【技术实现步骤摘要】
基于多策略改进的算术优化算法实现工程优化的方法
[0001]本专利技术属于群体智能优化算法领域，具体涉及一种多策略改进的算术优化算法。
技术介绍
[0002]近年来，随着各个领域工程优化问题的复杂度不断提升，传统的计算方法越来越难以解决复杂的工程优化问题，比如，无人机航迹规划、图像分割、机器学习特征筛选、计算机视觉图像阈值等工程优化问题。而智能优化算法因其概念简单、易于实现、稳定性能强等优点进入普通技术人员的视野，因此近些年关于智能算法的应用和开发层出不穷。受自然界中动物的复杂行为或事物发展的规律的启发，开发者们提出了许多启发式群智能优化算法如：黑猩猩优化算法，麻雀搜索算法，哈里斯鹰算法，遗传算法等。
[0003]近年来，在开发的诸多群智能优化算法中，算术优化算法因其参数简单，寻优能力较强而收到广泛关注。算术优化算法是2021年提出的一种新型元启发式算法，该算法是以算术中的四则基本运算法则为原理，通过乘除运算提高全局搜索的分散性，利用加减运算提高算法局部搜索的准确性。该算法具有一定的求解精度和稳定性，但是面对逐渐复杂...
【技术保护点】
【技术特征摘要】
1.一种基于多策略改进的算术优化算法实现工程优化的方法，其特征在于，包括如下步骤：S1、针对待优化的工程问题，确定优化参数，分别对应于x
m,n
；其中，种群中有m只个体，每个个体的维度为n；S2、利用多策略改进的算术优化算法进行优化，包括如下子步骤：步骤1：在初始化阶段，通过以下方程生成一个初始化种群矩阵：其中，X为初始化种群矩阵，{x
1,1
,x
1,2
,L x
1,n
}表示种群个体；x
n,max
和x
n,min
分别为个体维度的最大值和最小值，自定义值用于约束种群个体的取值范围；rand(0,1)为处于[0,1]的一个随机数；步骤2：设置适应度函数，计算种群个体适应度值，得出初始化种群最优解，开始进入迭代；步骤3：计算数学优化器加速函数(MOA)，数学优化器概率函数(MOP)和经过正弦因子改进r1的数值，并将r1与MOA的数值进行比较，若r1<MOA，种群个体则进入勘探阶段，否则进入开发阶段；数学优化器加速函数(MOA)公式如下：其中，t为当前迭代次数，T
max
为最大迭代次数，MOA
max
和MOA
min
分别为数学优化器加速函数的最大值1和最小值0.2。步骤4：按照黄金正弦策略引导进入勘探阶段的种群个体进行位置更新，进入开发阶段的种群个体则按照加减法策略进行位置更新；步骤5：判断更新后种群个体的适应度值是否小于当前最优值，如果是，则当前最优值更新，同时更新最优种群个体，否则不更新；步骤6：将当前最优解代入龙格库塔算法的强化解的机制(ESQ)以增强解质量；步骤7：计算增强后的种群个体适应度值，若小于强化前最优解适应度值则强化成功，更新最优解和最优种群个体；否则强化失败，最优解不变，同时记录迭代次数；步骤8：若迭代次数小于最大迭代次数，则将得到的最优解代入步骤3，执行步骤3；步骤9：若迭代次数大于等于最大迭代次数，完成所有迭代则优化结束，输出全局最优值。2.根据权利要求1所述基于多策略改进的算术优化算法实现工程优化的方法，其特征在于，待优化的工程问题为基于PID控制电机稳定运行的参数整定问题，确定优化参数包括比例因子k
p
，积分因子k
i
，微分因子k
d
；此时，n＝3，{x
1,1
,x
1,2
,x
1,3
}，{x
2,1
,x
2,2
,x
2,3
}，L，{x
m,1
,x
m,2
,x
m,3
}代表待优化参数{k
p
，k
i
，k
d
}的m个候选值，m代表候选值个数，为自定义数值，算法
经过多次迭代进而从m个候选值中选择出最优值；适应度函数在该问题中为输出与输入的误差函数，优化目标即为使输入与输出的误差最小化。3.根据权利要求1所述基于多策略改进的算术优化算法实现工程优化的方法，其特征在于，待优化的工程问题为压力容器设计问题，参数包括压力容器圆柱体部分的截面长度L，圆柱体部分内壁直径R，圆柱体部分的壁厚T
s
，头部壁厚T
l
；此时，n＝4，{x
1,1
,x
1,2
,x
1,3
,x
1,4
}，{x
2,1
,x
2,2<...
【专利技术属性】
技术研发人员：李明颖，刘志磊，宋宏祥，张福兴，庞桂兵，樊双蛟，张慧，高腾，
申请(专利权)人：大连工业大学，
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。