【技术实现步骤摘要】
一种改进后的龙格库塔优化算法
[0001]本专利技术属于智能优化算法
,具体涉及一种改进后的龙格库塔优化算法。
技术介绍
[0002]智能优化算法也称现代启发式算法,是一种具有全局优化性能,通用性强且适合并行处理的算法,可以在一定的时间内找到最优解或近似最优解。因此,诸如粒子群优化(PSO)算法和麻雀优化算法(SSA)等许多智能优化算法被提出,zhang L提出了求解常微分方程边值问题的粒子群龙格库塔优化算法,Devi R M等人一种求解全局优化问题的改进龙格库塔优化算法,这些算法不仅在以数学为主导的学术界,而且在许多工程实践领域内都发挥着重要作用,由于RUN算法理解简单,效率快,因此被广泛应用于各个领域。
[0003]RUN算法核心是基于种群的进化,其在寻找最优值的过程中主要分为如下几个阶段,分别是:利用搜索机制创建种群的初始位置;位置更新机制;使用解质量增强(ESQ)机制来提升解的质量以及选取最优值。但在种群初始化的过程中容易产生种群分布不均匀的问题,导致算法的寻优精度受到影响。针对此问题,基于Circle混沌映射对RUN算法进行了改进。目的是改进RUN算法种种群初始分布不均匀的情况,总而提高算法的收敛速度与寻优精度。
技术实现思路
[0004]为了解决上述存在的问题,本专利技术提出:一种改进后的龙格库塔优化算法,包括如下步骤:
[0005]S1、初始化操作,在允许的迭代次数内设置要进化的初始种群;
[0006]S2、引入Circle混沌映射;
[0007]S ...
【技术保护点】
【技术特征摘要】
1.一种改进后的龙格库塔优化算法,其特征在于,包括如下步骤:S1、初始化操作,在允许的迭代次数内设置要进化的初始种群;S2、引入Circle混沌映射;S3、改进Circle混沌映射的表达式;S4、在搜索机制下使用一组随机解搜索决策空间;S5、在位置更新机制下筛选最优位置;S6、采用解质量增强的方法产生新解,以避免每次迭代陷入局部最优;S7、反复迭代,直到函数取得最优值。2.如权利要求1所述的改进后的龙格库塔优化算法,其特征在于,所述步骤S1中,在RUN中,对于大小为N的种群随机生成N个位置,种群的每个成员x
n
(n=1,2,
…
N)是优化问题的维数为D的解,初始位置是通过如下公式创建的:x
n,l
=L
l
+rand.(U
l
‑
L
l
)其中,L
l
和U
l
是问题的第l个变量的下界和上界(l=1,2,
…
,D),rand是[0,1]范围内的随机数。3.如权利要求1所述的改进后的龙格库塔优化算法,其特征在于,所述步骤S2中,Circle混沌映射的随机性、有序性以及混沌值的覆盖率高对初始化时种群的盲目性进行改善,使解个体的初始位置均匀分布在搜索空间中,其表达式如下:x
n+1
=mod(x
n
+k
‑
(p/2π)sin(2πx
n
),1)其中,mod为取余函数,k,p为系数,分别取值0.2,0.5。4.如权利要求1所述的改进后的龙格库塔优化算法,其特征在于,所述步骤S3中,改进后的Circle混沌映射表达式为:x
n+1
=mod(ax
n
+b
‑
(c/aπ)sin(aπx
n
),1)其中,mod为取余函数,a,b,c为系数,分别取值3.78,0.2,0.2。5.如权利要求1所述的改进后的龙格库塔优化算法,其特征在于,所述步骤S4中,使用一组随机解搜索决策空间,其公式如下:x
RK
=k1+2k2+2k3+k4ꢀꢀ
(2)p=round(1+rand)*(1
‑
rand)
ꢀꢀ
(3)(3)(3)(3)
Δx=2*rand*|Stp|
ꢀꢀ
(8)Stp=rand*((x
b
‑
rand*x
avg
)+γ)
ꢀꢀ
(9)γ=rand*(x
n
‑
rand*(p
‑
1)*exp(
‑
4i/Max<...
【专利技术属性】
技术研发人员:汪语哲,刘飞宇,曹钢,段晓东,付猛,
申请(专利权)人:大连民族大学,
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。