一种改进的混合黑猩猩优化算法制造技术

本发明专利技术公开了一种改进的混合黑猩猩优化算法，该方法为：黑猩猩算法利用佳点集进行种群的初始化，基于正切函数的非线性收敛因子来平衡算法的全局搜索能力和局部开发能力，在位置更新处采用翻筋斗觅食策略。本发明专利技术给出的一种改进的混合黑猩猩优化算法(DFSChOA)，利用佳点集进行种群的初始化，提高种群个体的多样性，为全局寻优打下基础，给出的基于正切函数因子的收敛因子来平衡算法的搜索能力和开发能力；在位置更行处提出了翻筋斗觅食策略，改善了算法陷入局部最优的可能性。善了算法陷入局部最优的可能性。善了算法陷入局部最优的可能性。

【技术实现步骤摘要】
一种改进的混合黑猩猩优化算法


[0001]本专利技术属于云端化资源柔性作业调度
，涉及一种改进的混合黑猩猩优化算法。

技术介绍

[0002]为信息化与工业化融合的典型代表，云制造已成为“中国制造2025”战略规划的重要内容之一。然而云制造的相关理论与研究在调度中的应用还存在一些问题有待深入研究。本申请在国内外相关研究的基础上，结合生产流程，探索云制造环境下面向过程的云端化资源调度问题。云端化资源建模的柔性作业车间调度问题是基于传统车间调度问题上的一个拓展，对于传统车间调度问题，每一个工件的加工工序和每一个工序对应的机器和加工时间是预先确定好的。但是对于云端化的柔性车间资源调度问题来说，每一个工件涉及的工序可以在多个机器上进行加工，并且在此前提下所选择的机器的加工时间是不同的。与传统车间调度方法对比，云端化资源调度问题增加了调度的灵活性，相对符合实际生产的实际情况，因此云端化资源调度问题是当下比较迫切需要解决的问题。

