[發明專利]一種基于改進的多種群全局最優的自適應鴿群優化方法

有效

• 申請號: 201811381008.1
• 申請日: 2018-11-20
• 公開（公告）號: CN109657778B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 常鵬;盧瑞煒;張祥宇;王普
• 申請（專利權）人: 北京工業大學
• 主分類號: G06N3/00
• 分類號: G06N3/00
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 吳蔭芳

本發明公開了一種基于改進的多種群全局最優的自適應鴿群優化方法。本發明包括“粒子收斂性階段”和“粒子多樣性階段”兩個階段。“粒子收斂性階段”首先對粒子進行投影，得到粒子個體與全局信息，選出收斂性全局最優；之后使用速度、位置更新公式調整粒子；最后對粒子進行歸檔并循環迭代。“粒子多樣性階段”包括：對粒子進行投影，得到粒子個體與全局信息，選出多樣性全局最優；之后使用位置更新公式調整粒子；最后對粒子進行歸檔并循環迭代。本發明分別考慮解的收斂性或多樣性，最終得到了性能優秀的多目標問題求解方法。

技術領域

本發明屬于多目標問題優化技術領域，特別是涉及一種現代工業領域多目標粒子群全局優化技術。本發明的基于鴿群優化的方法即是在典型多目標優化問題——ZDT問題(Zitzler–Deb–Thiele's function)的具體應用。

背景技術

現代的工業過程是一個復雜的系統，其過程數據具有動態性、非線性和多約束性的特征。為了提高工業生產過程的效率，減少事故的發生，多目標優化方法受到廣泛關注。多目標進化算法有很好的全局探索能力，且并不需要了解問題的數學模型。由于其簡潔、高效的特點，多目標進化算法解決了工業過程領域的許多難題。

目前，多目標進化算法主要有：多目標蟻群算法、多目標遺傳算法、多目標差分進化算法。而多目標粒子群優化(multi-objective Particle Swarm Optimization，MOPSO)算法是一種基于鳥群或魚群行為的啟發式算法。通過個體粒子之間相互合作，表現出復雜的智能行為；利用個體間的信息交互實現種群的進化。實現了以種群為主而非優異的獨立個體的智慧的進化。

然而，目前的MOPSO算法解決的問題大多是靜態優化問題，但實際應用中的問題不但目標之間互相沖突，而且具有很強的時變性，現有的MOPSO算法無法動態調整適應，因此無法獲得優秀的效果。

發明內容

為了解決現代工業過程中參數調整的多目標問題，本發明提供了一種基于改進的多種群全局最優的自適應鴿群優化方法。將每次迭代過程中的粒子投影到平行單元格中。評價每個粒子的分布與收斂情況，從中選出傾向于收斂性的全局最優粒子或是傾向于多樣性的全局最優粒子；根據粒子群的情況動態的調整粒子的飛行參數。解決了粒子群算法容易陷入局部最優的問題。在保證粒子收斂性的同時，提高了解的多樣性。

鴿子飛行分為兩個階段：一階段依靠磁石與太陽；二階段依靠地標。

第一階段：在距目的地較遠時，它們都是依靠磁石與太陽。鴿子可以通過體內的磁石感知地球磁場，并于大腦中塑造地圖。它們把太陽的高度做為羅盤從而調整方向。

分析鴿子的行為發現：在距目標較遠時，鴿子的飛行過程傾向于全局搜索。因此，我所設計的多目標鴿群算法在第一階段專注于全局搜索也就是收斂性。

第二階段：在距目的地較近時，它們會依賴附近的地標。如果鴿子熟悉地標,它們將直接飛往目的地。如果它們不熟悉地標，它們會跟隨那些熟悉地標的鴿子。

分析鴿子的行為發現：在距目標較近時，鴿子的飛行過程傾向于局部搜索。因此，我所設計的多目標鴿群算法在第二階段專注于局部搜索也就是多樣性。

本發明采用了如下的技術方案及實現步驟：

把工業過程中待調的參數值進行組合，構成向量。每個向量是參數值的一種可能解，將這樣的向量稱為粒子。

A.粒子收斂性階段：

1)設置多目標鴿群算法的參數，隨機初始化粒子位置、速度，將全部粒子歸檔；

2)將粒子投影到平行單元格中，計算當前時刻每個粒子在每個目標上的適應度值，其中當前時刻第k個粒子在第m個目標上的適應度值L_k,m，具體公式如下；