以及全局信息交换过程引入动态自适应因子等方法，很好的改进了蛙跳算法的收敛性，缩短了全局搜索和优化的时间。张潇丹等提出一种基于分子动力学模拟的改进混合蛙跳算法(张潇丹，胡峰，赵力，邹采荣.基于分子动力学模拟的改进混合蛙跳算法,2012,27(3):327-332),该算法在两群体间引入了一种新的分子间作用力计算方法，利用Velocity-Verlet算法和高斯变异算子代替基本混合蛙跳算法的更新策略，有效地平衡了种群的多样性的搜索的高效性。Luo等在子群内部搜索策略中引入搜索加速因子，提高了算法的全局寻优能力（LuoP,LuQ.Modifiedshuffledfrogleapingalgorithmbasedonnewsearchingstrategy.Procofthe7thInternationalConferenceonNaturalComputation,2011:1346-1350.)。这些算法虽然在同程度改进了算法的收敛速度和解的精度不高等问题。但就其效果而言，并不是很理想。粒子群优化算法(Particleswarmoptimization,PSO)是由Kennedy等于1995提出的一种模拟鸟群觅食行为的群体智能优化方法。其核心思想是通过粒子之间的信息共享交流机制，相互学习，相互促进，使得整个种群朝着最优解的方向不断趋近，直至最终达到最优解及其邻近区域。由于PSO算法简单易于实现，收敛速度较快，已在各不同优化计算领域获得较好的成功应用。特别是近年来，不同学者尝试在其它不同智能优化方法和PSO之间相互借鉴各自优点，提出多种不同的改进混合智能优化方法，并应用于科学及工程的理论及实践研究。如，杨宁等提出一种基于多层次信息交互的多目标粒子群优化算法。该算法中融入了遗传算法中交叉算子，以增强粒子的收敛性（杨宁，霍炬，杨明.基于多层次信息交互的多目标粒子群优化算法,2016,31(5):907-912)。Hendtalass等将蚂蚁算法和PSO进行融合应用于离散优化问题，以增强蚂蚁对最优解的搜索性能(HendtlassT,RandallM.Asurveyofantcolonyandparticleswarmmeta-heuristicsandtheirapplicationtodiscreteoptimizzationproblem.ProceedingsoftheInauguralWorkshoponArtificialLife,2001:15-25).Lovbjerg等将进算法和粒子群优化算法进行混合，将进化算法中的繁殖和子种群的概念第入粒子群优化算法，建立了两种混合型粒子群优化器，增强了算法的收敛速度和寻优解的能力（LovbjergM,RasmussenTK,KrinkT.Hybridparticleswarmoptimizationwithbreedingandsubpopulations.ProceedingsoftheGeneticandEvolutionarycomputaitonConference,2001:469-476)。可见，以上算法都要不同程度结合了PSO算法搜索速度快等特点，但就PSO本身而言，也存在着算法易陷入早熟，搜索过早收敛等特点。传统数学优化方法应用于复杂系统多目标优化问题(multi-objectiveoptimizationproblems,MOP)时，由于不同设计条件对各目标有着不同权重要求，且各目标之间的量纲和数量级不同，需要优化的多个目标之间常常存在着冲突性，因此基于传统数学理念设计的多目标优化方法应用于实际问题中难以对MOP进行有效的处理。
技术实现思路
本专利技术的目的在于提供一种基于多层次信息反馈的多目标混合蛙跳算法，旨在解决
技术介绍
提及的问题。本专利技术是这样实现的，一种基于多层次信息反馈的多目标混合蛙跳算法，该基于多层次信息反馈的多目标混合蛙跳算法进行标准混合蛙跳优化层﹑青蛙进化与学习层﹑外部档案信息交换层的优化；所述标准混合蛙跳优化层用于获得青蛙的新位置，同时对新位置与旧位置进行优劣对比；若新位置劣于旧位置，则进入青蛙进化与学习层；所述青蛙进化与学习本文档来自技高网...

