多参数多目标混沌粒子群参数寻优方法技术

本发明专利技术公开了一种多参数多目标混沌粒子群参数寻优方法，步骤包括：步骤1，确定目标函数和待优化参数；步骤2，算法初始化；步骤3，计算种群中每个个体对应的目标函数；步骤4，更新个体历史最优解；步骤5，更新粒子速度和位置；步骤6，更新全局最优解集；步骤7，更新全局最优解；步骤8，结果判断。与一般的随机初始化方法和现有混沌Logistic映射粒子群初始化方法相比，本发明专利技术方法提高了全局寻优的性能且稳定性好；与一般的多目标加权的优化方法相比，本发明专利技术方法采用了Pareto最优解技术，解决了多目标加权方法中权重选取困难的问题。

【技术实现步骤摘要】

本专利技术属于优化控制
，涉及一种多参数多目标混沌粒子群参数寻优方法。
技术介绍
近些年来，遗传算法、蚁群算法、免疫算法、粒子群优化算法等智能优化算法在各个领域得到了广泛应用。其中粒子群优化算法，是通过模拟鸟群觅食行为发展起来的一种基于群体协作的随机搜索算法，具有简单易行、收敛速度快、优化效率高、鲁棒性好等特点，在处理优化问题中取得了很好的效果，但是针对多参数、多目标综合寻优问题仍然是一个具有挑战性的课题。目前，存在着两个主要问题，制约了现有粒子群方法在多参数、多目标寻优问题中的应用。第一，针对多目标问题，现有的很多方法是将多目标乘以权系数然后相加，将多目标优化问题变换成对多目标加权的单目标优化问题，然而权值的选择困难使该方法难以达到很好的效果。第二，粒子群优化算法中，初始粒子的分布对于优化算法的性能有着明显的影响，随着待优化参数数量的增加，其目标解空间的维数也随之增加，非均匀分布的多维解空间初始粒子，将会降低算法的全局收敛性能，使得算法收敛缓慢，并易陷入局部最优解。
技术实现思路
本专利技术的目的是提供一种多参数多目标混沌粒子群参数寻优方法，针对初始粒子在解空间分布影响粒子群算法收敛性的问题，通过采用单向耦合映像格子时空混沌映射来初始化粒子的初始位置和速度，更好地实现粒子的初始均匀分布；其次通过将粒子群算法与Pareto最优解理论相结合，得到多目标函数最佳权衡基础上的解，解决了加权多目标方法中权值选取困难的问题。本专利技术所采用的技术方案是，一种多参数多目标混沌粒子群参数寻优方法，该方法按照以下步骤实施：步骤1，确定目标函数和待优化参数确定待优化参数数量为N，待优化目标函数个数ns，针对问题的不同优化目标选取合适的目标函数J1，J2，…，Jns；步骤2，算法初始化初始化粒子种群规模为M，粒子为多维粒子，其维数等于待优化参数数目N，最大迭代次数为kmax，初始全局最优解集中解的个数j＝0，初始个体历史最优解集中解的个数im＝0，随机初始化(第一次迭代时)全局粒子最优位置Yg＝[Yg1,…,YgN]，初始化粒子的个体历史最优目标函数J1max(m)＝0，J2max(m)＝0，…，Jnsmax(m)＝0，m＝1,2,…,M，针对多个待优化参数，采用单向耦合映像格子时空混沌模型初始化粒子群优化算法的粒子初始位置及初始速度，初始位置表示为Xmn(0),初始速度表示Vmn(0)，其中m＝1,2,…,M，n＝1,2,…,N，分别表示为第0次迭代时第m个粒子第n维的位置、飞行速度；所述的单向耦合映像格子时空混沌映射模型为：Ln(m+1)＝(1-εn)f[Ln(m)]+εnf[Ln-1(m)]，(1)式中f[Ln(m)]为Logistic混沌映射，f[Ln(m)]＝μLn(m)(1-Ln(m))，Ln(m)为状态变量；n为空间格点位置，对应维数；m代表离散时间，对应种群规模；εn为耦合强度，采用时空混沌映射，在优化算法开始阶段，直接生成具有多维解空间均匀分布的初始粒子位置和速度，即选取粒子位置Xmn(0)＝kx*Ln(m)，Vmn(0)＝kv*Ln(m+M)，其中kx和kv分别为比例系数，将混沌时空模型的状态从[0，1]间通过乘以对应的系数转换到对应位置和速度参数取值范围内；步骤3，计算种群中每个个体对应的目标函数的值将当前第k代粒子m,m＝1,…,M，所代表的多维参数Xmn(k)，n＝1,…,N，代入待优化问题，计算该次迭代中粒子m对应的所有目标函数的值，表示为[J1(m,k)，J2(m,k)，…，Jns(m,k)]；步骤4，更新个体历史最优解对于当前第k代中的第m个粒子，比较其对应的多个目标函数的值与其自身历史最优位置对应的多个目标函数的值，如果该粒子的每个目标函数的值都不劣于该粒子的历史最优位置对应的目标函数的值，那么用该粒子的目标函数的值替换个体历史最好目标函数的值，同时将该粒子位置保存入个体最优集中，具体过程是：若J1(m,k)≥J1max(m)&J2(m,k)≥J2max(m)&…&Jns(m,k)≥Jnsmax(m)，\&\表示逻辑与操作，则J1max(m)＝J1(m,k)，J2max(m)＝J2(m,k)，…，Jnsmax(m)＝Jns(m,k)，Pm(im，:)＝[Xm1(k),Xm2(k),…,XmN(k)]，im＝im+1；其中Pm表示个体m的最优解集，i代表个体最优解集中个体最优解的数目，Pm(im，:)表示满足上述粒子m非劣解条件从而保存入的个体最优解集中的第im个N维粒子；每个粒子都有一个个体历史最优解集，其中保存了该粒子(在前k次迭代中)的历史最优解；步骤5，更新粒子速度和位置粒子速度和位置的更新迭代公式为：Vmn(k+1)＝wVmn(k)+c1r1(Ym(n)-Xmn(k))+c2r2(Yg(n)-Xmn(k))，(2)Xmn(k+1)＝Xmn(k)+Vmn(k)，(3)其中，Xmn(k)表示粒子m在第k代的第n维位置坐标；Vmn(k)表示粒子m在第k代的第n维坐标上的速度(相当于位置变化率)；c1，c2为学习因子，是非负常数；r1，r2是介于[0，1]之间两个独立的随机数；w为惯性权重；Ym(n)从个体历史最优解集中随机选取，Ym(n)＝Pm(iim，n)，iim＝random(1，im-1)，Yg(n)为粒子第n维的全局最优解位置；步骤6，更新全局最优解集比较当前(第k代)种群中所有M个粒子对应的每个目标函数的值，将种群中所有粒子中，任意一个目标函数为最大的粒子保存入Pareto全局最优解集Pg中，同时该粒子对应的目标函数的值保存入Pareto最优目标函数值集合PJ中，具体算法为：若J1(m,k)＝max{J1(1,k),…,J1(M,k)本文档来自技高网...

