[發明專利]一種分層異質動態粒子群優化算法

在審

• 申請號: 201710599219.1
• 申請日: 2017-07-21
• 公開（公告）號: CN107578117A
• 公開（公告）日: 2018-01-12
• 發明（設計）人: 徐東;姬少培;孟宇龍;張子迎;王磊;王巖峻;張朦朦;張玲玲;李賢;呂駿
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及計算機應用技術領域，具體涉及一種分層異質動態粒子群優化算法。

背景技術

優化問題是個古老的課題，無論是微觀世界還是宏觀世界，最優化問題是普遍存在的。優化問題也就是對于某個問題,如果有多種可供選擇的解決方案,則需要確定具體的性能要求,并從多個方案中選擇一種,使得所確定的性能要求指標最大或最小。

自從優化問題提出后,人們針對優化問題的求解提出了各種方法，對優化問題的求解研究亦從未間斷，這些方法主要分為兩類:第一類是利用解析的思想,該方法的一個特點是利用優化所具有的性質特點，建立起極值點所應該滿足的方程或方程組,求解方程或方程組,最終得到問題的最優解；第二類是利用數值的思想,利用優化函數的性質,設計適當的基本迭代算式，在給定初值的情況下,通過基本迭代式的遞歸運算得到優化問題的解。

粒子群優化算法(particle swarm optimization,PSO)是由Kennedy和Eberhart于1995年提出的一種模擬鳥群覓食的群智能優化算法，群中每個粒子在搜索空間中，按照如下兩個公式不斷地調整自身的速度和位置進行尋優，直到滿足收斂終止條件。

式中，和分別為第t和t+1次迭代時第j維中粒子i的速度；分別為第t和t+1次迭代時粒子i的位置；ω為慣性權重；c₁、c₂為加速度系數或稱為學習因子；為第t次迭代時粒子i的個體極值點的位置；為第t次迭代時整個粒子群的全局極值點的位置；為[0,1]區間獨立的均勻分布的隨機數；V_max是常數，根據具體的問題人為設定。

與其他優化算法相比，粒子群算法算式簡潔，收斂速度快，易于編程實現，無需梯度信息，只需利用目標的取值信息，且具有群搜索性能與各粒子間的協同特性。粒子群算法在很多領域得到廣泛的應用與迅速的發展完善但是仍存在著以下缺陷：

(1)初始粒子都是隨機生成的，雖然保持了種群的多樣性，但是部分粒子的質量偏低，在一定程度上影響了種群的質量和尋優效率。

(2)在算法運行的過程中，粒子要不斷地向個體極值和全局極值靠近，造成了所有粒子偏向同一個方向飛行，導致粒子趨向同一化，多樣性逐漸消失，降低了算法后期的收斂速度和收斂精度。

(3)對于高維多峰函數來說很容易聚集到一點而停滯不前，造成算法早熟，這些早熟的收斂點可能是局部極值。

發明內容

本發明為克服現有技術的缺陷，提出了一種多層異構動態粒子群優化方法。該算法將粒子群拓撲結構設置為多層次結構，同時在粒子的速度更新過程當中，引入吸引粒子的概念，將粒子周圍的吸引粒子對其自身的影響考慮在內，對粒子的速度更新公式進行改進。這種改進方式能夠平衡算法本身的局部搜索能力和全局搜索能力，很好的解決了由于粒子之間信息共享機制簡單導致的算法容易“早熟”，收斂速度慢等缺陷。

一種分層異構動態粒子群優化算法，具體包括如下步驟：

(1)初始化粒子群：隨機初始化粒子的位置和速度；

(2)計算每個粒子的適應度值，構建種群分層結構：計算每個粒子的適應度值并進行排序，依據適應度值大小將粒子置于不同的層次，且每個層次中粒子數目相同；

(3)更新粒子的局部最優位置和全局最優位置：對于每個粒子，比較它的適應度值和它所經歷過的最好位置的適應值，如果更小則更新對于每個粒子，比較它的適應度值和拓撲鄰居中的群體經歷過的最好位置的適應度值，如果更小則更新

(4)計算吸引粒子的吸引系數并更新粒子的速度和位置：

速度更新公式為：

位置更新公式為：

是第t次迭代時第j維中粒子i的吸引粒子a所在的位置，是粒子i的吸引粒子的總數，c₃是恒定的加速度系數，是粒子i的吸引粒子a所對應的吸引系數，其他參數與標準粒子群算法中參數含義相同；

(5)如果達到迭代結束條件則迭代結束，否則轉步驟(2)繼續迭代。

其特征在于，所述的步驟(2)具體包括：

每個粒子通過目標函數計算適應度值，適應度值越小的粒子，所在的層次越高。

其特征在于，所述的步驟(3)具體包括：

所述的最好位置為通過目標函數計算適應度值得到最小適應度值的粒子的位置；所述的最好位置為粒子拓撲鄰居中通過目標函數計算適應度值得到最小適應度值的粒子的位置。

其特征在于，所述的步驟(4)具體包括：