一种改进型的多模态多目标狼群优化方法及装置制造方法及图纸

本发明专利技术公开了一种改进型的多模态多目标狼群优化方法及装置，该优化方法具体包括如下步骤：随机自适应收缩网格搜索策略；全局最优记录奔袭策略；MMO

【技术实现步骤摘要】
一种改进型的多模态多目标狼群优化方法及装置


[0001]本专利技术涉及目标优化
，具体为一种改进型的多模态多目标狼群优化方法及装置。

技术介绍

[0002]最优化问题广泛存在于人们的社会生活中，它主要是指在一定约束或者限制条件，如何求取待解决问题最优值或最优方案的过程，即针对具体的问题，在众多的可行性解决方案之中，找到一个或多个满足约束条件的最好的那个或那些解决方案，这对于人们现实生活中的工程应用和科学研究均具有特别重要的实用价值和科研意义，而多目标优化又可称为多目标规划，其是数学规划的一个分支，研究多于一个目标函数在给定区域上的最优化，又称多目标最优化，在很多实际问题中，例如经济、管理、军事、科学和工程设计等领域，衡量一个方案的好坏往往难以用一个指标来判断，而需要用多个目标来比较，而这些目标有时不甚协调，甚至是矛盾的，因此有许多学者致力于这方面的研究，多目标规划或多目标优化问题的求解思路不外乎以下几种，一者是化繁为简的思路，就是说把相对较为繁杂的多目标优化问题转化为较为简单的单目标优化问题来求解，再者是分层序列法，该方法的思路是将多目标优化问题中的多个目标按照特定规则依次划分为几个类别或者说标准各自的优先级次序，然后按照重要程度或者优先级级别依次求解，直到完成对所有目标的求解，又或者是层次分析法，该方法是将与决策相关联的元素分解成目标、准则、方案等层次并进行定性与定量相结合，从而形成的多目标决策与分析方法，这种方法在面对复杂目标结构和缺少必要的相关支持数据的情况时比较适用，还可以用修正单纯形法求解；
[0003]但是目前大部分优化过程均采用了狼群算法，同时考虑到水流过程的确定系数和绝对差加权和的实际特点设计了一种新的多目标函数，然而WPA的优化能力相对不足，并且，狼群算法在作为群智能算法的一种，狼群算法在解决多模态多目标问题上的应用不是很多，相关的研究也不多，现有优化方法解决MMPs问题均存在这样或那样的不足。

