一种群体智能算法优化方法技术

本发明专利技术公开了一种群体智能算法优化方法，具体方法如下：初始化种群数量、最大迭代次数等参数；选择位置更新方法，包括线性权重法、自适应权重法和随机权重法三种方法；根据选择的更新方法进行更新；寻找前三个最优候选解，计算更新速度；根据位置和速度更新各个候选解的位置；使用DLH策略进行更新；判断种群是否全部更新完毕；判断迭代次数达到最大迭代次数，达到最大迭代次数则输出已找到的最优解，否则继续下一次迭代。本发明专利技术在IGWO的基础上，融合PSO的思想进行进一步改进达到更好的效果，提高算法有效性和实用性；优化原算法存在的种群多样性不足和易陷入局部最优的缺点，并将算法用于解决实际的工程问题。解决实际的工程问题。解决实际的工程问题。

【技术实现步骤摘要】
一种群体智能算法优化方法


[0001]本专利技术涉及优化算法领域，具体为一种群体智能算法优化方法。

技术介绍

[0002]优化问题存在于社会生产的各个领域；很多优化问题都可以抽象为旅行商问题、背包问题和聚类问题等经典的优化问题或者是这些问题的推广；随着科学技术发展，不断有新的问题出现，这些经典优化问题在不断发展过程中日益复杂，解决这些问题的方法也需要不断进步。
[0003]群体智能算法是优化算法中一个热门分支。通过对动物或自然界一些现象进行数学建模，研究出一种算法来解决现实问题成为一种潮流；经典的粒子群PSO算法自从20世纪90年代提出以来，研究者在标准PSO算法基础上不断改进更新使其适用于不同的优化问题。近些年也不断有一些新的智能算法提出，2014年提出的灰狼优化算法(GWO)，在提出后被包括原作者在内的很多学者改进；2020年GWO的提出者研究出一种新的改进的灰狼优化算法(IGWO)，使GWO的性能有很大的提升。
[0004]GWO算法以灰狼狼群的领导等级机制和狩猎行为为模型进行数学建模。为了方便数学表达，狼群的领导者称为α，也就是优化问题的最优解；次优解和第三优解成为β和δ；其他候选解都标记为ω。狼群的狩猎过程可以分为三个步骤：包围、搜索和攻击；整个狩猎过程中，各个候选解的位置仅受到α、β和δ三个解影响，大大降低了种群的多样性并容易导致算法陷入局部最优解陷阱；GWO算法的具体流程如图5所示；在GWO算法基础上改进的IGWO算法，在GWO算法完成候选解的位置更新之后，加入了新的搜索策略(DLH)；在DLH中，所有的候选解都会和他们附件的候选解进行比较，并向更好的一方学习。
[0005]现有技术的缺点：GWO算法由于寻优过程仅依赖于三个较优的候选解，所以较容易陷入局部最优陷阱，并且种群多样性无法保证。IGWO算法虽然加入了DLH搜索更新策略，缓解了GWO算法种群多样性不足和易陷入局部最优的问题，但是还有很大的改进空间。

