一种基于粒子群遗传混合算法的标准测试函数处理方法技术

本发明专利技术公开了一种基于粒子群遗传混合算法的标准测试函数处理方法，包括步骤：S1、初始化种群后，设定种群规模为M，先由粒子群算法将种群进化到一定代数T，根据适应度函数值，将种群中适应度函数值优于种群均值的个体U

【技术实现步骤摘要】
一种基于粒子群遗传混合算法的标准测试函数处理方法


[0001]本专利技术属于计算模型
，尤其涉及一种基于粒子群遗传混合算法的标准测试函数处理方法。

技术介绍

[0002]遗传算法是一种受到人工生命启发，模拟生物进化过程的随机搜索算法。遗传算法具有隐含并行性和快速随机全局搜索的能力，自遗传算法提出以来，主要应用于函数优化、组合优化、生产调度问题、自动控制、机器人学、图像处理、多机器人路径规划等。研究发现，遗传算法中参数的选择对遗传算法的性能有重要的影响，控制参数包括种群大小，终止进化代数，交叉概率，变异概率，而影响算法的主要参数是交叉概率和变异概率的选择，两个参数影响算法的收敛性和解的优越性。研究一提出一种针对某一类函数优化问题的交叉概率和变异概率最优组合参数的方法；研究二认为所有对交叉算子和变异算子的改进可以通过适当的调整适应度、交叉概率、变异概率之间的组合来模拟。
[0003]粒子群算法是一种模拟鸟类群体智能行为的优化算法，粒子群算法原理简单，采用速度、位移两个迭代公式，算法操作容易实现，能够以较快的速度收敛到所需要的精度。近年来，粒子群算法在求解多目标优化、多峰函数优化、调度与规划、控制器参数优化等方面得到应用。

