[發明專利]一種自適應動態學習粒子群優化算法

在審

• 申請號: 201910073605.6
• 申請日: 2019-01-25
• 公開（公告）號: CN109784466A
• 公開（公告）日: 2019-05-21
• 發明（設計）人: 范應元;范一諾
• 申請（專利權）人: 濰坊醫學院
• 主分類號: G06N3/00
• 分類號: G06N3/00
• 代理公司: 濰坊博強專利代理有限公司 37244
• 代理人: 李偉

本發明公開了一種自適應動態學習粒子群優化算法，主要包括初始化粒子種群、粒子自身擾動、隨機分組和自適應動態選擇學習模式、位置更新及限速限位等步驟；本發明首先采用隨機分組方法將粒子種群的優勢信息在種群內快速傳播，使得種群內各粒子獲得更加優秀的學習伙伴，提高了算法的全局搜索能力；其次，根據組內各粒子學習的優劣設計了擾動學習策略和具有兩種學習策略的自適應動態學習策略，其一為向精英粒子群的加權平均及組內較優粒子學習，其二為向粒子個體歷史最優解、全局最優解的最優維度學習，提高了算法的局部搜索能力。

技術領域

本發明涉及粒子群優化技術領域，尤其涉及一種自適應動態學習粒子群優化算法。

背景技術

粒子群優化算法是由Kennedy和Eberhart受到Boid模型啟發而在1995年提出的一種群智能的隨機優化算法。由于算法收斂速度快、結構簡單、解質量高、有可調參數少及搜索范圍大等優點，目前已廣泛應用于函數優化、神經網絡訓練、工程領域、隨機優化問題的求解、最優控制問題的求解、信號處理以及其它的應用領域。

粒子群優化算法在前期收斂速度較快，但在問題搜索空間內，粒子個體因受種群整體經驗的影響向當前最優解的臨近區域進行遷徙而非隨機自由的遷徙，因此在后期極易陷入局部最優解，發生“早熟”現象，尤其是當解空間為多峰函數時。為此，研究人員對PSO的改進提出了許多經典的方法，如Kennedy和Menders提出了全信息PSO算法(FIPS)，Chuang等人提出了混沌粒子群算法(CPSO)，Sun提出了量子PSO算法(QPSO)，Peram等人提出了基于適應度距離的粒子群算法(FDRPSO)，Liang和Suganthan等人提出了綜合學習粒子群優化算法(CLPSO)，部分現有文獻還研究了慣性權重、參數的設置對算法優化性能的影響，提出一種動態分組的粒子群優化算法來避免算法陷入局部最優。

傳統PSO算法基于種群中最佳個體進行單一學習，PSO算法簡單，收斂速度快，但是在處理復雜高維優化問題時經常面臨陷入局部最優值的問題，即其它粒子很容易跟隨“最佳經驗”陷入局部最優位置，且無法跳出局部最優因此，算法搜索后期種群的多樣性差，算法的全局廣度搜索和局部深度搜索能力降低。

發明內容

本發明所要解決的技術問題是提供一種有助于提高算法的全局搜索能力和局部搜索能力，綜合收斂性能優異的一種自適應動態學習粒子群優化算法。

為解決上述技術問題，本發明的技術方案是：一種自適應動態學習粒子群優化算法，包括以下步驟，

步驟一、設置粒子群數目SIZE，維數D，最大迭代次數MAX_GENERATION，慣性權重w，速度范圍Vmax、Vmin，搜索位置范圍Xmax、Xmin，學習因子c₁、c₂，每組連續失敗最大次數gcount＝N和整體連續失敗最大次數acount＝M；

步驟二、初始化粒子的初始位置、初始速度；

步驟三、當acount＝M時，則對粒子群進行重新的隨機分組，并且對每組粒子群進行隨機策略選取，同時清零每組失敗次數和整體失敗次數；

否則執行步驟四；

步驟四、計算粒子的適應值，產生[0.8,1.2]間的擾動，如果產生的解更優，則替換原來的解，否則保留原來的解；

步驟五、計算個體歷史最優解、本組最優解、全局最優解，如果本組最優值得到更新，則gcount＝0，否則gcount+1；如果整體最優值得到更新，則acount＝0，否則acount+1；

步驟六、如果gcount＝N，則更換學習策略；

步驟七、不同組根據選擇的策略進行速度的更新，可供選擇的策略包括策略一和策略二；

策略一：向精英粒子和本組最優秀的粒子學習