技术实现思路

[0006]本专利技术的目的是针对现有技术的缺陷，提供一种群体智能算法优化方法，以解决上述
技术介绍
提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种群体智能算法优化方法，具体步骤如下：
[0008]步骤1：初始化种群数量、最大迭代次数等参数；
[0009]步骤2：选择位置更新方法，包括线性权重法、自适应权重法和随机权重法三种方法；
[0010]步骤3：根据选择的更新方法进行更新，线性权重法跳转步骤4；自适应权重法跳转步骤x；随机权重法跳转步骤x；
[0011]步骤4：寻找前三个最优候选解，计算更新速度；
[0012]步骤5：根据位置和速度更新各个候选解的位置；
[0013]步骤6：使用DLH策略进行更新；
[0014]步骤7：判断种群是否全部更新完毕，更新完毕则进入步骤8，否则继续更新；
[0015]步骤8：判断迭代次数达到最大迭代次数，达到最大迭代次数则输出已找到的最优解，否则继续下一次迭代。
[0016]作为本专利技术的一种优选技术方案，所述步骤1初始化算法种群数量、最大迭代次数、测试函数；如果有必要，还需设置权重变化的上下限。
[0017]作为本专利技术的一种优选技术方案，所述步骤2根据不同的求解函数选择需要的权重更新方法，通过实验数据分析，采取随机变化的权重适用于大部分待求解的函数，少数函数适合使用线性变化的权重，极少数需要使用自适应权重。
[0018]作为本专利技术的一种优选技术方案，所述步骤3根据选择的不同权重更新策略，采取不同的计算公式进行更新；
[0019]线性权重更新公式为：
[0020][0021]自适应权重更新公式为：
[0022][0023]随机权重更新公式为：
[0024]ω＝0.5+0.3
×
rand+0.2
×
randn
[0025]其中，ω是更新的权重；ω
max
和ω
min
分别是设置的权重上下限(即权重的最大值和最小值)；Maxiter是最大迭代次数；Fit(i)为第i个代理的目标函数值；f
min
和f
avg
分别是全部代理的最小函数值和平均函数值；rand为0到1之间的随机数；randn为0到1之间符合正态分布的随机数。
[0026]作为本专利技术的一种优选技术方案，所述步骤4的速度更新公式为：velocity(t+1)＝ω
×
(C1r1(X1‑
Position)+C2r2(X2‑
Position)+
[0027]C3r3(X3‑
Position))；其中，r1、r2和r3是[0,1]之间的随机向量；C1、C2和C3等于两倍的r3；X1、X2和X3分别是当前迭代的三个最优候选解；Position是当前代理的位置向量。
[0028]作为本专利技术的一种优选技术方案，所述步骤5更新各个代理的位置：X(t+1)＝Position+velocity。
[0029]作为本专利技术的一种优选技术方案，所述步骤6进入DLH策略的搜索更新，以半径R
i
(t)＝||X
i
(t)
‑
X
i
‑
GWO
(t+1)||构造X
i
(t)的领域，X
i
‑
GWO
(t+1)即为步骤5中计算的X(t+1)；根据公式X
i
‑
DLH，d
(t+1)＝X
i，d
(t)+rand+(X
n，d
(t)
‑
t
r，d
(t))逐个更新候选解位置，直到全部更新完毕。
[0030]本专利技术的有益效果是：本专利技术在IGWO的基础上，融合PSO的思想进行进一步改进达到更好的效果，提高算法有效性和实用性；优化原算法存在的种群多样性不足和易陷入局部最优的缺点，并将算法用于解决实际的工程问题。
附图说明
[0031]图1为本专利技术的流程图；
[0032]图2为本专利技术无人机航迹规划仿真实验和实体机飞行实验数据图。
[0033]图3为本专利技术的无人机航迹规划仿真实验路径图；
[0034]图4为本专利技术的无人机航迹规划实机飞行实验路径图；
[0035]图5为本专利技术的
技术介绍
中GWO算法的具体流程图。
具体实施方式
[0036]下面结合附图对本专利技术的较佳实施例进行详细阐述，以使本专利技术的优点和特征能更易被本领域人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0037]请参阅图1，本专利技术提供一种技术方案：一种群体智能算法优化方法，具体步骤如下：
[0038]步骤1：初始化算法种群数量、最大迭代次数、测试函数；如果有必要，还需设置权重变化的上下限；
[0039]步骤2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种群体智能算法优化方法，其特征在于：具体步骤如下：步骤1：初始化种群数量、最大迭代次数等参数；步骤2：选择位置更新方法，包括线性权重法、自适应权重法和随机权重法三种方法；步骤3：根据选择的更新方法进行更新，线性权重法跳转步骤4；自适应权重法跳转步骤x；随机权重法跳转步骤x；步骤4：寻找前三个最优候选解，计算更新速度；步骤5：根据位置和速度更新各个候选解的位置；步骤6：使用DLH策略进行更新；步骤7：判断种群是否全部更新完毕，更新完毕则进入步骤8，否则继续更新；步骤8：判断迭代次数达到最大迭代次数，达到最大迭代次数则输出已找到的最优解，否则继续下一次迭代。2.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤1初始化算法种群数量、最大迭代次数、测试函数；如果有必要，还需设置权重变化的上下限。3.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤2根据不同的求解函数选择需要的权重更新方法，通过实验数据分析，采取随机变化的权重适用于大部分待求解的函数，少数函数适合使用线性变化的权重，极少数需要使用自适应权重。4.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤3根据选择的不同权重更新策略，采取不同的计算公式进行更新；线性权重更新公式为：自适应权重更新公式为：随机权重更新公式为：ω＝0.5+0.3
×
rand+0.2Xrandn其中，ω是更新的权重；ω
max
和ω
min
分别是设置的权重上下限(即权重的最大值和最小值)；Maxiter是最大迭代次数；Fit(i)为第i个代理的目标函数值；f
min
和f
avg
分别...

【专利技术属性】
技术研发人员：李宏然，吕铁力，赵慧，张键，张恒，袁冬青，
申请(专利权)人：江苏海洋大学，
类型：发明
国别省市：