【技术保护点】
一种基于多层次信息反馈的多目标混合蛙跳算法，其特征在于，该基于多层次信息反馈的多目标混合蛙跳算法进行标准混合蛙跳优化层﹑青蛙进化与学习层﹑外部档案信息交换层的优化；所述标准混合蛙跳优化层用于获得青蛙的新位置，同时对新位置与旧位置进行优劣对比；若新位置劣于旧位置，则进入青蛙进化与学习层；所述青蛙进化与学习层融入GA中交叉算子和PSO中的粒子学习策略，通过青蛙进化及对种群全局最优青蛙的学习,获得青蛙新的位置；在优化过程中获得Pareto支配解存储到一个外部档案中；在每次迭达结束后，根据预定的策略从外部档案中提取一定数目的非支配解进行信息交换，提高档案中解的质量，为以后的青蛙寻优及青蛙进化与学习提供全局最优解。

【技术特征摘要】
1.一种基于多层次信息反馈的多目标混合蛙跳算法，其特征在于，该基于多层次信息反馈的多目标混合蛙跳算法进行标准混合蛙跳优化层﹑青蛙进化与学习层﹑外部档案信息交换层的优化；所述标准混合蛙跳优化层用于获得青蛙的新位置，同时对新位置与旧位置进行优劣对比；若新位置劣于旧位置，则进入青蛙进化与学习层；所述青蛙进化与学习层融入GA中交叉算子和PSO中的粒子学习策略，通过青蛙进化及对种群全局最优青蛙的学习,获得青蛙新的位置；在优化过程中获得Pareto支配解存储到一个外部档案中；在每次迭达结束后，根据预定的策略从外部档案中提取一定数目的非支配解进行信息交换，提高档案中解的质量，为以后的青蛙寻优及青蛙进化与学习提供全局最优解。2.根据权利要求1所述的基于多层次信息反馈的多目标混合蛙跳算法，其特征在于，所述多层次信息反馈的多目标混合蛙跳算法具体步骤包括：Step1:初始化青蛙各子群体Popi(i=1,2,...,m)；Step2:使用标准混合蛙跳优化层进行局部搜索，更新最差青蛙位置；Step3:若最差青蛙位置没有得到更新，则进行青蛙进化与学习层，以改善青蛙最差位置，促使整个种群朝着全局最优Pareto前沿前进；Step4:将学习层得到的非支配解按外部档案信息交换策略送入档案中，并同时确保档案的容量没有超出；Step5.判断设定的迭达次数是否结束，若没有，将各子群重新合成新一代种群并排序和划分子族群，返回Step2。3.根据权利要求1所述的基于多层次信息反馈的多目标混合蛙跳算法，其特征在于，所述标准混合蛙跳优化层算法为：该标准混合蛙跳优化层使用SFLA方法搜索青蛙的新位置；所述SFLA方法为：有P只青蛙在d维搜索空间随机搜索食物；随机设定青蛙位置，并按适应值排序；将整个群体分为K个子群，其中，排序第1的青蛙进入第1个子群，排序第2的进入第2个子群，排序第M的进入第M个子群，排序第M+1的进入第1个子群，排序第M+2的进入第2个子群，依次类推，直至全部青蛙分别进入对应子群；每个子群体按自己的思想进行局部搜索，得到最好青蛙位置Pb和最差青蛙位置Pw；全群最好青蛙位置Pg为各子群体中最好的个体；各子群局部搜索的目的就是按下式(1)-(2)更新最差青蛙位置；Di=rand()(Pb-Pw)(1)，Pnew=Pw+Di(2)；其中，rand()是介于0和1间的随机数；Di表示最差青蛙在第i维移动的距离,其更新移动的步长介于dmin和dmax之内；Pnew为最差青蛙移动后的新位置；如果按式(1)-(2)不能改善青蛙位置，则使用Pg代替(1)中Pb；若再不能改善，则随机产生一个解；若新得到的位置仍不能改善，...

【专利技术属性】
技术研发人员：汤可宗，于保春，丰建文，
申请(专利权)人：景德镇陶瓷大学，
类型：发明
国别省市：江西;36