基于多策略融合的粒子群优化算法制造技术

基于多策略融合的粒子群优化算法，包括：提出标准粒子群算法中粒子的速度和位置的更新公式；考虑标准粒子群优化算法存在易陷入局部最优的缺陷，引入三黑洞系统捕获策略和早熟扰动策略；引入多维随机扰动机制；调节算法的全局探索能力与局部开发能力；制定多策略融合的粒子群优化算法流程。本发明专利技术一种基于多策略融合的粒子群优化算法，增强了算法的全局搜索能力与局部搜索能力，降低了算法陷入局部最优的概率。仿真结果表明，与其他算法的测试结果进行比较分析，本发明专利技术算法具有更快的收敛速度、更高的收敛精度等优势。

【技术实现步骤摘要】
基于多策略融合的粒子群优化算法
本专利技术属于智能算法领域，具体涉及一种基于多策略融合的粒子群优化算法。
技术介绍
粒子群算法是一种新兴的演化算法，该算法是由Kennedy和Eberhart于1995年提出的，具有原理简单、参数较少、收敛速度快等优点，在神经网络训练、参数优化、图像处理、聚类分析等多个领域得到了广泛的应用。针对标准粒子群算法易陷入局部最优的问题，学者们提出了各种改进方法，主要有以下3类：1)、改进算法结构策略；2)、引入新的进化策略；3)、与其他智能算法结合。上述对标准粒子群算法的各种改进方法均在一定程度上提升了标准粒子群算法的收敛性能，但由于全局搜索能力与局部搜索能力的彼此制约，限制了标准粒子群算法性能的大幅度提升。
技术实现思路
为改善标准粒子群算法易于陷入局部最优而使收敛性能较差的缺陷，本专利技术提出一种多策略融合的粒子群优化算法，增强了全局搜索能力与局部搜索能力，降低了算法陷入局部最优的概率。与其他算法的测试结果进行比较分析，本专利技术一种基于多策略融合的粒子群优化算法，具有更快的收敛速度、更高的收敛精度等优势。本专利技术采取的技术方案为：基于多策略融合的粒子群优化算法，包括步骤如下：步骤1、提出标准粒子群算法中粒子的速度和位置的更新公式：设在D维的搜索空间中，种群大小为N，其中，第i个粒子的位置和速度分别表示为Xi＝(xi，1，xi，2，…，xi，D)和Vi＝(vi，1，vi，2，…，vi，D)，粒子的速度和位置的更新公式为：>其中：vi,d(t+1)和xi,d(t+1)分别为第i个粒子的第d维在第t+1代的速度和位置，vi,d(t)和xi,d(t)分别为第i个粒子的第d维在第t代的速度和位置，w为惯性权重，c1和c2为学习系数，r1和r2为[0，1]间均匀分布的随机数，pbesti,d(t)为第i个粒子的第d维在第t代的个体最优解，gbestd(t)为粒子的第d维在第t代的全局最优解。并且通过线性降低的惯性权重w，调节算法的全局探索与局部开发能力，w的调节公式为：其中：t为当前迭代次数，T为总迭代次数，wmax、wmin分别为最大权重、最小权重。步骤2、考虑标准粒子群优化算法存在易陷入局部最优的缺陷，引入三黑洞系统捕获策略和早熟扰动策略：三黑洞系统捕获策略的引入：设常数阀值p∈[0，1]作为三黑洞系统捕获粒子xi的能力，对于每一粒子xi每次迭代产生一随机数l∈[0，1]，若l≤p，则xi被三黑洞系统捕获，否则按传统方式进行更新；设xi的个体最优为xg，当其被三黑洞系统捕获后，分别以xg、(xg+xmax)/2和(xg+xmin)/2为中心，r为黑洞半径，形成三个黑洞区域；被三黑洞系统捕获的粒子xi，h产生一随机数l1∈[0，1]，l1>p1，则xh被系统中黑洞1捕获；若l1∈[p2，p1]，则xh被黑洞2捕获；若l1<p2，则xh被黑洞3捕获，被捕获后的粒子位置为：其中：xmax、xmin为粒子搜索区域的上限和下限，常数阀值p1，p2∈[0，1]，且p1>p2，r1为[-1，1]的随机数，gbest(t)为粒子在第t代的全局最优解。早熟扰动策略的引入：采用早熟扰动策略，将粒子位置随机分布在当代最优位置附近，从而跳出局部最优，如式(4)、(5)所示：|Fg(t)-Fg(t-1)|<0.01·|Fg(t)|(4)x(t)＝(gbest(t)+gbest(t-1))·ra(5)其中：Fg(t)、Fg(t-1)分别为第t、t-1代全局最优值，ra为[-2，2]的随机数，gbest(t)、gbest(t-1)分别为粒子在第t代和第t+1代的全局最优解。步骤3、为了保证搜索的稳定性，以提高计算精度，引入多维随机扰动机制：设常数阈值pp∈[0，1]，对于每一粒子的每一维产生一随机数k∈[0，1]，若k≤pp，则该维采取干扰策略，即：其中：为干扰程度，r2为[-1，1]的随机数，xi,d(t)、vi,d(t+1)分别为第i个粒子的第d维在第t代的位置和在第t+1的速度。步骤4、调节算法的全局探索能力与局部开发能力：在迭代前期，为扩大搜索区域及增强种群多样性，需要较强的全局探索能力；在迭代后期，为提高算法的计算精度，需要较强的局部开发能力；通过协调因子调节全局探索能力与局部开发能力，即：ε＝exp(-t/T)(7)其中：ε为协调因子，T为总迭代次数。步骤5、制定多策略融合的粒子群优化算法流程，包括以下步骤：步骤5.1：初始化，设置种群规模N，总迭代次数T，粒子的搜索区域[Xmin，Xmax]和速度限制[Vmin，Vmax]，随机初始化粒子的位置和速度、适应度、全局最优解和个体最优位置，令迭代次数t＝1。步骤5.2：按式(7)计算协调因子ε。步骤5.3：为每一粒子产生一随机数m。步骤5.4：判断m是否小于ε，若满足，则转步骤5.5，否则转步骤5.6。步骤5.5：为每一粒子产生一随机数l，若l≤p，则按式(3)更新粒子，否则按式(1)更新粒子。步骤5.6：按式(6)更新粒子。步骤5.7：计算粒子的适应度，更新个体最优适应度和个体最优解、全局最优适应度和全局最优解。步骤5.8：按式(4)判断是否出现早熟，若早熟，则转步骤5.9，否则转步骤5.10。步骤5.9：按式(5)进行早熟扰动。步骤5.10：判断是否达到总迭代次数，若满足，则输出当前全局最优解；否则t＝t+1，返回步骤5.2。将本专利技术一种基于多策略融合的粒子群优化算法与5种不同的标准粒子群算法的性能进行对比：选取9个典型的测试函数进行仿真实验，与其他5种不同的标准粒子群算法相比，多策略融合的粒子群优化算法在不同的测试函数中均表现出更快的收敛速度及更高的收敛精度。本专利技术一种基于多策略融合的粒子群优化算法，技术效果如下：(1)：三黑洞系统捕获策略的采用使算法全局探索能力增强，种群多样性提高。(2)：维随机扰动策略的引入使算法局部开发能力增强，收敛精度提高。(3)：运用协调因子使算法从全局探索向局部开发转变。同时，通过早熟扰动策略有效的降低了算法陷入局部最优的概率。(4)：本专利技术算法在不同的测试函数中均表现出更快的收敛速度及更高的收敛精度。因此，在对求解速度与精度要求较高的优化问题中，本专利技术算法有着良好的应用前景。附图说明图1为标准粒子群算法寻优结果箱线图。图2为粒子位置更新示意图。图3为多策略粒子群优化算法流程图。图4为多策略融合的粒子群优化算法寻优结果箱线图。图5(a)为Rosenbrock测试函数适应度曲线图；图5(b)为Sphere测试函数适应度曲线图；图5(c)为SumofDifferentPowers测试函数适应度曲线图；...

