一种基于改进竞争群算法的参数优化方法技术

本发明专利技术涉及群智能优化算法领域和启发式算法领域，具体涉及一种基于改进竞争群算法的参数优化方法。具体包括：初始化竞争群算法参数，将种群进行随机分组获得多个竞争小组，并根据预设的适应度函数计算适应度值，确定竞争小组中的粒子类型；根据学习权重计算方法获取种群权重取值范围以及所述粒子对应的学习权重；根据粒子类型和种群中所有粒子的适应度值，按照预设的加速方法进行种群粒子的速度和位置更新；根据适应度函数计算更新后种群适应度值获取最优适应度值，当所述最优适应度至满足预设要求时，种群停止迭代，输出优化参数。本发明专利技术以加速策略提高早熟收敛的粒子摆脱局部最优点束缚的能力，增强了竞争群算法的优化速度与优化效果。

【技术实现步骤摘要】
一种基于改进竞争群算法的参数优化方法
本专利技术涉及群智能优化算法领域和启发式算法领域，具体涉及一种基于改进竞争群算法的参数优化方法。
技术介绍
优化方法自20世纪60年代以来已取得很大进展和许多理论研究与应用成果。现有的优化方法主要可分为两大类：传统的确定性优化方法和智能优化方法。以SQP方法为代表的确定性优化方法的实测效果非常好，但也有局限性。首先智能求解光滑非线性优化问题；其次，获得的最优解只能是局部最优解，因此只适合求解中小规模问题。受自然界自适应优化现象的启发，并且伴随着人工智能的发展，模拟生物进化过程、人类思维、生物智能行为等并以此开发求解复杂优化问题的智能优化算法越来越受到关注。智能优化算法可以分为两类：一类是模拟生物进化的算法，如遗传算法、进化规划算法等；另一类是基于群体智能的算法，如蚁群算法、粒子群算法等。尽管它们都有一些共同的特征，即都是群体搜索、随机搜索，具有并行性和全局性等，但其解决优化问题的质量仍有很大的提升空间。竞争群(CompetitiveSwarmOptimizer)算法本质上是粒子群(ParticleSwarmOptimization)算法的一种变体，于2015年R.Cheng等人受粒子群算法启发而提出。在种群中，其引入了群体之间的竞争机制，有效避免了由于粒子群中由于全局最优粒子对群体的过度影响而导致的过早收敛问题。与其他启发式算法相比，启发式算法相比，竞争群算法具有更出色的收敛性能，解决了很多实际的优化问题。因此，竞争群算法是一种非常高效的全局并行搜索算法，自提出以来就收到学术界的广泛重视。虽然随机优化算法不受问题种类的约束，克服了传统优化方法的局限性，但是普遍存在搜索精度不高、易早熟、对参数依赖性高、搜索效率较低的缺陷。
技术实现思路
基于此，本专利技术针对上述的问题，提供了对竞争群算法进行了一系列改进，从而提高其解决优化问题的能力。本专利技术提供了一种基于改进竞争群算法的参数优化方法，具体包括：初始化竞争群算法参数，将种群进行随机分组获得多个竞争小组，并根据预设的适应度函数计算适应度值，确定所述竞争小组中的粒子类型；根据学习权重计算方法获取种群权重取值范围以及所述粒子对应的学习权重；根据所述粒子类型和所述种群中所有粒子的适应度值，按照预设的加速方法进行种群粒子的速度和位置更新；根据所述适应度函数计算更新后种群适应度值获取最优适应度值，当所述最优适应度至满足预设要求时，种群停止迭代，输出优化参数。进一步的，所述初始化竞争权算法参数具体为：初始化下列参数：竞争群算法最大迭代次数MaxT，粒子数目N，搜索空间维度D，每个粒子的在相应范围内的速度与位置，控制粒子速度的调控参数k1，k2以及学习权重的范围和具体值；令T＝0，T为竞争群算法迭代次数，0≤T≤MaxT，初始化竞争群的位置Xi(k)＝(xi,1(t),xi,2(t),…,xi,D(t))和速度Vi(k)＝(vi,1(t),vi,2(t),…,vi,D(t))，1≤i≤N。进一步的，所述根据预设的适应度函数具体为Sphere,Rosenbrock,Rastrigin,Griewank,Ackley,BentCigar,HighConditionedElliptic和levyandamontalvo_1无约束基准函数，其函数模型依次如下所示：yi＝1+(xi+1)/4；其中，Sphere，Rastrigin和BentCigar为单峰函数，其余为多峰函数。并且这八个函数的自变量取值范围分别为：[-100,100]，[-30,30]，[-5.12,5.12]，[-600,600]，[-30,30]，[-10,10]，[-10,10]，[-10,10]。进一步的，所述根据学习权重计算方法获取种群权重取值范围以及所述粒子对应的学习权重具体包括：所述种群权重取值范围的计算公式为：式中，是权重的最小值，是权重的最大值；所述种群粒子对应的学习权重的计算公式为：式中，u和r分别是高斯分布的数学期望和标准偏差，Kmax是最大迭代次数，k为当前迭代次数。进一步的，所述根据所述粒子类型和所述种群中所有粒子的适应度值，按照预设的加速方法进行种群粒子的速度和位置更新具体包括：所述粒子类型包括胜利粒子和失败粒子；当所述粒子类型为失败粒子时，根据种群中所有粒子的适应度值计算整个种群中粒子的平均适应度值favg，并计算种群中适应度优于favg的所有粒子的适应度值平均值f’avg；当fi次于f’avg，按照公式计算所述fi对应粒子的下一代粒子速度；当fi非次于f’avg，按照公式计算所述fi对应粒子的下一代粒子速度；并按照公式Xl,p(k+1)＝Xl,p(k)+Vl,p(k+1)进行粒子位置更新；式中，k为迭代次数，l代表竞争失败的粒子，w代表竞争胜利的粒子；R1，R2，R3是范围为[0,1]的随机数；p代表当前维度；代表种群的平均位置；代表该粒子的学习权重。进一步的，所述步骤当所述最优适应度至满足预设要求时，种群停止迭代，输出优化参数中，预设要求为：迭代次数等于最大迭代次数，所述最大迭代次数为1000。有益效果：本专利技术将全局学习对象转化为适应度相比于当前粒子更好的所有粒子的平均位置，构造了一种有高斯分布的累积分布函数烟花而来的调整学习权值函数，以达到离子能在前期快速搜索而在后期精确搜索的目的，并提高了加速策略来更新过早收敛离子的速度以提高早熟收敛粒子摆脱局部最优点束缚的能力，提高算法的整体搜索效率和搜索能力。可用于求解各类多峰问题。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明图1为本专利技术实施例提供的一种基于改进竞争群算法的参数优化方法的流程框图；；图2为本专利技术实施例提供的学习权重的变化曲线图；图3为本专利技术实施例提供的基于改进竞争群算法与标准竞争群算法对F1测试函数的优化曲线对比图；图4为本专利技术实施例提供的基于改进竞争群算法与标准竞争群算法对F2测试函数的优化曲线对比图；图5为本专利技术实施例提供的基于改进竞争群算法与标准竞争群算法对F3测试函数的优化曲线对比图；图6为本专利技术实施例提供的基于改进竞争群算法与标准竞争群算法对F4测试函数的优化曲线对比图；图7为本专利技术实施例提供的基于改进竞争群算法与标准竞争群算法对F5测试函数的优化曲线对比图；图8为本专利技术实施例提供的基于改进竞争群算法与标准竞争群算法对F6测试函数的优化曲线对比图；图9为本专利技术实施例提供的基于改进竞争群算法与标准竞争群算法对F7测试函数的优化曲线对比图；图10为本专利技术实施例提供的基于改进竞争群算法与标准竞争群算法对F8测试函数的优化曲本文档来自技高网...