技术实现思路

[0004]本专利技术提供一种改进型的多模态多目标狼群优化方法及装置，可以有效解决上述
技术介绍
中提出目前大部分优化过程均采用了狼群算法，同时考虑到水流过程的确定系数和绝对差加权和的实际特点设计了一种新的多目标函数，然而WPA的优化能力相对不足，并且，狼群算法作为群智能算法的一种，其在解决多模态多目标问题上的应用不是很多，相关的研究也不多，现有优化方法解决MMPs问题均存在这样或那样的不足的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种改进型的多模态多目标狼群优化方法，在MMO
‑
WPOA
‑
RASGS
‑
GBA中，引入RASGS策略以协同提高狼群算法在局部开发和全局勘探能力，以定位大量的Pareto最优解，且借助由非支配排序方案和特殊拥挤距离(SCD)组成的排序方法，采用GBA策略获得并保持种群的历史全局最优解，以此为锚诱导种群探索更好的解；
[0006]该优化方法具体包括如下步骤：
[0007]S1、随机自适应收缩网格搜索策略(RASGS)；
[0008]S2、全局最优记录奔袭策略(GBA)；
[0009]S3、MMO
‑
WPOA
‑
RASGS
‑
GBA算法流程；
[0010]且在S3中，MMO
‑
WPOA
‑
RASGS
‑
GBA的算法流程的详细操作步骤如下：
[0011]S301、MMO
‑
WPOA
‑
RASGS
‑
GBA的初始化；
[0012]S302、循环迭代的优化过程；
[0013]S303、记录数据。
[0014]根据上述技术方案，所述S1中，提出了随机ASGS策略(RASGS)，该策略以等距步长引入一个随机参数，使ASGS策略具有灵活性，同时保持其自身的基本勘探扩展框架，RASGS策略可以用下面的公式(1)来说明：
[0015][0016]求解非线性和不规则的MMP要求算法不仅能够在狩猎和围攻阶段保持搜索框架的稳定性，且能够在处理复杂和无限的解空间时保持灵活性，RASGS继承了前者的功能，并引入了随机参数，从而实现后者，与ASGS
‑
CWOA类似，基于此新策略的算法缩写为RASGS
‑
CWOA。
[0017]根据上述技术方案，所述S2中，MMP具有多个不一致的目标，因此无法通过传统方法比较不同非支配解的质量，也无法像单目标规划问题那样找到全局最优解；
[0018]根据ASGS
‑
CWOA的思想，狼需要在召唤群阶段袭击领头狼，即全局最优，而排序后得到的序列中的第一个非支配解实际上并不是真正意义上的全局最优解，而是一个参考解，这足以诱导狼群聚集，再基于SCD排序以获得全局最优值并完成召唤raid计算；
[0019]在召唤突袭阶段，狼群会冲向各自邻域最优档案中的最优档案，而不是全局最优档案。
[0020]根据上述技术方案，所述S301中，MMO
‑
WPOA
‑
RASGS
‑
GBA的初始化，首先以某种方式将狼分散到搜索空间或解空间，狼的数量可以用N表示，搜索空间的维数可以用D表示，并通过以下公式(2)来得到第i只狼的位置：
[0021]X
i
＝(X
i1
,X
i2
,...，X
id
,...，X
iD
)(i＝1，2，...，N；d＝1，2，...，D)(2)；
[0022]这里，xid是第i只狼在第d维度上的位置，其中N代表狼群种群的数量，D是解空间的最大维度数，每只狼的初始位置可以由以下公式(3)进行计算产生：
[0023][0024]在上式中，μ为控制变量，当μ为4时，系统处于混沌状态，Chaosk+1产生并返回一个分布于0和1之间的混沌随机数，VRmax and VRmin分别是解空间在各个维度上的边界上限和边界下限，具体如下公式(4)所示：
[0025][0026]在上式中，step_a_basic代表狼群算法中巡游阶段的初始步长，step_b_basic代表狼群算法中召唤
‑
奔袭阶段的初始步长，step_c_max代表狼群算法中围攻阶段的初始步长的上限，step_c_min代表狼群算法中围攻阶段的初始步长的下限。
[0027]根据上述技术方案，所述S302中，循环迭代的优化过程主要是指按照以下公式进行迭代更新stepa、stepb和stepc：
[0028][0029]根据上述技术方案，在S302中，循环迭代的优化过程好具体包括如下阶段：
[0030]巡游阶段(Migration)、召唤
‑
奔袭阶段(Summon and Raid)、围攻阶段(Siege t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进型的多模态多目标狼群优化方法，其特征在于：在MMO
‑
WPOA
‑
RASGS
‑
GBA中，引入RASGS策略以协同提高狼群算法在局部开发和全局勘探能力，以定位大量的Pareto最优解，且借助由非支配排序方案和特殊拥挤距离组成的排序方法，采用GBA策略获得并保持种群的历史全局最优解，以此为锚诱导种群探索更好的解；该优化方法具体包括如下步骤：S1、随机自适应收缩网格搜索策略；S2、全局最优记录奔袭策略；S3、MMO
‑
WPOA
‑
RASGS
‑
GBA算法流程；且在S3中，MMO
‑
WPOA
‑
RASGS
‑
GBA的算法流程的详细操作步骤如下：S301、MMO
‑
WPOA
‑
RASGS
‑
GBA的初始化；S302、循环迭代的优化过程；S303、记录数据。2.根据权利要求1所述的一种改进型的多模态多目标狼群优化方法，其特征在于：所述S1中，提出了随机ASGS策略，该策略以等距步长引入一个随机参数，使ASGS策略具有灵活性，同时保持其自身的基本勘探扩展框架，RASGS策略可以用下面的公式(1)来说明：求解非线性和不规则的MMP要求算法不仅能够在狩猎和围攻阶段保持搜索框架的稳定性，且能够在处理复杂和无限的解空间时保持灵活性，RASGS继承了前者的功能，并引入了随机参数，从而实现后者，与ASGS
‑
CWOA类似，基于此新策略的算法缩写为RASGS
‑
CWOA。3.根据权利要求1所述的一种改进型的多模态多目标狼群优化方法，其特征在于：所述S2中，MMP具有多个不一致的目标，因此无法通过传统方法比较不同非支配解的质量，也无法像单目标规划问题那样找到全局最优解；根据ASGS
‑
CWOA的思想，狼需要在召唤群阶段袭击领头狼，即全局最优，而排序后得到的序列中的第一个非支配解实际上并不是真正意义上的全局最优解，而是一个参考解，这足以诱导狼群聚集，再基于SCD排序以获得全局最优值并完成召唤raid计算；在召唤突袭阶段，狼群会冲向各自邻域最优档案中的最优档案，而不是全局最优档案。4.根据权利要求1所述的一种改进型的多模态多目标狼群优化方法，其特征在于：所述S301中，MMO
‑
WPOA
‑
RASGS
‑
GBA的初始化，首先以某种方式将狼分散到搜索空间或解空间，狼的数量可以用N表示，搜索空间的维数可以用D表示，并通过以下公式(2)来得到第i只狼的位置：X
i
＝(X
i1
,X
i2
,...，X
id
,...，X
iD
)(i＝1...

【专利技术属性】
技术研发人员：王东兴，任永坚，
申请(专利权)人：珠海信核数据科技有限公司，
类型：发明
国别省市：