【技术保护点】
1.基于多策略融合的粒子群优化算法，其特征在于包括以下步骤：/n步骤1、提出标准粒子群算法中粒子的速度和位置的更新公式：/n设在D维的搜索空间中，种群大小为N，其中，第i个粒子的位置和速度分别表示为X

【技术特征摘要】
1.基于多策略融合的粒子群优化算法，其特征在于包括以下步骤：
步骤1、提出标准粒子群算法中粒子的速度和位置的更新公式：
设在D维的搜索空间中，种群大小为N，其中，第i个粒子的位置和速度分别表示为Xi＝(xi，1，xi，2，…，xi，D)和Vi＝(vi，1，vi，2，…，vi，D)，粒子的速度和位置的更新公式为：



其中：vi,d(t+1)和xi,d(t+1)分别为第i个粒子的第d维在第t+1代的速度和位置，vi,d(t)和xi,d(t)分别为第i个粒子的第d维在第t代的速度和位置，w为惯性权重，c1和c2为学习系数，r1和r2为[0，1]间均匀分布的随机数，pbesti,d(t)为第i个粒子的第d维在第t代的个体最优解，gbestd(t)为粒子的第d维在第t代的全局最优解；
并且通过线性降低的惯性权重w，调节算法的全局探索与局部开发能力，w的调节公式为：



其中：t为当前迭代次数，T为总迭代次数，wmax、wmin分别为最大权重、最小权重；
步骤2、考虑标准粒子群优化算法存在易陷入局部最优的缺陷，引入三黑洞系统捕获策略和早熟扰动策略：
三黑洞系统捕获策略的引入：
设常数阀值p∈[0，1]作为三黑洞系统捕获粒子xi的能力，对于每一粒子xi每次迭代产生一随机数l∈[0，1]，若l≤p，则xi被三黑洞系统捕获，否则按传统方式进行更新；
设xi的个体最优为xg，当其被三黑洞系统捕获后，分别以xg、(xg+xmax)/2和(xg+xmin)/2为中心，r为黑洞半径，形成三个黑洞区域；被三黑洞系统捕获的粒子xi，h产生一随机数l1∈[0，1]，l1>p1，则xh被系统中黑洞1捕获；若l1∈[p2，p1]，则xh被黑洞2捕获；若l1<p2，则xh被黑洞3捕获，被捕获后的粒子位置为：



其中：xmax、xmin为粒子搜索区域的上限和下限，常数阀值p1，p2∈[0，1]，且p1>p2，r1为[-1，1]的随机数，gbest(t)为粒子在第t代的全局最优解；
早熟扰动策略的引入：
采用早熟扰动策...

【专利技术属性】
技术研发人员：程杉，王瑞，廖伟霖，汪业乔，赵子凯，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北;42