一种基于边缘计算的紧凑进化算法制造技术

本发明专利技术公开一种基于边缘计算的紧凑进化算法，该算法会处理与所有进化算法相类似的统计描述，算法中不包含全部种群，但会将信息包含在分布函数中，需要时从函数中进行抽样便可。紧凑算法内存需求有限，但能有效地执行优化过程，这使紧凑进化算法适用于计算能力小的硬件环境。基于边缘计算的紧凑进化算法主要包括以下步骤，初始化概率向量，概率向量PV是n

【技术实现步骤摘要】
一种基于边缘计算的紧凑进化算法


[0001]本专利技术属于演化计算中的单目标优化研究领域，涉及一种基于边缘计算的紧凑进化算法。

技术介绍

[0002]差分进化算法是现阶段代表性最强且性能最优的演化算法之一，是一种启发式搜索算法。DE算法与遗传算法类似，都是通过变异、杂交、自然选择等相关操作来实现“优胜劣汰”的进化机制，从而在第一迭代次数下得到相关问题的最优解。DE算法的收敛速度及稳定性优于多个常见的优化算法，但仍存在内存占据大、求解复杂问题时仍存在容易陷入局部最优、搜索具有一定的盲目性、后期收敛速度慢等问题，导致在大规模的工程应用中可行性差，这大大限制了其应用范围。
[0003]紧凑型进化算法，是一种进化算法(EA)，属于分布算法(EDA)的估计类别，这类算法与基于种群的算法行为相似但算法的实现只需要更小的存储空间。紧凑差分进化算法通过利用差分进化算法中典型的变异和交叉，重现其搜索逻辑，是一种高性能的紧凑算法。该算法虽然不会处理大量的解决方案，但会处理与所有进化算法相类似的统计描述，算法中不包含全部种群，但是会将所有信息包含在分布函数中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的紧凑进化算法，其特征在于，包括一下步骤：步骤1：PV初始化，初始化概率向量PV；步骤2：精英解的采样，随机采样多组精英解，代入适应度函数选择得到最优的精英解；步骤3：变异，采用差分进化机制，对个体进行变异；步骤4：交叉，采用差分进化机制，将变异后的向量与当前个体进行二项交叉操作，为选择做准备；步骤5：选择，对父代个体和子代个体进行适应度评价，使适应度值较优的个体保留下来；步骤6：PV更新，随着迭代次数的增加，PV会更新，PDF公式会随着PV的更新而更新；步骤7：重启机制，进化产生的精英候选解如果在一定的迭代次数下不变时，保留当前精英候选解，启动重启机制，产生另外精英解作精英候选解比较；步骤8：判断是否满足终止条件，若函数评价次数FES<MAXFES，返回步骤3，其中FES是评价次数，MAXFES为最大函数评价次数。2.根据权利要求1所述的一种基于边缘计算的紧凑进化算法，其特征在于，所述步骤1中PV初始化的过程为：PV初始化：PV是一个n
×
2的矩阵；PV
G
＝[μ
G
,σ
G
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，μ是高斯概率分布函数的均值，σ高斯概率分布函数的标准差；G表示生成的次数，在开始优化时，对于每一个设计变量k，我们设置μ1[k]＝0，σ1[k]＝λ＝10；为了模拟均匀分布，将σ[k]初始化。对于μ和σ，其更新如下：其中，NP是种群规模；算法对PV进行初始化后，从PV中进行采样，随机生成多组候选解。3.根据权利要求1所述的一种基于边缘计算的紧凑进化算法，其特征在于，所述步骤2具体步骤为：步骤2.1：在每代中，需要对解和精英进行采样，在本实验在变异操作中采用DE/rand/1的变异策略，则需要从PV中采样三个个体x
r1
,x
r2
,x
r3
，三个个体的产生根据均值μ[k]和标准差σ[k]为特征的高斯分布的截断PDF高斯分布函数；高斯分布函数PDF公式如下：其中，erf是误差函数；高斯分布函数PDF相对应的累积分布函数CDF公式为：
其中，erfinv是逆误差函数，即误差函数的反函数。x
r
是PV产生的个体；在采样时，必须对PDF[x
min
,x
max
]高度标准化，使其面积保持为1，即让PDF在区间[
‑
1,1]内进行截断，为了得到原始区域的值，必须执行(6)操作：步骤2.2：引入多组精英解，代入适应度函数选择得到最优的精英解；在rand/1/bin变异操作时产生三个个体，占据三个临时内存空间，即设计随机产生三个精英候选解，通过PV产生el...

【专利技术属性】
技术研发人员：王彬，张娇，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：