【技术保护点】
一种多参数多目标混沌粒子群参数寻优方法，其特征在于，该方法按照以下步骤实施：步骤1，确定目标函数和待优化参数确定待优化参数数量为N，待优化目标函数个数ns，针对问题的不同优化目标选取合适的目标函数J1，J2，…，Jns；步骤2，算法初始化初始化粒子种群规模为M，粒子为多维粒子，其维数等于待优化参数数目N，最大迭代次数为kmax，初始全局最优解集中解的个数j＝0，初始个体历史最优解集中解的个数im＝0，随机初始化全局粒子最优位置Yg＝[Yg1,…,YgN]，初始化粒子的个体历史最优目标函数J1max(m)＝0，J2max(m)＝0，…，Jnsmax(m)＝0，m＝1,2,…,M，针对多个待优化参数，采用单向耦合映像格子时空混沌模型初始化粒子群优化算法的粒子初始位置及初始速度，初始位置表示为Xmn(0),初始速度表示Vmn(0)，其中m＝1,2,…,M，n＝1,2,…,N，分别表示为第0次迭代时第m个粒子第n维的位置、飞行速度；所述的单向耦合映像格子时空混沌映射模型为：Ln(m+1)＝(1‑εn)f[Ln(m)]+εnf[Ln‑1(m)]，      (1)其中，f[Ln(m)]为Logistic混沌映射，f[Ln(m)]＝μLn(m)(1‑Ln(m))，Ln(m)为状态变量；n为空间格点位置，对应维数；m代表离散时间，对应种群规模；εn为耦合强度，采用时空混沌映射，在优化算法开始阶段，直接生成具有多维解空间均匀分布的初始粒子位置和速度，即选取粒子位置Xmn(0)＝kx*Ln(m)，Vmn(0)＝kv*Ln(m+M)，其中kx和kv分别为比例系数，将混沌时空模型的状态从[0，1]间通过乘以对应的系数转换到对应位置和速度参数取值范围内；步骤3，计算种群中每个个体对应的目标函数的值将当前第k代粒子m,m＝1,…,M，所代表的多维参数Xmn(k)，n＝1,…,N，代入待优化问题，计算该次迭代中粒子m对应的所有目标函数的值，表示为[J1(m,k)，J2(m,k)，…，Jns(m,k)]；步骤4，更新个体历史最优解对于当前第k代中的第m个粒子，比较其对应的多个目标函数的值与其自身历史最优位置对应的多个目标函数的值，如果该粒子的每个目标函数的值都不劣于该粒子的历史最优位置对应的目标函数的值，那么用该粒子的目标函数的值替换个体历史最好目标函数的值，同时将该粒子位置保存入个体最优集中；步骤5，更新粒子速度和位置；步骤6，更新全局最优解集比较当前种群中所有M个粒子对应的每个目标函数的值，将种群中所有粒子中，任意一个目标函数为最大的粒子保存入Pareto全局最优解集Pg中，同时该粒子对应的目标函数的值保存入Pareto最优目标函数值集合PJ中；步骤7，更新全局最优解Yg求取Pareto全局最优解集中每个粒子对应的多个目标函数与其解集中各目标函数最大值间的欧式距离，选取欧式距离最小的粒子作为全局最优解；步骤8，结果判断k＝k+1，若达到停止条件，即k＝kmax，则返回最优粒子Yg作为待优化问题的解，同时返回其对应的目标函数的值；否则k＝k+1，返回步骤3重新更新。...

