【技术实现步骤摘要】
随机惯性权重粒子群优化方法本专利技术属于智能算法领域，涉及一种随机惯性权重粒子群优化方法。
技术介绍
粒子群算法(PSO)是由Kennedy和Eberhart在1995年提出的。由于其结构简单、计算量小，粒子群算法已被广泛应用于求解大范围优化问题。该算法已成功应用于解决许多实际优化问题,如路径规划、柔性作业车间调度、特征选择、深度神经网络等许多其他现实问题。。粒子群优化算法虽然原理简单、易于实现、收敛速度快，但仍存在收敛过早、全局搜索能力差等缺点。为了提高粒子群算法的优化性能，许多学者提出了各种各样的粒子群算法变体。粒子群算法的修正策略大致可以分为四种情况:邻域拓扑、粒子群算法与其他算法的杂交、学习策略和参数调优。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随机惯性权重粒子优化算法，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，本专利技术一种随机惯性权重粒子优化算法，具有更快的收敛速度、更高的收敛精度等优势。。
技术实现思路
...
【技术保护点】
1.随机惯性权重粒子群优化方法，其特征在于，包括以下步骤：/n步骤1、设每个粒子代表超空间中的一个设计点，其当前位置用
【技术特征摘要】
1.随机惯性权重粒子群优化方法，其特征在于，包括以下步骤：
步骤1、设每个粒子代表超空间中的一个设计点，其当前位置用表示，其中i为单个粒子，t为迭代次数；每个粒子跟踪其当前位置和到目前为止最优解用pid表示；算法跟踪的另一个值是跟踪全局最优解pgd；粒子速度为每次迭代时粒子位置的变化；提出标准粒子群算法中粒子的速度和位置的更新公式：
x(i,k+1)＝x(i,k)+v(i,k+1)；i＝1toN(2)
其中，认知参数c1和社会参数c2统称为加速系数；r1和r2是第t次迭代生成的包含随机数的向量(0≤rand≤1)，N表示种群的大小；w为权重，粒子速度更新方程中存在三个矢量分量；即动量向量，认知或个人成分和社会或全局成分；
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，简化粒子群优化方程，并引入影响算子；
其中影响因子e1,e2表示为：
步骤3、引入随机惯性权重w：
步骤4、引入以中心位为基础的扰动策略：
基于差分进化的变异操作进行改进，改进的公式如下：
上式等式右边的第一项用中心位与变量r_1模拟个体其中的一维信息，采用改进公式来更新粒子每一维位置；其中为采用差分算法更新的新位置，F为缩放因子，为采用公式(4)更新后的粒子位置；F计算公...
【专利技术属性】
技术研发人员：张渊博，邹德旋，张春韵，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：江苏;32
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。