算法优化的方法和装置制造方法及图纸

本发明专利技术实施例公开了一种算法优化的方法和装置。该算法优化的方法包括：基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。通过本发明专利技术，解决了相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，达到了将LF机制的优势与差分进化相结合，建立了增强的HGSO技术，以增强能源利用的动态性能的技术效果。术效果。术效果。

【技术实现步骤摘要】
算法优化的方法和装置


[0001]本专利技术涉及工程技术应用领域，尤其涉及一种算法优化的方法和装置。

技术介绍

[0002]在工程应用中，特别是在非线性全局优化问题中，经典的单解算法如扰动与观测(Perturb&Observe，简称P&O)和增量质量阻力(Incremental Mass Resistance，简称IMR)被认为是不可行的。为了解决最大功率问题，实用控制算法和元启发式优化方法的设计和使用在科学界引起了广泛的关注。元启发式方法是对启发式算法的改进，基于此，将元启发式算法分为基于生物进化的进化算法(Evolutionary Algorithm，简称EA)和基于群体智能策略的进化算法(Swarm Intelligence，简称SI)两大类。基于SI的方法模拟了自然界中动物群体的去中心化和强化行为，而基于EA的技术则受到了生物进化的启发。与基于进化的元启发式算法相比，基于群智能的元启发式算法使用的算子较少，实现更加直观,能够在后续迭代中保持搜索空间。
[0003]在能源利用领域，基于最大功率控制的鲸鱼优化算法被激发和研究，以提高能源提取过程的成本效率。2019年，亨利气体溶解度优化(Henry Gas Solubility Optimization Algorithm，简称HGSO)方法被提出作为一种SI技术，这是一种基于群体的元启发式策略，其动机是亨利定律在物理学中的表现。在现有的粒子群优化算法(Particle Swarm Optimization，简称PSO)、灰狼优化算法(Grey Wolf Optimizer，简称GWO)、鲸鱼优化方法(Whale Optimization Algorithm，简称WOA)、象群游牧算法(Elephant Herding Optimizatione，简称EHO)和模拟退火算法(Simulated Algorithm，简称SA)等多种元启发式技术中，HGSO的性能通过CEC17测试套件和47个基准测试，显示了其在处理复杂优化问题方面的竞争力。基于这些行为，证明了HGSO算法能够有效地处理基于梯度优化器难以解决的实际工程优化问题。
[0004]在改进元启发式算法的混合变体中，通过对传统元启发式优化技术的研究和改进，使其在解决复杂的工业和现实问题时更加有效和准确。
[0005]虽然HGSO是目前最先进、最精确的元启发式策略，但基本的HGSO算法存在一些局限性，包括优化过程中的随机性导致收敛速度较低。此外，在HGSO算法中，搜索粒子的移动方向会受到当前溶解度的影响，主要缺点是其复杂性和运行时间消耗较大，导致优化过程的性能不理想。
[0006]针对目前相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，目前尚未得到有效的解决。

技术实现思路

[0007]本专利技术实施例提供了一种算法优化的方法和装置，以至少解决相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题。
[0008]根据本专利技术实施例的一个方面，提供了一种算法优化的方法，包括：基于差分演化
机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。
[0009]可选的，优化过程包括：将第i个搜索粒子i的解序列X初始化为：
[0010][0011]其中，ρ是[0,1]中的随机常数，是[
‑
1,1]中的随机常数；X
i,j
表示聚类j中的粒子w；在数学优化模型中，定义当前搜索代理的Henry系数为：
[0012][0013]搜索剂i在群j中的溶解度在数学上表示为：
[0014]S
i,j
(t)＝K
×
H
j
(t)
×
P
i,j
(t)；
[0015]第j个星团中第i个气体粒子的下一个位置被更新为：
[0016]X
i,j
(t+1)＝X
i,j
(t)+flag
×
rand
×
φ
i,j
×
(x
j,best
‑
x
i,j
(t))+flag
×
rand
×
α
×
(S
i,j
(t)
×
x
best
(t)
‑
X
i,j
(t)),
[0017]所有的粒子都被作为能源利用的输入来评估，以找到最优的适应度值：
[0018][0019]可选的，在优化过程的探索阶段中，基于列维飞行机制对EHO进行优化包括：列维飞行机制的数学表达式为:
[0020]其中r1和r2是(0,1)中的随机值，δ是设为1.5的常数。
[0021]可选的，该方法还包括：采用预设绩效指标评估目标优化结果，其中，预设绩效指标包括：平均适应度、平均执行时间和平均增强性能。
[0022]进一步地，可选的，平均适应度表示为：
[0023][0024]其中，为第i次执行的最优适应度值，M表示总的操作时间。
[0025]可选的，平均执行时间表示为：
[0026][0027]其中，T
λ
为第m次操作的操作时间，单位为秒。
[0028]可选的，平均增强性能，用于利用每个阶段每个执行时间的改进适应度值来限定算法的增强性能，其中，平均增强性能表示为：
[0029][0030]其中，σ
MF
为平均适应度，σ
MET
为平均执行时间。
[0031]根据本专利技术实施例的另一个方面，提供了一种算法优化的装置，包括：初始化模块，用于基于差分演化机制对EHO进行初始化，得到初始化后的EHO；优化模块，用于基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。
[0032]本专利技术实施例中，基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。也就是说，本专利技术实施例能够解决了由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，从而达到了将LF机制的优势与差分进化相结合，建立了增强的HGSO技术，以增强能源利用的动态性能的技术效果。
附图说明
[0033]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0034]图1为本专利技术实施例提供的一种算法优化的方法的流程示意图；
[0035]图2为本专利技术实施例提供的一种算法优化的装置的示意图。
具体实施方式
[0036]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种算法优化的方法，其特征在于，包括：基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对所述初始化后的EHO进行优化，得到优化后的算法。2.根据权利要求1所述的方法，其特征在于，优化过程包括：将第i个搜索粒子i的解序列X初始化为：其中，ρ是[0,1]中的随机常数，是[
‑
1,1]中的随机常数；X
i,j
表示聚类j中的粒子w；在数学优化模型中，定义当前搜索代理的Henry系数为：搜索剂i在群j中的溶解度在数学上表示为：S
i,j
(t)＝K
×
H
j
(t)
×
P
i,j
(t)；第j个星团中第i个气体粒子的下一个位置被更新为：所有的粒子都被作为能源利用的输入来评估，以找到最优的适应度值：3.根据权利要求2所述的方法，其特征在于，在优化过程的探索阶段中，基于列维飞行机制对所述初始化后的EHO进行优化包括：列维飞行机制的数学表达式为:其中r1和r...

【专利技术属性】
技术研发人员：陈映雪，缑林峰，王嘉熠，张伟罡，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：