技术实现思路

[0003]本专利技术要解决的技术问题是：提供一种改进的混合黑猩猩优化算法，以解决现有技术中存在的技术问题。
[0004]本专利技术采取的技术方案为：一种改进的混合黑猩猩优化算法，该方法为：黑猩猩算法利用佳点集进行种群的初始化，基于正切函数的非线性收敛因子来平衡算法的全局搜索能力和局部开发能力，在位置更新处采用翻筋斗觅食策略。
[0005]一种改进的混合黑猩猩优化算法的具体步骤如下：
[0006]S1、初始化相关参数，包括种群个体大小N，最大迭代次数T
max
、空间维度dim，搜索边界lb、ub，并设置相关参数；
[0007]S2、对黑猩猩算法种群采用佳点集进行种群初始化；
[0008]S3、计算黑猩猩群个体适应度值并确定适应度最小的分别为Xattacker、Xattacker、Xbarrier和Xdriver，Xattacker表示攻击者的位置向量；Xbarrier表示障碍者的位置向量；Xchaser表示追逐者的位置向量；Xdriver表示驱赶者的位置向量；
[0009]S4、黑猩猩驱逐和追逐猎物的数学模型如下：
[0010]d＝|C
·
Xprey(t)
‑
m
·
Xchimp(t)|
ꢀꢀꢀꢀꢀ
(1)
[0011]Xchimp(t+1)＝Xprey(t)
‑
a
·
d
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0012]式中：t表示当前迭代次数；Xprey为猎物位置向量；Xchimp为当前黑猩猩位置向量；a，m，C为系数向量，计算公式如下：
[0013]a＝2f
·
r1
‑
f
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0014]m＝Chaotic value
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0015]C＝2
·
r2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0016]式中：r1和r2分别为[0，1]间的随机向量；f为收敛因子，其值随迭代次数增加从2.5非线性减小到0；a是决定黑猩猩与猎物距离的随机向量，其值为[
‑
f，f]之间的随机数，m为混沌映射矢量，代表黑猩猩在狩猎过程中性动机的影响；C为黑猩猩驱逐和追赶猎物的控制系数，其值为[0，2]之间的随机数，种群初始化后，依次选出四个最优解作为攻击者、障碍者、驱赶者和追逐者的位置；
[0017]收敛因子f采用基于正切函数的非线性收敛因子，该收敛因子的模型如下：
[0018][0019]其中f
initial
是收敛因子的初始值，t为当前迭代次数，T
max
为最大迭代次数，ε＞0为收敛因子调节系数。由式可知，控制参数f随迭代次数的增加非线性动态变化，以平衡算法的全局搜索能力和局部开放能力；
[0020]S5、种群中的其他黑猩猩位置围绕以下四种黑猩猩的位置进行更新，根据式(6)～(9)更新猩猩群位置，通过式(10)更新猎物位置，其数学模型描述如下：
[0021]X1＝X
attacker
‑
a1·
|C1·
X
attacker
‑
m1·
X|
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0022]X2＝X
barrier
‑
a2
·
|C2
·
Xbarrier
‑
m2
·
X|
ꢀꢀꢀꢀ
(7)
[0023]X3＝X
chaser
‑
a3
·
|C3
·
Xchaser
‑
m3
·
X|
ꢀꢀꢀ
(8)
[0024]X4＝X
driver
‑
a4
·
|C4
·
Xdriver
‑
m4
·
X|
ꢀꢀꢀ
(9)
[0025]X(t+1)＝(X1+X2+X3+X4)/4
ꢀꢀꢀꢀꢀꢀꢀ
(10)
[0026]式中：X表示当前黑猩猩的位置向量；Xattacker表示攻击者的位置向量；Xbarrier表示障碍者的位置向量；Xchaser表示追逐者的位置向量；Xdriver表示驱赶者的位置向量；X(t+1)表示当前黑猩猩更新后的位置向量；
[0027]该步骤中的判断条件t/t
max
是否大于rand，rand表示0到1的随机数，是则根据式(12)进行翻筋斗觅食策略计算，然后合并比较，通过升序筛选出新适应度值；否则直接跳至S6；翻筋斗觅食策略的数学模型如下：
[0028][0029]其中，S代表空翻因子，决定了翻到猎物对面的位置，取S＝2；为猎物位置；N为猩猩群数量；d为维度；r1、r2为两个在[0，1]的随机数；
[0030]S6、跳到步骤S3直到满足终止条件，即计算到最大迭代次数T
max
；
[0031]S7、输出最优解Xattacker的位置。
[0032]本专利技术的有益效果：与现有技术相比，本专利技术给出的一种改进的混合黑猩猩优化算法(DFSChOA)，利用佳点集进行种群的初始化，提高种群个体的多样性，为全局寻优打下基础，给出的基于正切函数因子的收敛因子来平衡算法的搜索能力和开发能力；在位置更行处提出了翻筋斗觅食策略，改善了算法陷入局部最优的可能性。
附图说明
[0033]图1为黑猩猩群捕食示意图；
[0034]图2为常规初始化种群分布图；
[0035]图3为佳点集初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的混合黑猩猩优化算法，其特征在于：该方法为：利用佳点集进行种群的初始化，基于正切函数的非线性收敛因子来平衡算法的全局搜索能力和局部开发能力，在位置更新处采用翻筋斗觅食策略。2.根据权利要求1所述的一种改进的混合黑猩猩优化算法，其特征在于：具体步骤如下：S1、初始化相关参数，包括种群个体大小N，最大迭代次数T
max
、空间维度dim，搜索边界lb、ub，并设置相关参数；S2、对黑猩猩算法种群采用佳点集进行种群初始化；S3、计算黑猩猩群个体适应度值并确定适应度最小的分别为Xattacker、Xattacker、Xbarrier和Xdriver，Xattacker表示攻击者的位置向量；Xbarrier表示障碍者的位置向量；Xchaser表示追逐者的位置向量；Xdriver表示驱赶者的位置向量；S4、黑猩猩驱逐和追逐猎物的数学模型如下：d＝|C
·
Xprey(t)
‑
m
·
Xchimp(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)Xchimp(t+1)＝Xprey(t)
‑
a
·
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中：t表示当前迭代次数；Xprey为猎物位置向量；Xchimp为当前黑猩猩位置向量；a,m,C为系数向量，计算公式如下：a＝2f
·
r1
‑
f
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)m＝Chaotic value
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)C＝2
·
r2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式中：r1和r2分别为[0，1]间的随机向量；f为收敛因子，其值随迭代次数增加从2.5非线性减小到0；a是决定黑猩猩与猎物距离的随机向量，其值为[
‑
f，f]之间的随机数，m为混沌映射矢量，代表黑猩猩在狩猎过程中性动机的影响；C为黑猩猩驱逐和追赶猎物的控制系数，其值为[0，2]之间的随机数，种群初始化后，依次选出四个最优解作为攻击者、障碍者、驱赶者和追逐者的位置；S5、种群中的其他黑猩猩位置围绕以下四种黑猩猩的位置进行更新，根据式(6)～(9)更新猩猩群位置，通过式(10)更新猎物位置，其数学模型描述如下：X1＝X
attacke...

【专利技术属性】
技术研发人员：李少波，蒲睿强，周鹏，杨贵林，张钧星，彭庆国，
申请(专利权)人：贵州大学，
类型：发明
国别省市：