【技术实现步骤摘要】
一种大王花优化算法在硬件平台上的部署方法
[0001]本专利技术属于智能算法领域，具体涉及一种大王花优化算法在硬件平台上的部署方法。
技术介绍
[0002]智能优化算法为无线传感器、信息隐藏、交通运输等众多领域的优化问题提供了好的解决方案。通常情况下，智能优化算法被部署在软件上执行。但随着物联网、自动化等科学技术的发展，越来越多的算法被部署到边缘设备和硬件系统上。硬件平台通常有着更快的处理速度，它能够加速算法的运行。
[0003]大王花优化算法(Rafflesia Optimization Algorithm，简称ROA算法)是本专利技术提出的一种新的群体智能优化算法，运行在软件上时执行速度较慢。因此，亟需一种能加快其执行速度的方法。
技术实现思路
[0004]为了解决上述问题，本专利技术提出了一种大王花优化算法在硬件平台上的部署方法，首先提出了ROA算法，然后将其部署在硬件平台上，加快ROA算法的执行速度。
[0005]本专利技术的技术方案如下：
[0006]一种大王花优化算法在硬件...
【技术保护点】
【技术特征摘要】
1.一种大王花优化算法在硬件平台上的部署方法，其特征在于，首先提出了大王花优化算法，然后将大王花优化算法部署在包含FPGA、ARM端的硬件平台上，构建了完整的FROA架构；其中，大王花优化算法分为三个阶段：授粉阶段、结果阶段、散播种子阶段；整个FROA架构包括三个功能模块：更新模块、初始化模块和适应度模块；FROA架构依靠ARM端和FPGA端两部分协同实现，FPGA端和ARM端之间设置数据缓冲区；更新模块部署在FPGA端，初始化模块和适应度模块部署在ARM端。2.根据权利要求1所述大王花优化算法在硬件平台上的部署方法，其特征在于，大王花优化算法中一共有NP个个体，每个个体都有维度、位置和速度属性；这些个体共同组成一个种群，种群中的每一个个体都代表一个解；通过对种群中每个个体在维度、位置和速度上的不断迭代、更新、适应度计算，来找到最优解；其中，授粉阶段的具体内容如下：授粉阶段有两种个体更新策略；策略1用于更新适应度差的个体，数量占总体的策略2用于更新适应度优良的个体，数量占总体的策略1：适应度差的个体会影响最优解的质量，所以新增一些个体代替适应度差的个体；新增个体的每一维的维度k(k＝1,2,...,D)都被抽象到三维空间中表示，D表示总维度；新增个体的位置计算方程为：其中，X
i
(＝1,2,...,NP/3)表示新增个体的位置；X
best
表示当前最优个体的位置；β
k
是与k+1维之间的夹角，取值为取值为是X
i
和X
best
组成的向量；γ
k
表示在k维和k+1维构成的平面上的投影与k维之间的夹角，取值为(0，π)；d表示个体X
i
与最优个体X
best
之间的距离，它的值等于个体X
R
与X
best
之间的距离，计算公式如下：其中，X
R
表示种群中的一个随机个体；最后，适应度差的个体被新增个体代替，公式如下：其中，表示第i个适应度差的个体；策略2：适应度优良的个体同样要进行维度、维度和速度的更新，以期望获得更好的值；它们的位置更新公式为：其中，表示待更新个体的位置；C为影响因子，其取值区间为[
‑
1,1]；rand表示一个随机数；是个体的速度，它的值等于平动速度和转动速度之和，
和的计算公式如下：的计算公式如下：其中，A为个体运动时的振幅，B为横向偏移量，0为频率周期，ω1为横向频率周期，θ为相位，为平动与转动之间的相位差，t为时间；结果阶段的具体内容如下：根据优胜劣汰原则，大王花优化算法每迭代一定次数会淘汰一个个体；整个过程中，淘汰的个体数量约占种群大小NP的三分之一；散播种子阶段的具体内容如下：在散播种子阶段，个体的位置更新方程为：其中，X
m
(i＝1,2,
…
,NP)是待更新个体的位置；iter为当前迭代次数；Max_iter为最大迭代次数；为随迭代次数而变化的影响因子；sign(rand
‑
0.5)的值为1或
‑
1，其目的是增加维度值的多样性；rd为个体的分布范围，计算公式如下：rd＝rand
×
(ub
‑
lb)+lb(8)其中...
【专利技术属性】
技术研发人员：朱淑娟，付宗林，潘正祥，杨清勇，吴祖扬，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。