一种基于改进的多种群全局最优的自适应鸽群优化方法技术

本发明专利技术公开了一种基于改进的多种群全局最优的自适应鸽群优化方法。本发明专利技术包括“粒子收敛性阶段”和“粒子多样性阶段”两个阶段。“粒子收敛性阶段”首先对粒子进行投影，得到粒子个体与全局信息，选出收敛性全局最优；之后使用速度、位置更新公式调整粒子；最后对粒子进行归档并循环迭代。“粒子多样性阶段”包括：对粒子进行投影，得到粒子个体与全局信息，选出多样性全局最优；之后使用位置更新公式调整粒子；最后对粒子进行归档并循环迭代。本发明专利技术分别考虑解的收敛性或多样性，最终得到了性能优秀的多目标问题求解方法。

An Adaptive Pigeon Colony Optimization Method Based on Improved Multi-Population Global Optimum

The invention discloses an adaptive pigeon flock optimization method based on improved multi-population global optimization. The invention comprises two stages: the particle convergence stage and the particle diversity stage. In the stage of particle convergence, the individual and global information of particles are projected, and the global optimal convergence is selected. Then, the particle is adjusted by the velocity and position update formula. Finally, the particles are archived and iterated. \Particle diversity stage\ includes: projecting particles, obtaining individual and global information of particles, selecting the global optimum of diversity; then using position update formula to adjust particles; finally, filing and cyclic iteration of particles. The invention considers the convergence or diversity of solutions respectively, and finally obtains a multi-objective problem solving method with excellent performance.

【技术实现步骤摘要】
一种基于改进的多种群全局最优的自适应鸽群优化方法
本专利技术多目标问题优化
，特别是涉及一种多目标粒子群全局优化技术。本专利技术的基于鸽群优化的方法即是在典型多目标优化问题——ZDT问题(Zitzler–Deb–Thiele'sfunction)的具体应用。
技术介绍
现代的工业过程是一个复杂的系统，其过程数据具有动态性、非线性和多约束性的特征。为了提高工业生产过程的效率，减少事故的发生，多目标优化方法受到广泛关注。多目标进化算法有很好的全局探索能力，且并不需要了解问题的数学模型。由于其简洁、高效的特点，多目标进化算法解决了工业过程领域的许多难题。目前，多目标进化算法主要有：多目标蚁群算法、多目标遗传算法、多目标差分进化算法。而多目标粒子群优化(multi-objectiveParticleSwarmOptimization，MOPSO)算法是一种基于鸟群或鱼群行为的启发式算法。通过个体粒子之间相互合作，表现出复杂的智能行为；利用个体间的信息交互实现种群的进化。实现了以种群为主而非优异的独立个体的智慧的进化。然而，目前的MOPSO算法解决的问题大多是静态优化问题，但实际应用中的本文档来自技高网...

【技术保护点】
1.一种基于改进的多种群全局最优的自适应鸽群优化方法，其特征包括“粒子收敛性阶段”和“粒子多样性阶段”两个阶段，具体步骤如下：A.粒子收敛性阶段：1)设置多目标鸽群算法的参数，随机初始化粒子位置、速度，将全部粒子归档；2)将粒子投影到平行单元格中，计算当前时刻每个粒子在每个目标上的适应度值，其中当前时刻第k个粒子在第m个目标上的适应度值Lk，m，具体公式如下：

【技术特征摘要】
1.一种基于改进的多种群全局最优的自适应鸽群优化方法，其特征包括“粒子收敛性阶段”和“粒子多样性阶段”两个阶段，具体步骤如下：A.粒子收敛性阶段：1)设置多目标鸽群算法的参数，随机初始化粒子位置、速度，将全部粒子归档；2)将粒子投影到平行单元格中，计算当前时刻每个粒子在每个目标上的适应度值，其中当前时刻第k个粒子在第m个目标上的适应度值Lk，m，具体公式如下：其中，[x]是向上取整函数，K表示粒子总数，是全部K个粒子中在第m个目标上的最大适应度值，是全部K个粒子中在第m个目标上的最小适应度值，fk，m是第k个粒子在第m个目标上的适应度值；3)计算当前时刻每个粒子的势能，其中第i个粒子的势能值的计算公式如下：M为目标个数；4)分析全局粒子i.计算当前迭代次数下全局粒子的分布熵，其中第t次迭代时全局粒子的分布熵计算公式如下：其中，Cellk，m是粒子投影产生的平行单元中第k行第m列的单元格中点的个数，K为全部粒子个数，M为目标个数，t从1开始；ii.计算当前迭代次数与前次迭代间熵的变化量，0时刻的熵值设为0，公式如下：ΔEntropy(t)＝Entropy(t)-Entropy(t-1)5)根据步骤3选取势能值最小的粒子，此粒子为收敛全局最优cgB；6)调整飞行参数值ω(t)，公式如下：其中，Stepω＝ω/T，Stepω为更新步长，ω为惯性因子，T为一阶段迭...

【专利技术属性】
技术研发人员：常鹏，卢瑞炜，张祥宇，王普，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11