技术实现思路

[0004]针对粒子群算法收敛速度快、解具有记忆功能但全局搜索能力较遗传算法差的特点，本专利技术利用遗传算法和粒子群算法的特点和优点，提出一种基于粒子群遗传混合算法的标准测试函数处理方法，利用该方法对常用的标准测试函数进行优化问题求解，并与单独的粒子群算法和遗传算法进行比较，实验结果证明本专利技术提出的混合算法具有有效性。
[0005]本专利技术是这样实现的，一种基于粒子群遗传混合算法的标准测试函数处理方法，该方法包括以下步骤：
[0006]S1、初始化种群后，设定种群规模为M，先由粒子群算法将种群进化到一定代数T，根据适应度函数值，将种群中适应度函数值优于种群均值的个体U
k
直接提取出来，进入下一代，剩余的(M-U
k
)个个体，以剩余的(M-U
k
)个个体为基础，进行遗传算法进化，产生(M-U
k
)个个体；
[0007]S2、将剩余的(M-U
k
)个个体和遗传算法进化的(M-U
k
)个个体结合在一起后提取出前一半的(M-U
k
)个个体，将粒子群进化得出的U
k
个个体和遗传算法进化得到的(M-U
k
)个个体结合形成新的粒子群群体M，之后进行下一步进化迭代。
[0008]优选地，所述步骤S1包括以下步骤：
[0009]Step1：初始化种群参数，种群规模M，混合算法进化的总代数Maxgen，粒子群算法中的两个学习因子C1,C2，最大速度V
max
和粒子群算法进化代数T；遗传算法中交叉概率P
c
和变异概率P
m
；
[0010]Step2：在解空间中初始化种群，随机生成M个粒子；
[0011]Step3：按适应度函数计算适应度函数值；
[0012]Step4：代数计数k＝1；
[0013]Step5：判断k≤Maxgen是否，若k≤Maxgen，继续下一步，反之转到Step15；
[0014]Step6：PSO进化代数计数t＝1；
[0015]Step7：判断t≤T是否，若t≤T，继续下一步，反之转到Step10；
[0016]Step8：按公式(1)和(2)更新粒子群粒子的速度和位置：
[0017][0018][0019]式中，k表示当前迭代次数，表示第i个粒子在第k次进化过程中第d维的速度，表示第i个粒子在第k次进化过程中第d维的位置，p
i,d
表示第i个粒子在当前最优位置的第d维位置，p
g,d
表示群体在当前最优位置的第d维位置，ω表示速度的惯性权重，c1，c2为加速因子，r1，r2是两个随机分布在[0,1]的正实数；
[0020]Step9：t＝t+1；
[0021]Step10：将M个个体的适应度函数值排序，并计算各个粒子适应度函数值的均值faverage，将适应度函数值优于种群均值的个体U
k
提取出来；
[0022]Step11：用遗传算法进化剩余的(M-U
k
)个个体。
[0023]优选地，所述步骤S2包括以下步骤：
[0024]Step12：将两组(M-U
k
)个个体合并，并根据适应度函数值选择较优的(M-U
k
)个个体；
[0025]Step13：将PSO进化得到的U
k
个个体和由遗传算法进化得到的(M-U
k
)个个体合并形成一个新的粒子群群体；
[0026]Step14：k＝k+1，转到Step5；
[0027]Step15：输出最优解即粒子位置，和最优适应度函数值。
[0028]相比于现有技术的缺点和不足，本专利技术具有以下有益效果：
[0029](1)本专利技术利用遗传算法和粒子群算法的特点和优点，提出一种基于粒子群遗传混合算法的标准测试函数处理方法，利用该方法对常用的标准测试函数进行优化问题求解，并与单独的粒子群算法和遗传算法进行比较，实验结果证明本专利技术提出的混合算法具有有效性；
[0030](2)本专利技术粒子群遗传混合算法能在函数优化、组合优化、生产调度问题、自动控制、机器人学、图像处理、多机器人路径规划、求解多目标优化、多峰函数优化、调度与规划、控制器参数优化等方面得到广泛应用。
附图说明
[0031]图1是现有遗传算法的步骤流程图；
[0032]图2是现有粒子群算法中单个粒子位置的移动示意图；
[0033]图3是现有粒子群算法的步骤流程图；
[0034]图4是本专利技术粒子群遗传混合算法的原理示意图；
[0035]图5是本专利技术粒子群遗传混合算法的步骤流程图；
[0036]图6是本专利技术实施例中phere函数三维图；
[0037]图7是本专利技术实施例中Rosenbrock函数三维图像；
[0038]图8是本专利技术实施例中Rastrigin函数三维图像；
[0039]图9是本专利技术实施例中Ackley函数的三维图像；
[0040]图10是本专利技术实施例中Griewangk函数的三维图像。
具体实施方式
[0041]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0042]一、遗传算法
[0043]遗传算法是基于达尔文进化论和孟德尔遗传学说的模拟生物进化过程的计算模型。遗传算法通过对染色体的选择、交叉和变异3种基本操作，仿效生物本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群遗传混合算法的标准测试函数处理方法，其特征在于，该方法包括以下步骤：S1、初始化种群后，设定种群规模为M，先由粒子群算法将种群进化到一定代数T，根据适应度函数值，将种群中适应度函数值优于种群均值的个体U
k
直接提取出来，进入下一代，剩余的(M-U
k
)个个体，以剩余的(M-U
k
)个个体为基础，进行遗传算法进化，产生(M-U
k
)个个体；S2、将剩余的(M-U
k
)个个体和遗传算法进化的(M-U
k
)个个体结合在一起后提取出前一半的(M-U
k
)个个体，将粒子群进化得出的U
k
个个体和遗传算法进化得到的(M-U
k
)个个体结合形成新的粒子群群体M，之后进行下一步进化迭代。2.如权利要求1所述的基于粒子群遗传混合算法的标准测试函数处理方法，其特征在于，所述步骤S1包括以下步骤：Step1：初始化种群参数，种群规模M，混合算法进化的总代数Maxgen，粒子群算法中的两个学习因子C1,C2，最大速度V
max
和粒子群算法进化代数T；遗传算法中交叉概率P
c
和变异概率P
m
；Step2：在解空间中初始化种群，随机生成M个粒子；Step3：按适应度函数计算适应度函数值；Step4：代数计数k＝1；Step5：判断k≤Maxgen是否，若k≤Maxgen，继续下一步，反之转到Ste...

【专利技术属性】
技术研发人员：吴沁，谌国章，杨建军，张洁，王富强，杨辰煜，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：