[發明專利]一種基于改進物種保存策略的多峰優化骨干微粒群算法

在審

• 申請號: 201810666908.4
• 申請日: 2018-06-26
• 公開（公告）號: CN108921277A
• 公開（公告）日: 2018-11-30
• 發明（設計）人: 王攀攀;段森;胡泳軍;尚健祎;馮森;王佩月;金榮澤
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06N3/00
• 分類號: G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了屬于優化領域的一種基于改進物種保存策略的多峰優化骨干微粒群算法。它首先對遺傳算法中的物種保存策略進行改進，主要包括1)種子的遴選范圍是微粒群算法中的個體極值，防止振蕩現象；2)定義了物種的相似度，用以保持種子的多樣性；3)子種群的形成不再依賴于小生境半徑，非種子微粒歸屬于離自身最近的種子。然后，將改進后的物種保存策略引入傳統單峰優化的骨干微粒群算法，實現整個可行域的多個峰值搜索。本發明可同時搜索多個峰值，且全局搜索能力強，收斂速度快，求解精度高，參數設置少，非常適合工程實際應用。

技術領域

本發明涉及優化領域，尤其涉及一種基于改進物種保存策略的多峰優化骨干微粒群算法。

背景技術

無論是軍事、工農業，還是日常生活，都大量存在優化問題。對于該問題的解決途徑主要分兩大類：傳統優化算法和智能優化算法。傳統優化算法主要包括：導數法，直接法，枚舉法等。這些方法通常都是沿著適應度函數的梯度方向搜索，容易陷入局部最小值，并對搜索起點較敏感。為此，近年來，發展形成了各種具有全局搜索特性的智能優化算法，如遺傳算法、模擬退火算法、微粒群算法等。微粒群算法(Particle Swarm Optimization，簡稱PSO)因其實現容易、精度高、收斂快等優點引起了學術界的重視，并且在解決實際問題中展示了其優越性。

標準的PSO和骨干PSO (BBPSO) 算法雖然都是全局優化算法，但都是針對搜索空間中只有一個全局最優解而設計的。在進化過程中由于選擇壓力的存在，使他們無法得到多個全局最優解和一些質量較好的局部最優解。針對多峰優化問題，國內外學者們將小生境技術引入進化算法中，并為此提出了許多小生境策略，比如：排擠策略、適應度分享策略、物種保存策略、多物種策略等等。但是基于這些策略的多峰優化算法并不完美，在實際應用過程中仍然存在一些不足，比如：存在設置參數多，收斂速度慢，適應度值波動振蕩等問題。

發明內容

發明目的：針對現有多峰優化算法存在的不足，提出一種基于改進物種保存策略的多峰優化骨干微粒群算法。

技術方案：為實現上述目的，本發明首先對物種保存策略進行改進，然后將該策略引入到BBPSO中，形成能夠實現多峰搜索的改進BBPSO (IBPSO)。其中主要的創新點包括：1)種子的選擇范圍改為所有微粒的個體極值，防止出現振蕩現象；2) 定義了物種的相似度σ，用以保持種子的多樣性，其中σ為任意兩個種子間的歐氏距離；3) 子種群的形成不再依賴于小生境半徑，非種子微粒歸屬于離自身最近的種子。

該算法法具體包括以下步驟：

步驟1：構造優化問題的適應度函數，進行算法初始化；

步驟2：利用適應度函數，計算每個微粒的適應值；

步驟3：更新微粒個體極值；

步驟4：更新/確定物種種子；

步驟5：計算微粒到各個種子的距離，確定微粒的歸屬；

步驟6：更新微粒位置x_i，其中每個微粒的第j維位置更新公式為：，式中N(?)表示高斯分布；是高斯分布的均值；是高斯分布的標準差；

步驟7：若滿足停止條件，搜索停止，輸出所有全局最優位置和全局最優適應值。否則，返回步驟2繼續搜索。

進一步地，所述步驟1中的算法初始化具體包括：隨機產生微粒的位置，計算其適應度值，并將這兩者初始化個體極值，設置算法所需參數，包括種群規模、最大迭代代數和物種相似度閾值σ^*。