【技术特征摘要】
1.一种多参数多目标混沌粒子群参数寻优方法，其特征在于，该方法按照
以下步骤实施：
步骤1，确定目标函数和待优化参数
确定待优化参数数量为N，待优化目标函数个数ns，针对问题的不同优
化目标选取合适的目标函数J1，J2，…，Jns；
步骤2，算法初始化
初始化粒子种群规模为M，粒子为多维粒子，其维数等于待优化参数数目
N，最大迭代次数为kmax，初始全局最优解集中解的个数j＝0，初始个体历史最
优解集中解的个数im＝0，随机初始化全局粒子最优位置Yg＝[Yg1,…,YgN]，初始
化粒子的个体历史最优目标函数J1max(m)＝0，J2max(m)＝0，…，Jnsmax(m)＝0，
m＝1,2,…,M，针对多个待优化参数，采用单向耦合映像格子时空混沌模型初
始化粒子群优化算法的粒子初始位置及初始速度，初始位置表示为Xmn(0),初
始速度表示Vmn(0)，其中m＝1,2,…,M，n＝1,2,…,N，分别表示为第0次迭代时第m
个粒子第n维的位置、飞行速度；
所述的单向耦合映像格子时空混沌映射模型为：
Ln(m+1)＝(1-εn)f[Ln(m)]+εnf[Ln-1(m)]，(1)
其中，f[Ln(m)]为Logistic混沌映射，f[Ln(m)]＝μLn(m)(1-Ln(m))，Ln(m)
为状态变量；n为空间格点位置，对应维数；m代表离散时间，对应种群规模；
εn为耦合强度，采用时空混沌映射，在优化算法开始阶段，直接生成具有多维
解空间均匀分布的初始粒子位置和速度，即选取粒子位置Xmn(0)＝kx*Ln(m)，
Vmn(0)＝kv*Ln(m+M)，其中kx和kv分别为比例系数，将混沌时空模型的状态从[0，

\t1]间通过乘以对应的系数转换到对应位置和速度参数取值范围内；
步骤3，计算种群中每个个体对应的目标函数的值
将当前第k代粒子m,m＝1,…,M，所代表的多维参数Xmn(k)，n＝1,…,N，代
入待优化问题，计算该次迭代中粒子m对应的所有目标函数的值，表示为[J1(m,
k)，J2(m,k)，…，Jns(m,k)]；
步骤4，更新个体历史最优解
对于当前第k代中的第m个粒子，比较其对应的多个目标函数的值与其自
身历史最优位置对应的多个目标函数的值，如果该粒子的每个目标函数的值
都不劣于该粒子的历史最优位置对应的目标函数的值，那么用该粒子的目标
函数的值替换个体历史最好目标函数的值，同时将该粒子位置保存入个体最
优集中；
步骤5，更新粒子速度和位...

【专利技术属性】
技术研发人员：任海鹏，郭鑫，李洁，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61