【技术实现步骤摘要】
本专利技术涉及进化求解，尤其是涉及一种搜索空间分割的并行进化求解方法。
技术介绍
1、随着计算硬件的提高，基于高性能计算的优化框架迅速发展。这种框架，采用智能(如自适应性的)搜索机制之外，也依赖于高效计算资源，可以允许算法程序在一定时间内进行大量的函数评价。由于群智能搜索算法每一代的种群间和每次算法的执行都是相互独立，所以在分布式计算资源上可以有效地执行函数评价计算或者独立的算法调用。
2、而随着硬件技术的发展，这种分布式并行计算的方式日趋简单，尤其在linux操作系统上。不同的编程语言也对并行计算提供了支持，如c++语言的tbb技术支持(threading building blocks)。对于低维度，如2维度问题，整个搜索空间可以被看成一个栅格，每一个小的网格对应着四个采样点，小网格的边长为栅格采样步长。然而，这种方式对于高维问题却无能为力，只能借助于高性能计算。
技术实现思路
1、本专利技术的目的是提供一种搜索空间分割的并行进化求解方法，基于搜索空间的进化采样，获取优化问题适应度地形的分析结果，用于指导搜索空间的划分方向与划分步长，分割得到多个搜索子空间，支持后续进化计算的并行搜索。
2、为实现上述目的，本专利技术提供了一种搜索空间分割的并行进化求解方法，包括以下步骤：
3、s1、搜索空间采样和空间划分模块随机生成解方案，通过在搜索空间随机产生初始样本方案，结合优化目标函数计算样本方案的适应度值，对样本方案进行统计筛选，获取划分搜索空间的维
4、s2、在划分的子空间中执行全局搜索算法获得全局初始解方案；
5、s3、以全局初始解方案为起点，通过局部搜索算法获取精确解方案。
6、优选的，步骤s1中，具体操作为：
7、在全局搜索空间中产生ns个样本点，探索函数空间的形态分布；
8、使用优化目标函数评价所有的样本点，获取所有样本点的目标函数值，目标函数值即为适应度值，假定优化问题为最小化优化问题，将所有的样本点按照目标函数值从小到大排序，保留函数值排在前50％的样本点个体种群ω；
9、使用主成分分析法分析种群ω分布的第一主成分分量方向θ；
10、将距离θ最近的维度k作为分隔维度来分隔全局搜索空间，形成若干子空间。
11、优选的，步骤s2中，全局搜索算法为基于案例学习的差分演化算法，基于案例学习的差分演化算法对控制参数，包括缩放因子f和交叉概率cr进行自适应调整；
12、其中，每一个个体所对应的f和cr被称作为参数对，在基于案例学习的差分演化算法中，如果一个参数对能帮助一个个体产生目标函数值更好的子个体，那么该参数对被称作为成功案例参数，成功案例参数和对应产生的父母个体被称为成功案例。
13、优选的，基于案例学习的差分演化算法的改进算子包括基于检索的变异算子、基于检索的交叉算子和基于存储的选择算子。
14、优选的，对于当前代g中的第i个个体xi,g，相对应的变异算子表示为：
15、vi,g+1＝xr1,g+xi,g.f×(xr2,g-sxr3,g) (1)
16、其中，r1，r2，r3为整数，并且r1，r3∈[1,np]，r2∈[1,np×pbest]，r1≠i，pbest∈(0,1]且np×pbest＞1；vi,g+1为变异个体；xr1,g为参与变异的第1个个体；xr2,g为参与变异的第2个个体；sxr3,g为第1代到第g-1代存储的有价值个体；pbest为种群中前p％个最好的个体，pbest控制着算法探索和开采能力之间的平衡；np为种群规模；xi,g.f为种群个体xi,g所对应的变异缩放因子；
17、xi,g.f的产生规则如下：
18、
19、其中，函数gau(μf,1)产出以μf为均值的正态分布浮点数；根据经验值，设定μf＝1；l(s)为容器s的长度，m∈[1,l(s)]，sm为容器s中存储的第m个成功案例，sm.f指第m个成功案例对应的变异缩放因子；
20、成功案例是指当一组缩放因子f和交叉概率cr能帮助一个种群个体，找到函数值更好的子代种群个体时，当前种群个体的解向量和f与cr组成的一个案例，并且
21、
22、若d(sm.v,xi,g)＞0.05或f＝0，其中，gmax为最大进化代数；sj为容器s中存储的第j个成功案例；sm.v为容器s中存储的第j个成功案例所对应的解向量如果f溢出了边界，需要做如下更新：
