【技术实现步骤摘要】
一种高维参数优化方法及其在机械臂中的应用
本专利技术涉及群智能优化
，具体为一种高维参数优化方法及其在机械臂中的应用。
技术介绍
在工业生产、图像处理等领域中普遍存在优化问题，尤其一些复杂问题涉及到高维参数优化。为解决此类问题，人们提出了多种方案，其中群智能优化算法作为一种高效的计算方法对解决高维优化问题具有显著效果。目前，群智能算法中受生物群体行为启发的主要包括蚁群算法(ACO)、粒子群算法(PSO)、人工鱼群算法(AFSA)、人工蜂群算法(ABC)、萤火虫算法(GSO)等；受生物进化启发的主要有遗传算法(GA)、差分进化算法。但现有的优化方法中要么有较好的鲁棒性，但计算量大，计算效率低下，要么寻优速度较快，但求解精度不高，算法运行后期搜索的盲目性较大，还有部分存在局部搜索能力较低，后期收敛速度较慢等技术问题，而遗传算法虽全局搜索能力强，且具有内在并行性，但是收敛速度相对较慢，易陷入局部最优值，此外，差分进化算法是一种基于群体的自适应的全局优化算法，其容易实现，鲁棒性较大，但后期收敛速度较慢。为解决上述问题，现有的针...
【技术保护点】
1.一种高维参数优化方法，定义所述高维参数为待优化的抗体，同时定义一引导作用系数F
【技术特征摘要】
1.一种高维参数优化方法，定义所述高维参数为待优化的抗体，同时定义一引导作用系数Fn(β)，一免疫定向作用系数Fs；其特征在于，所述高维参数优化方法包括步骤：
步骤一，初始化每个抗体的进化状态参数和选择长度并计算每个抗体的适应度函数值；
步骤二，将当前进化状态发送至内分泌调控系统，生成学习因子；启动神经引导优化单元和免疫定向优化单元，获取所述学习因子，并输入所述引导作用系数Fn(β)和免疫定向作用系数Fs的设定值，计算所述抗体的进化代距矢量及其抗体进化状态，包括：
判断引导作用系数为Fn(β)>r且Fs>r时，所述抗体的进化代距矢量vi(t+1)的更新公式为vi(t+1)＝wvi(t)+c1r1(pib(t)-xi(t))+c2r2(pgb(t)-xi(t))，且形成的抗体进化状态xi(t+1)的计算公式为：xi(t+1)＝xi(t)+vi(t+1)；
判断引导作用系数为Fn(β)≤r且Fs>r时，所述抗体的进化代距矢量v′i(t+1)的更新公式为v′i(t+1)＝vi(t+1)+c3r3(pn(t)-xi(t))；且形成的抗体进化状态xi(t+1)的计算公式为xi(t+1)＝xi(t)+v′i(t+1)；
其中，c3r3(pn(t)-xi(t))为引导作用项，c1、c2、c3为学习因子，r1、r2和r3为在[0,1]内的随机数，pn(t)为每次迭代产生的引导点的状态；w为惯性权重；vi(t)和xi(t)分别表示第i个抗体的速度和状态；Pib(t)、Pgb(t)分别表示个体最优状态、全局最优状态；
判断引导作用系数为Fn(β)>r且Fs≤r时，所述抗体的进化代距矢量si(t+1)的更新公式为si(t+1)＝wvi(t)+c1r1(pib(t)-xi(t))+c2r2(ps(t)-xi(t))；且形成的抗体进化状态xi(t+1)的计算公式为xi(t+1)＝xi(t)+si(t+1)；
判断引导作用系数为Fn(β)≤r且Fs≤r时，所述抗体的进化代距矢量si’(t+1)的更新公式为
s′i(t+1)＝wvi(t)+c1r1(pib(t)-xi(t))+c3r3(pn(t)-xi(t))+c2r2(ps(t)-xi(t))，
且形成的抗体进化状态xi(t+1)的计算公式为xi(t+1)＝xi(t)+s′i(t+1),其中ps(t)为免疫定向状态，对应于下次迭代过程中的全局最优状态；
步骤三，根据所述抗体的进化代距矢量计算更新后每个抗体的适应度，判断是否满足停止条件或迭代次数达到一特定阈值，若不满足则返回步骤二，否则结束优化过程，输出抗体最终进化状态x(t)。
2.根据权利要求1所述的高维参数优化方法，其特征在于，将当前进化状态发送至内分泌调控系统，生成学习因子包括：
获取当前状态，并代入学习因子自适应改变公式进行更新，所述学习因子为c2和c3，其生成学习因子公式为：
式中，a、b为放缩系数，且a<0，b>0；λ、Q为正实数；当i取2时，p(t)取pgb(t)或ps(t)，当i取3时，p(t)取pn(t)；为学习因子的比例权重，D为抗体的维度。
3.根据权利要求1所述的高维参数优化方法，其特征在于，所述pn(t)为每次迭代产生的引导点的状态，其计算公式为：
其中...
【专利技术属性】
技术研发人员：刘宝，狄鑫，王君红，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37
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。