【技术保护点】
1.一种基于改进竞争群算法的参数优化方法，其特征在于，具体包括：/n初始化竞争群算法参数，将种群进行随机分组获得多个竞争小组，并根据预设的适应度函数计算适应度值，确定所述竞争小组中的粒子类型；/n根据学习权重计算方法获取种群权重取值范围以及所述粒子对应的学习权重；/n根据所述粒子类型和所述种群中所有粒子的适应度值，按照预设的加速方法进行种群粒子的速度和位置更新；/n根据所述适应度函数计算更新后种群适应度值获取最优适应度值，当所述最优适应度满足预设要求时，种群停止迭代，输出优化参数。/n

【技术特征摘要】
1.一种基于改进竞争群算法的参数优化方法，其特征在于，具体包括：
初始化竞争群算法参数，将种群进行随机分组获得多个竞争小组，并根据预设的适应度函数计算适应度值，确定所述竞争小组中的粒子类型；
根据学习权重计算方法获取种群权重取值范围以及所述粒子对应的学习权重；
根据所述粒子类型和所述种群中所有粒子的适应度值，按照预设的加速方法进行种群粒子的速度和位置更新；
根据所述适应度函数计算更新后种群适应度值获取最优适应度值，当所述最优适应度满足预设要求时，种群停止迭代，输出优化参数。


2.根据权利要求1所述的基于改进竞争群算法的参数优化方法，其特征在于，所述初始化竞争权算法参数具体为：
初始化下列参数：竞争群算法最大迭代次数MaxT，粒子数目N，搜索空间维度D，每个粒子的在相应范围内的速度与位置，控制粒子速度的调控参数k1，k2以及学习权重φ的范围和具体值；
令T＝0，T为竞争群算法迭代次数，0≤T≤MaxT，初始化竞争群的位置Xi(k)＝(xi,1(t),xi,2(t),…,xi,D(t))和速度Vi(k)＝(vi,1(t),vi,2(t),…,vi,D(t))，1≤i≤N。


3.根据权利要求1所述的基于改进竞争群算法的参数优化方法，其特征在于，所述根据预设的适应度函数具体为Sphere,Rosenbrock,Rastrigin,Griewank,Ackley,BentCigar,HighConditionedElliptic和levyandamontalvo_1无约束基准函数，其函数模型依次如下所示：
























yi＝1+(xi+1)/4；
其中，Sphere，Rastrigin和BentCigar为单峰函数，其余为多峰函数，并且这...

【专利技术属性】
技术研发人员：周杰，王同，陆冰沪，廖志明，粟梅，甘国庆，孙尧，凌涛，孙德旺，顾伟伟，夏春，
申请(专利权)人：安徽铜冠铜箔集团股份有限公司，中南大学，
类型：发明
国别省市：安徽;34