【技术实现步骤摘要】
本专利技术涉及智能优化算法领域，具体涉及一种基于邻域搜索的模拟退火智能优化方法、介质。
技术介绍
1、传统的模拟退火(simulated annealing，sa)是一种智能优化算法，经常应用在多传感器优化部署问题，路径规划等问题上，该算法利用metropolis抽样准则，在解空间中以一定概率寻找到目标函数的最优解，算法广泛应用于连续函数的极值求解以及离散的组合优化问题，但传统的模拟退火算法未充分利用前期已得到的历史最优解，存在求解时间长、收敛慢的问题，研究改进的模拟退火智能优化算法具有重要的应用价值。
技术实现思路
1、为解决上述问题，本专利技术原创性的提出了一种基于邻域搜索的改进模拟退火算法，在迭代寻优过程中，以一定概率在历史最优解的邻域范围内计算生成新解，缩小新解搜索范围，从而显著提高算法收敛速度。实验验证结果表明，本专利技术提出的改进模拟退火算法相比改进前，能够有效提高算法收敛速度。
2、本专利技术提供了一种基于邻域搜索的模拟退火智能优化方法，包括以下步骤：
3、s1：接收初始参数，初始参数包括初始温度t0、终止温度tmin、温度下降率alpha，单次温度下的迭代终止次数k,适应度函数；
4、其中，t0>tmin，alpha∈(0，1)；
5、s2：设置当前温度t等于初始温度t0，在定义域范围内随机产生一个初始解x0,x0为一个d维的向量；
6、将初始解x0作为当前解x；
7、将初始解x0作为历史
8、s3：在当前温度t下进行k次的迭代更新，每次的迭代过程为：
9、s3.1：生成一个新解x′，新解x′为一个d维的向量，新解x′的产生方式为：
10、当当前温度t不低于预设温度时，新解在定义域范围内随机产生；
11、当当前温度低于预设温度时，以预设概率，在历史最优解xbest的邻域产生新解，否则新解在定义域范围内随机产生；
12、在历史最优解xbe的邻域产生新解的公式为：
13、x′(j)＝r*xbest(j)-(2r-1)*(xbest(j)-x(j))
14、其中，x′(j)为新解x′的第j维的数值，xbest(j)为历史最优解xbest的第j维的数值，x(j)为当前解x的第j维的数值；j＝1，2，3，…，…，d；r在产生新解的每个维度的数值时随机产生，r的范围在0～1之间；
15、如产生的新解超出了定义域的范围，则新解在定义域范围内随机产生；
16、s3.2：根据适应度函数计算当前解x与新解x′的适应度数值，当前解x的适应度数值表示为f(x),新解x′的适应度数值表示为f(x′)；
17、当f(x′)<f(x)时，将新解x′作为历史最优解xbest；
18、根据metropoli准则，决定是否将新解x′作为当前解x；
19、s4：如当前温度t大于终止温度tmin，则当前温度t根据温度下降率alpha进行降温，并重复执行步骤s3；
20、如当前温度t小于等于终止温度tmin，则输出历史最优解xbest作为结果。
21、优选的，所述预设温度为初始温度t0的90％。
22、优选的，所述预设概率为90％。
23、优选的，metropoli准则的具体内容为：
24、当f(x′)<f(x)时，将新解x′作为当前解x，当f(x′)>f(x)时,以概率e-(f(x′)-f(x))/t接受新解x′作为当前解x。
25、本专利技术还提供一种计算机可读存储介质，
26、所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。
27、有益效果：
28、(1)将历史最优解运用到后期新解生成过程中，能够有效解决传统模拟退火算法存在的易陷入局部最优、算法收敛速度慢等问题，可以在多传感器优化部署问题，路径规划等问题上使用更少的运算资源，得到更优的结果；
29、(2)对低维、高维连续函数均具有较强的全局收敛性；
30、(3)参数设置简单，根据默认值能够实现复杂性能测试函数的极值搜索。
本文档来自技高网...【技术保护点】
1.一种基于邻域搜索的模拟退火智能优化方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于邻域搜索的模拟退火智能优化方法，其特征在于所述预设温度为初始温度T0的90％。
3.根据权利要求1所述的一种基于邻域搜索的模拟退火智能优化方法，其特征在于所述预设概率为90％。
4.一种计算机可读存储介质，其特征在于，
【技术特征摘要】
1.一种基于邻域搜索的模拟退火智能优化方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于邻域搜索的模拟退火智能优化方法，其特征在于所述预设温度为初始温度...
【专利技术属性】
技术研发人员：刘林，姜龙玉，
申请(专利权)人：中国电子科技集团公司第十四研究所，
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。