[發明專利]一種群組信息共享的自適應群體智能算法候選解修正方法

在審

• 申請號: 201811116798.0
• 申請日: 2018-09-25
• 公開（公告）號: CN109409494A
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 穆磊;王鵬;辛罡
• 申請（專利權）人: 西南民族大學
• 主分類號: G06N3/00
• 分類號: G06N3/00
• 代理公司: 成都頂峰專利事務所(普通合伙) 51224
• 代理人: 何紅信

本發明涉及計算智能領域，具體涉及一種群組信息共享的自適應群體智能算法候選解修正方法。本發明使用社會信息作為主要的指導來對候選解進行修正，同時在一定程度上保持個體經驗。該方法通過計算高斯采樣得到的多個參考點之間的位置關系，確定吸引因子的取值，從而自適應地確定個體和群體知識的影響。最大限度地糾正候選解決方案，同時個人經驗需要作為自我判斷而保持。以MQHOA算法為例，其采用高斯采樣表示候選最優解的分布。因而，本方法使用高斯采樣來產生用于修正的新參考點，通過候選解的歷史最佳位置和整個種群的最佳位置用于確定采樣中心的位置，而參考點之間的距離關系用于決定吸引因子的取值，從而決定對社會信息和個人經驗的采納比例。

技術領域

本發明涉及計算智能領域，具體涉及一種群組信息共享的自適應群體智能算法候選解修正方法。

背景技術

在人工智能領域中，經常需要通過采集的大量數據進行分析處理，得出最優值，利用該最優值來指導控制裝置做出對應的控制動作。而得出最優值的準確性和速度直接關系到控制裝置做出控制動作的準確性和速度。

群體智能優化算法主要模擬了昆蟲、獸群、鳥群和魚群的群集行為，這些群體按照一種合作的方式尋找食物，群體中的每個成員通過學習它自身的經驗和其他成員的經驗來不斷地改變搜索的方向。群體智能優化算法的突出特點就是利用了種群的群體智慧進行協同搜索，從而在解空間內找到最優解。部分群體智能優化算法采用高斯采樣，以多尺度量子諧振子算法(MQHOA)為例，其產生的采樣點概率分布較大，在中心點附近具有一定的聚集效應，容易導致收斂到局部最優。另外，以往對整個群體中的多個粒子進行隨機搜索的方法存在重復性和盲目性，導致搜索效率低下。

該方法的動機來自人類社會的現實生活。具體來說，有必要從優秀的人身上學習突出的特點，促進自我的發展。然而，這些特性不能被人類個體完全復制。同時保持自己的良好人格，具有獨特的性質，這樣的多樣性才能確保整個社會文明的進步。人類社會以這種方式繼續進步，智能進化算法是相似的。

合適的候選解生成方法可以提高搜索空間的優化算法的效率。受PSO等群智能優化算法中群體信息共享的啟發，提出一種群組信息共享的自適應群體智能算法候選解修正方法。

發明內容

本發明目提供了一種群組信息共享的自適應群體智能算法候選解修正方法，解決了現有技術中搜索效率低下的問題。

本發明所采用的技術方案為：

一種群組信息共享的自適應群體智能算法候選解修正方法，包括以下步驟：

A1：對隨機初始化個體解x(i，j，t)進行高斯采樣，生成基礎參考點x′(i，j，t)；

A2：讀取歷史最優位置x^lb(i，j，t)、整個種群所有個體的最佳位置x^gb(j，t)和基礎參考點x′(i，j，t)；

A3：計算當前位置和該個體歷史最優位置的距離，結果用σ^lb(i，j，t)表示，計算公式為：

σ^lb(i，j，t)＝x^lb(i，j，t)-x′(i，j，t)；

A4：計算當前位置和種群歷史最優位置的距離，結果用σ^gb(i，j，t)表示，計算公式為：

σ^gb(i，j，t)＝x^gb(j，t)-x′(i，j，t)；

A5：計算x^lb(i，j，t)和σ^lb(i，j，t)經高斯采樣后生成的個體最優參考點，結果用x′^lb(i，j，t)表示，計算公式為：