[發(fā)明專利]一種基于隨機(jī)慣性權(quán)重的差分粒子群混合算法

在審

• 申請?zhí)枺?/td>: 201910607882.0
• 申請日: 2019-07-08
• 公開（公告）號: CN110321995A
• 公開（公告）日: 2019-10-11
• 發(fā)明（設(shè)計(jì)）人: 林梅金;汪震宇;王飛
• 申請（專利權(quán)）人: 佛山科學(xué)技術(shù)學(xué)院
• 主分類號: G06N3/00
• 分類號: G06N3/00
• 代理公司: 北京八月瓜知識產(chǎn)權(quán)代理有限公司 11543
• 代理人: 馬東瑞

本發(fā)明提供了一種基于隨機(jī)慣性權(quán)重的差分粒子群混合算法，改變了傳統(tǒng)的慣性權(quán)重為一固定的值的情形，在算法的整個(gè)運(yùn)行過程中慣性權(quán)重隨迭代過程的改變而改變，有利于算法跳出局部最優(yōu)解，從而達(dá)到全局尋優(yōu)的效果。通過在混合算法的變異操作中引入隨機(jī)慣性權(quán)重，與傳統(tǒng)算法相比較，使用該算法進(jìn)行數(shù)值優(yōu)化計(jì)算時(shí)，收斂速度更快、精度也更高，能夠準(zhǔn)確尋找到全局最優(yōu)值，有效地提升了算法的優(yōu)化性能；通過生成多次變異群體的交叉混合的操作，使得整個(gè)混合算法的收斂精度和收斂的速度更快，提升了整個(gè)差分粒子群優(yōu)化性能；高效分配資源的計(jì)算速度，有效提高了計(jì)算資源的利用，且該方法優(yōu)化后無需人工進(jìn)行修正和調(diào)整，應(yīng)用前景廣泛。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)值優(yōu)化領(lǐng)域，尤其涉及一種基于隨機(jī)慣性權(quán)重的差分粒子群混合算法。

背景技術(shù)

近年以來，群智能優(yōu)化算法得到了迅速的發(fā)展，在數(shù)值優(yōu)化領(lǐng)域和實(shí)際工程領(lǐng)域得到了廣泛的應(yīng)用。粒子群算法(Particle Swarm Optimization)和差分進(jìn)化算法(Differential Evolution)是兩種典型的群智能優(yōu)化算法。

PSO算法是由Kennedy和Eberhart于1995年提出的一種模擬鳥群覓食行為的群智能優(yōu)化算法。PSO算法首先在一定的解空間內(nèi)隨機(jī)初始化粒子群體，然后通過不斷地迭代去尋找最優(yōu)解，在每一次的迭代中，粒子通過追蹤個(gè)體極值和全局極值來不斷更新自己的位置和速度，直至找到最優(yōu)解。PSO算法結(jié)構(gòu)簡單，搜索能力強(qiáng)，已經(jīng)廣泛應(yīng)用于數(shù)值優(yōu)化、神經(jīng)網(wǎng)絡(luò)、模式識別等領(lǐng)域。

DE算法是由Storn等人于1995年提出的一種采用實(shí)數(shù)編碼的群智能優(yōu)化算法。DE算法通過群體內(nèi)個(gè)體間的合作與競爭機(jī)制去尋找全局最優(yōu)值。相較于傳統(tǒng)進(jìn)化計(jì)算，DE算法保留了基于種群的搜索策略，簡單的變異操作和“一對一”的競爭策略，有效地降低了計(jì)算的復(fù)雜性。DE算法的操作主要包括初始化、變異、交叉和選擇，DE算法全局尋優(yōu)能力強(qiáng)、魯棒性好，已經(jīng)在很多領(lǐng)域得到了應(yīng)用，如數(shù)值計(jì)算、電力系統(tǒng)、信號處理和機(jī)器人控制等。

雖然PSO算法和DE算法尋優(yōu)能力強(qiáng)，但在算法的后期還是存在容易陷入局部最優(yōu)解的缺點(diǎn)。針對單一的PSO算法或者DE算法后期容易陷入局部最優(yōu)值的狀況，有學(xué)者考慮將PSO算法同DE算法相結(jié)合，以克服算法后期易陷入局部最優(yōu)的情況。

如CN103793745B現(xiàn)有技術(shù)公開了一種分布式粒子群優(yōu)化方法，粒子群優(yōu)化算法的優(yōu)點(diǎn)在于計(jì)算模型易于描述，需要進(jìn)行調(diào)試的參數(shù)比較少，實(shí)現(xiàn)簡單運(yùn)算速度快，無集中控制約束，魯棒性強(qiáng)，但容易陷入局部最優(yōu)而喪失全局最優(yōu)解，也稱為早熟現(xiàn)象，因?yàn)榇蟛糠秩后w中的個(gè)體都進(jìn)化到最優(yōu)位置附近而使得整個(gè)中群位置無法進(jìn)一步得到優(yōu)化，在進(jìn)行高維粒子群優(yōu)化時(shí)優(yōu)化難度大，結(jié)構(gòu)復(fù)雜，且優(yōu)化時(shí)間過長。

另一種典型的如JP6424090B2的現(xiàn)有技術(shù)公開的一種基于種群聚集程度的粒子群算法，粒子群算法以粒子代表優(yōu)化問題的一個(gè)解，其對應(yīng)的目標(biāo)函數(shù)值被稱為粒子的適應(yīng)度，多個(gè)粒子構(gòu)成種群。各個(gè)粒子具有位置和速度，每次迭代中，各粒子根據(jù)個(gè)體所找到過的最好位置和種群所找到過的最好位置來調(diào)整自身的位置和飛行速度，從而使整個(gè)種群不斷向更優(yōu)解移動(dòng)，最終將有希望到達(dá)全局最優(yōu)解。粒子群算法的原理簡單，相關(guān)參數(shù)少，容易實(shí)現(xiàn)，但其最大缺陷在于早熟收斂問題，導(dǎo)致無法得到全局最優(yōu)解。其中，導(dǎo)致粒子群算法早熟收斂的一個(gè)重要原因是：在整個(gè)進(jìn)化過程中，始終保持種群最優(yōu)位置對所有粒子飛行方向的引導(dǎo)作用。這種方式雖然能夠獲得較快的收斂速度，但是容易使種群陷入局部極值點(diǎn)，不利于尋求全局最優(yōu)解，特別是在迭代后期，大量粒子聚集于一個(gè)較小的搜索空間，整個(gè)種群單一性很強(qiáng)，已經(jīng)基本喪失了對空間中其他區(qū)域的尋優(yōu)能力。

再來看如US2019092458(A1)的現(xiàn)有技術(shù)公開的一種粒子群算法，來源于進(jìn)化計(jì)算理論和人工生命。通過整個(gè)粒子群算法的最優(yōu)解。每一個(gè)粒子計(jì)算個(gè)體適應(yīng)度值，并將它與歷史最優(yōu)位置和全局最優(yōu)位置比較，如果個(gè)體適應(yīng)度較小，則更新它的歷史最優(yōu)位置和全局最優(yōu)位置。通過不斷靠近全局最優(yōu)解，來找到最佳位置。傳統(tǒng)的粒子群算法收斂速度快，但容易陷入局部最優(yōu)解，造成算法過早結(jié)束。，