23、f＝rand(0,1] (4)
24、更新后的f∈(0,1]；rand函数用于产生0～1之间的随机数；
25、sxr3,g选择自被更替的父母个体集合a和当前种群集合p的并集a∪p；其中a的长度与p相同。
26、优选的，基于检索的交叉算子的目标是产生中间解：
27、ui,g＝(u1,i,g,…,uj,i,g,…,ud,i,g) (5)
28、其中，ui,g表示第g代中第i个个体产生的中间解，uj,i,g表示中间解ui,g的第j个元素；1≤j≤d；
29、
30、其中，xj,i,g为种群个体xi,g的第j个元素；
31、xi,g.cr的产生规则如下：
32、
33、并且
34、
35、若d(sm.v,xi,g)＞0.05或者cr＝0。
36、优选的，基于存储的选择算子用于选取父母个体和子个体中适应度值更好的个体，具体操作为：
37、
38、被替换的父母个体被存储在集合a中；如果集合a已满，新成员将随机替换一个老成员。
39、优选的，步骤s3中，局部搜素算法以起始点作为输入，如果搜索结果的解方案比起始点的解方案函数值更优，那么该输出会被作为起始点重新调用局部搜索算法，并标记为
40、局部搜索算法不断学习目标局部区域内的梯度信息，搜索精度为e，局部区域大小表示为：
41、
42、其中，为第j个子搜索空间的下界，为第j个子搜索空间的上界，为第j个子搜索空间的起始解。
43、因此，本专利技术采用上述一种搜索空间分割的并行进化求解方法，其技术效果如下：
44、(1)充分利用设备的计算资源，极大降低计算时间。
45、(2)提高求解精度，提高解方案质量基于搜索空间的进化采样。
46、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种搜索空间分割的并行进化求解方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种搜索空间分割的并行进化求解方法，其特征在于，步骤S1中，具体操作为：
3.根据权利要求2所述的一种搜索空间分割的并行进化求解方法，其特征在于，步骤S2中，全局搜索算法为基于案例学习的差分演化算法，基于案例学习的差分演化算法对控制参数，包括缩放因子F和交叉概率CR进行自适应调整；
4.根据权利要求3所述的一种搜索空间分割的并行进化求解方法，其特征在于，基于案例学习的差分演化算法的改进算子包括基于检索的变异算子、基于检索的交叉算子和基于存储的选择算子。
5.根据权利要求4所述的一种搜索空间分割的并行进化求解方法，其特征在于，对于当前代G中的第i个个体xi,G，相对应的变异算子表示为：
6.根据权利要求5所述的一种搜索空间分割的并行进化求解方法，其特征在于，基于检索的交叉算子的目标是产生中间解：
7.根据权利要求6所述的一种搜索空间分割的并行进化求解方法，其特征在于，基于存储的选择算子用于选取父母个体和子个体中适应度值更
8.根据权利要求7所述的一种搜索空间分割的并行进化求解方法，其特征在于，步骤S3中，局部搜素算法以起始点作为输入，如果搜索结果的解方案比起始点的解方案函数值更优，那么该输出会被作为起始点重新调用局部搜索算法，并标记为
...【技术特征摘要】
1.一种搜索空间分割的并行进化求解方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种搜索空间分割的并行进化求解方法，其特征在于，步骤s1中，具体操作为：
3.根据权利要求2所述的一种搜索空间分割的并行进化求解方法，其特征在于，步骤s2中，全局搜索算法为基于案例学习的差分演化算法，基于案例学习的差分演化算法对控制参数，包括缩放因子f和交叉概率cr进行自适应调整；
4.根据权利要求3所述的一种搜索空间分割的并行进化求解方法，其特征在于，基于案例学习的差分演化算法的改进算子包括基于检索的变异算子、基于检索的交叉算子和基于存储的选择算子。
5.根据权利要求4所述的一...
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。