[發明專利]一種基于PSO算法求解模糊期望值模型問題的混合智能算法

在審

• 申請號: 201510520051.1
• 申請日: 2015-08-15
• 公開（公告）號: CN105160399A
• 公開（公告）日: 2015-12-16
• 發明（設計）人: 肖寧;王煜東;劉聰
• 申請（專利權）人: 肖寧
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06K9/66
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及理論和工程應用領域，具體涉及一種基于PSO算法求解模糊期望值模型問題的混合智能算法。

背景技術

模糊期望值模型是由Liu提出的一類模糊規劃，它是在模糊環境中，在期望約束之下，使目標函數的期望值達到最優的數學規劃模型。

模糊期望值模型問題的提取并不困難，但其求解卻很難。因此，探索高效的模糊期望值模型的算法就非常有研究價值。處理模糊期望值模型的主要方法是利用模糊模擬與智能算法相結合來進行，如遺傳算法、小生境技術搜索算法、模擬退火算法等。其中以遺傳算法(GeneticAlgorithm簡稱GA)最為成功。目前，國內外學者仍在繼續探索求解該類問題的新的、更為有效的算法。

計算機技術的迅速發展使智能技術具有解決大規模、更復雜優化問題的優勢。微粒群算法是由Eberhart與Kennedy于1995年提出的一種新的智能技術，與GA類似，采用基于種群的并行全局搜索策略，但不具有選擇、變異等操作，僅采用簡單的速度一位置模型實現對整個空間的尋優操作，這是它不同于GA的最顯著之處，也是該算法呈現出許多優良特性的關鍵。該算法只需調整很少的參數，具有簡單、易于編程實現，收斂速度快，精度高等優點。它已在各類問題的求解及應用中展現了它的特點和魅力。然而將PSO算法應用于模糊期望值模型這一類問題的求解很少，現有文獻利用PSO實現了該類問題的求解，但利用模糊模擬估計不確定函數這一過程比較費時，考慮到神經網絡在函數逼近中的成功應用，為了實現加速求解的過程，利用前向神經網絡逼近不確定函數，再將訓練好的神經網絡嵌套在PSO算法中應該能很好的解決這一問題。本文的工作就是嘗試利用模糊模擬、神經網絡、PSO算法三者相結合的混合智能算法求解該類問題，通過仿真實驗取得了十分滿意的效果，從而在質量和速度上實現了以PSO算法為核心的混合智能算法對這一大類連續空間模糊規劃問題的高效求解。

在利用PSO算法求解該類問題時，其核心是對模糊函數進行計算，這顯然可以利用模糊模擬的方法進行估計，而要使估計值盡量精確，則仿真的次數必須加大，這使得求解過程很費時；此外，在PSO算法中，初始化時要用到模糊模擬來實現檢驗解的可行性和計算微粒群中每個微粒的適應值；尤其是在每一迭代過程中也要利用它計算每個微粒的適應值、實現檢驗解的可行性，當微粒數目、迭代次數很多時利用模糊模擬進行估計很顯然計算量相當大。在實際應用中，算法的執行效率是一個不容忽視的問題，而神經網絡這一智能算法在函數逼近中已得到廣泛的應用，為了減少計算量以加速求解過程，利用訓練好的前向神經網絡對模糊函數進行計算應該是可行的，而要對神經網絡進行訓練以使其能逼近給定的不確定函數，這就需要解決以下問題：網絡學習算法的選擇，訓練樣本的獲取。對于網絡的學習算法可采用既成熟又簡單的BP算法，而對于訓練樣本的產生可通過模糊模擬取得。

發明內容

為解決上述問題，本發明提供了一種基于PSO算法求解模糊期望值模型問題的混合智能算法。

為實現上述目的，本發明采取的技術方案為：

一種基于PSO算法求解模糊期望值模型問題的混合智能算法，包括如下步驟：

S1：利用模糊模擬的期望值估計算法為不確定函數U1，U2產生輸入輸出數據：(xt，yk)，其中，t，k分別為輸入、輸出神經元的個數；利用線性函數轉換法對xt，yk分別進行歸一化預處理，以歸一化后的輸入輸出數據作為訓練樣本；(其中，在神經網絡中使用歸一化是為了加快訓練網絡的收斂性，可不進行歸一化處理)

U1：X→E[f(x，ξ)]

U2：X→E[gj(x，ξ)]

S2：利用以上訓練樣本訓練一個BP神經網絡以逼近不確定函數U1，U2；

S3：在d維問題空間上對微粒群進行初始化：設定群體規模為popsize，在決策向量X的可行域中產生一隨機數，歸一化后利用神經網絡計算網絡的仿真輸出值并進行反歸一化(即計算E[gj(x，ξ)]的值)，然后檢驗該隨機數的可行性(即判斷x是否滿足E[gj(x，ξ)]≤0)，重復該過程popsize次，從而得到popsize個初始可行的微粒：Xi＝(xi1，xi2，…，xid)i＝1，2，…，popsize，然后再對速度等進行初始化；

S4：利用訓練好的神經網絡計算每個歸一化后微粒的網絡仿真輸出值，并進行反歸一化(即計算E[f(x，ξ)])，作為每個微粒的適應值；

S5：對每個微粒，將其適應值與所經歷的最好位置的適應值進行比較，若較好，則將其作為當前最好位置；