[發(fā)明專利]基于維度區(qū)分的團(tuán)隊(duì)進(jìn)步算法改進(jìn)方案

在審

• 申請?zhí)枺?/td>: 201710364136.4
• 申請日: 2017-05-22
• 公開（公告）號: CN107315902A
• 公開（公告）日: 2017-11-03
• 發(fā)明（設(shè)計(jì)）人: 湯一銘;姜慧;薄亞明;張明;許麗潔;常玉梅;李波
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/00
• 代理公司: 江蘇愛信律師事務(wù)所32241
• 代理人: 唐小紅

技術(shù)領(lǐng)域

本發(fā)明基于維度區(qū)分的團(tuán)隊(duì)進(jìn)步算法改進(jìn)方案，屬于啟發(fā)式優(yōu)化算法技術(shù)領(lǐng)域，可用于飛行器、電磁場、熱場、聲場、應(yīng)力場等問題的工程仿真分析中。

背景技術(shù)

智能優(yōu)化算法作為一類求解最優(yōu)化問題的高效優(yōu)化算法，其原理簡單，魯棒性強(qiáng)，成為科學(xué)研究和工程領(lǐng)域解決多極值優(yōu)化問題的有效工具，受到廣大科研工作者的青睞。目前經(jīng)典高效的智能優(yōu)化算法有模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程的遺傳算法、模仿鳥群或魚群覓食規(guī)律的粒子群算法、模仿個(gè)體間競爭合作關(guān)系的差分進(jìn)化算法等。這些算法都屬于單群體的仿生優(yōu)化算法，屬于在全局范圍內(nèi)尋優(yōu)的隨機(jī)初始化種群的群智能搜索算法，因此都有相應(yīng)的缺點(diǎn)，如單群體優(yōu)化方法易早熟收斂，不能兼顧全局尋優(yōu)和收斂速度之間的矛盾等。

為解決該問題，近期提出了團(tuán)隊(duì)進(jìn)步算法，該算法是一種兼顧全局搜索和局部搜索，同時(shí)又兼顧收斂速度的雙群體智能優(yōu)化算法，參數(shù)設(shè)置簡單，全局尋優(yōu)成功率高，計(jì)算量小，穩(wěn)定性好等優(yōu)點(diǎn)。團(tuán)隊(duì)進(jìn)步算法基于團(tuán)隊(duì)分工、合作，首先隨機(jī)初始化團(tuán)隊(duì)成員，按評價(jià)值大小把該團(tuán)隊(duì)成員分成精英組和普通組兩組成員，精英組確保收斂速度，普通組確保全局收斂，然后在學(xué)習(xí)、探索和成員更新規(guī)則的機(jī)制下，整個(gè)團(tuán)隊(duì)快速進(jìn)步，以盡可能少的計(jì)算量產(chǎn)生全局最優(yōu)評價(jià)值的成員的過程。而且現(xiàn)階段也出現(xiàn)了很多對原始TPA算法的改進(jìn)，比如將原始算法中的學(xué)習(xí)步長改為高斯分布，并且探索步長也改為高斯分布。盡管該改進(jìn)TPA算法已經(jīng)比原始TPA算法以及其他幾個(gè)經(jīng)典算法計(jì)算時(shí)間縮短了不少，但是計(jì)算時(shí)間仍然具備可縮短的空間，因此需要對該算法進(jìn)一步改進(jìn)來提高處理效率和計(jì)算時(shí)間。為此，本發(fā)明在該改進(jìn)算法的基礎(chǔ)上提出將工程問題分為高低維度分別討論，并制定出針對這兩種維度的最佳改進(jìn)團(tuán)隊(duì)進(jìn)步算法。

發(fā)明內(nèi)容：

技術(shù)問題：為解決現(xiàn)階段團(tuán)隊(duì)進(jìn)步算法計(jì)算量仍較大的問題，本發(fā)明提出按照實(shí)際工程中問題的難易程度，將其分為低維度和高維度兩大類，在現(xiàn)階段先進(jìn)TPA算法的前提下，按照維度將學(xué)習(xí)步長根據(jù)維度制定合理的分布機(jī)制，并且對探索步長的高斯分布系數(shù)進(jìn)行深度探索研究，從而得出針對所有工程問題的更加完善的團(tuán)隊(duì)進(jìn)步算法，避免不必要的資源浪費(fèi)，提高計(jì)算效率。解決上述問題的具體技術(shù)方案如下：

步驟一：確定屬于低維或者高維問題：

參數(shù)相對較少的問題定義為低維問題，參數(shù)較多的問題定義為高維問題。本發(fā)明中將參數(shù)低于10個(gè)的工程問題都?xì)w為低維問題，參數(shù)大于10個(gè)或者大于20個(gè)的工程問題歸為高維問題。

步驟二：確定基本模型并分組精英組和普通組：

多變量無約束最小化問題可表示為：

式中，x為成員，f(x)為成員x的評價(jià)值，min{f(x)}為取f(x)的最小值，x_i為x的第i個(gè)能力因素，n個(gè)確定的能力因素能夠確定一個(gè)成員x，a_i和b_i分別表示x_i的上下邊界。現(xiàn)以使評價(jià)值最小為優(yōu)化目標(biāo)。首先，利用隨機(jī)方法產(chǎn)生N+M個(gè)初始成員，并計(jì)算所有成員的評價(jià)值，由評價(jià)值較高的前N個(gè)成員構(gòu)成精英組，剩余的M個(gè)成員構(gòu)成普通組。

步驟三：從精英組或者普通組中生成新生成員：

新生成員從精英組或者普通組中擇一生成，新生成員的每一個(gè)能力因素都是從當(dāng)前所有精英組成員能力因素的對應(yīng)位置隨機(jī)繼承，從普通組中生成與之方法類似。新生成員記做x_r，用公式(2)表示：

其中，x_r的第i個(gè)變量x_ri是繼承的精英組的第r個(gè)成員的第i個(gè)變量的值。與之類似，將式(2)中的下標(biāo)e全部換成p即可得到普通組生成的新生成員。

步驟四：判斷新生成員參與何種行為機(jī)制，根據(jù)不同維度進(jìn)行相應(yīng)的學(xué)習(xí)或者探索行為：

新生成員要成為候選成員必須在繼承能力因素的前提下進(jìn)行一次能力因素的學(xué)習(xí)或探索機(jī)制行為：

進(jìn)行學(xué)習(xí)行為則需要有學(xué)習(xí)的參考目標(biāo)才可以向更優(yōu)值靠攏。參考目標(biāo)分別產(chǎn)生于兩組，分別設(shè)置為精英組樣板e(cuò)_e和普通組樣板e(cuò)_p，取所在組成員的能力因素的平均值為樣板的能力因素，如下式：

新生成員的學(xué)習(xí)或者探索行為由學(xué)習(xí)概率l來決定，經(jīng)驗(yàn)計(jì)算得，學(xué)習(xí)概率l一般取為0.2～0.5。r為區(qū)間(0,1)上的均勻分布隨機(jī)數(shù)，若學(xué)習(xí)概率l大于隨機(jī)數(shù)r則進(jìn)行一次學(xué)習(xí)行為，若小于則進(jìn)行一次探索行為。進(jìn)一步的，所述步驟五又分為兩個(gè)部分：

步驟五-1：確定學(xué)習(xí)樣板并進(jìn)行學(xué)習(xí)行為：