[發(fā)明專(zhuān)利]一種梯度粒子群混合優(yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410206193.6
• 申請(qǐng)日: 2014-05-15
• 公開(kāi)（公告）號(hào): CN105095960A
• 公開(kāi)（公告）日: 2015-11-25
• 發(fā)明（設(shè)計(jì)）人: 朱童;林正良;周單;胡華鋒;張克非;陳蕾
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)石油化工股份有限公司;中國(guó)石油化工股份有限公司石油物探技術(shù)研究院
• 主分類(lèi)號(hào): G06N3/00
• 分類(lèi)號(hào): G06N3/00
• 代理公司: 北京思創(chuàng)畢升專(zhuān)利事務(wù)所 11218
• 代理人: 郭韞

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能算法技術(shù)領(lǐng)域，具體涉及一種梯度粒子群混合優(yōu)化方法，結(jié)合梯度和粒子群的混合優(yōu)化算法，可用于解決地球科學(xué)領(lǐng)域非線性反演等優(yōu)化領(lǐng)域的尋優(yōu)問(wèn)題。

背景技術(shù)

常用的尋優(yōu)反演算法一般分為全局尋優(yōu)類(lèi)方法和局部尋優(yōu)類(lèi)方法。其中，全局尋優(yōu)類(lèi)算法一般以隨機(jī)方法為代表，這類(lèi)算法包括大家所熟知的蒙特卡洛法、模擬退火法等，由于其全局尋優(yōu)能力強(qiáng)，對(duì)初始模型的依賴(lài)性小，多用于強(qiáng)非線性多極值類(lèi)尋優(yōu)問(wèn)題，然而，這類(lèi)算法由于計(jì)算過(guò)程中需要大量的耗時(shí)，對(duì)CPU和內(nèi)存要求都較高；以迭代方法為代表的局部尋優(yōu)類(lèi)方法，如牛頓法、高斯牛頓法等，雖然收斂速度快，但算法收斂結(jié)果強(qiáng)烈依賴(lài)于初始模型，容易陷入局部極值。

發(fā)明內(nèi)容

本發(fā)明的目的在于解決上述現(xiàn)有技術(shù)中存在的難題，提供一種梯度粒子群混合優(yōu)化方法，解決地球科學(xué)領(lǐng)域的高度非線性反演，如石油工業(yè)領(lǐng)域的速度結(jié)構(gòu)反演、疊前AVO反演等。

本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

一種梯度粒子群混合優(yōu)化方法，包括：

步驟1，初始化一種群粒子，賦予隨機(jī)位置和速度，置k：＝0；

步驟2，計(jì)算每個(gè)粒子的適應(yīng)度值

步驟3，將與當(dāng)前最好位置p_j的適應(yīng)度值fitness(p_j)比較，若優(yōu)于fitness(p_j)，則將該粒子賦值為p_j，然后轉(zhuǎn)入步驟4；否則進(jìn)入步驟4；

步驟4，將與全局經(jīng)歷的最好位置p_g的適應(yīng)度值fitness(p_g)比較，若優(yōu)于fitness(p_g)，則將該粒子賦值為p_g，然后轉(zhuǎn)入步驟5；否則進(jìn)入步驟5；

步驟5，用式(1)、式(2)計(jì)算粒子的速度和位置其中：j＝1，2，...，m，m為種群內(nèi)粒子個(gè)數(shù)：

v_is(t+1)＝ω·v_is(t)+c₁r₁(p_is(t)-x_is(t))+c₂r₂(p_gs(t)-x_is(t))

(1)

x_is(t+1)＝x_is(t)+v_is(t+1)

(2)；

步驟6，若達(dá)到預(yù)設(shè)梯度算法啟動(dòng)條件，返回全局最優(yōu)個(gè)體p_g，轉(zhuǎn)向步驟7；否則，k：＝k+1，轉(zhuǎn)步驟2；

步驟7，進(jìn)行梯度算法：以步驟6返回的p_g為梯度算法的初始點(diǎn)，進(jìn)行迭代；

步驟8，若達(dá)到終止條件，則結(jié)束，輸出當(dāng)前結(jié)果作為所求問(wèn)題的最優(yōu)解；否則轉(zhuǎn)步驟7。

所述步驟2中的適應(yīng)度值為待求問(wèn)題的目標(biāo)函數(shù)。

所述步驟3中的當(dāng)前最好位置p_j是指粒子群算法里當(dāng)次迭代的最優(yōu)解；

所述步驟4中的全局經(jīng)歷的最好位置p_g是指粒子群算法里整個(gè)所有迭代過(guò)程中的最優(yōu)解。

所述步驟8中的終止條件為：終止誤差ε＞0或達(dá)到設(shè)定的最大迭代次數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

(1)能夠保持梯度算法的快速收斂性；

(2)能夠保持粒子群算法的全局收斂性；

(3)能夠兼顧梯度算法和粒子群算法的優(yōu)點(diǎn)。

附圖說(shuō)明

圖1二維Rastrigin函數(shù)曲面圖。

圖2一維情況下Rastrigin函數(shù)梯度法尋優(yōu)示意圖。

圖3分別利用梯度方法、粒子群方法以及梯度粒子群混合方法尋得的最優(yōu)解。

圖4本發(fā)明方法的步驟框圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述：