[發明專利]一種基于PSO算法的物種生滅優化方法

在審

• 申請號: 202011074027.7
• 申請日: 2020-10-09
• 公開（公告）號: CN112163665A
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 楊永建;鄧有為;甘軼;南建國;肖冰松;黃柏儒
• 申請（專利權）人: 中國人民解放軍空軍工程大學
• 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

本發明提出一種基于PSO算法的物種生滅優化方法；在物種生滅方法的基礎上，為了進一步提高物種收斂速度、避免種群陷入局部最優解，首先，對物種爆發時產生的新物種通過生成多個粒子；然后，利用PSO算法進行深度迭代，以提高新物種的解的質量；最后，用PSO算法的全局最優解代替新物種的值；本發明將粒子群優化算法融入到物種生滅方法中的每個幸存物種的爆發過程中，能夠有效縮短達到優化目標所需要的迭代次數，加快群智能優化算法的收斂速度，提高最優解的質量。

技術領域

本發明涉及最優化技術，具體涉及一種利用粒子群優化(Particle SwarmOptimization，PSO)算法對物種生滅方法進行改進處理的方法。

背景技術

群智能優化算法是在借鑒自然現象或者生物體的各種原理的基礎上發展出的一類新的優化算法，包括粒子群優化算法、蟻群算法、人工魚群算法等。群智能優化算法能夠解決不同領域的許多問題，如許多傳統方法無法解決的非確定性多項式-難題(NP-Hard)問題。群智能優化算法利用群體中單個成員簡單的操作，通過合作完成復雜的任務。因此，群智能優化算法一般只需要兩個操作即可實現，一是個體行為操作，二是個體間的合作。如粒子群優化算法中，粒子的移動包含了粒子本身的信息(個體行為)以及整個種群對粒子的影響(個體間的合作)。盡管群智能優化算法理論簡單、可操作性強、易于實現，然而，幾乎所有的群智能優化算法不可避免地會發生早熟收斂、容易陷入局部最優解等問題。

Kennedy的《Particle Swarm Optimization》(Proc.the IEEE InternationalConference on Neural Networks，1995：1942-1948)利用鳥群的群體行為，提出了PSO算法。PSO算法中種群是由大量粒子組成的，每個粒子包含位置、速度和適應度值三種信息，代表著搜索區域內一種潛在的可能最優解。粒子在移動過程中，通過其自身信息和種群中其他粒子的信息來調整其移動路線。PSO算法不需要被優化函數的其他額外信息，僅需要采用基本的數學運算即可完成優化任務，具有算法理論簡單、易于編程實現、參數設置少，搜索效率高的特點。

《物種生滅方法》(系統工程與電子技術，2018，40(4)：941-947.)是一種新型的群智能優化算法，具有收斂速度快、搜索空間更自由、包容性強的優點，但物種生滅方法依然面臨容易陷入局部最優解的問題。物種生滅方法的主要步驟分為兩個階段，第一階段為物種大爆發，在已有物種的基礎上，通過衍生使物種數目達到原來的M倍；第二階段為物種大滅絕，對最近一次物種大爆發所產生的物種進行篩選，環境適應能力最好的S個物種將在本次物種大滅絕中幸存，其余的物種全部淘汰。環境適應能力即最優化問題中的目標函數，對于不同的優化問題目標函數的表達式不同，在群智能優化算法中，目標函數通常稱為適應度函數。

發明內容

為了進一步提高群智能優化算法的收斂速度、避免種群陷入局部最優解，本發明提出一種基于PSO算法的物種生滅優化方法，具體步驟如下：

第一步：設置物種生滅方法的參數，包括：幸存物種的數量S，物種的衍生能力A，A∈[A_min，A_max]，A_max表示最大的物種衍生能力，A_min≥≥0表示最小的物種衍生能力；物種的生代數G，物種的爆發倍數M，收縮系數α，算法的迭代次數Iter；

第二步：設置PSO算法的參數，包括：種群大小P，學習因子c₁和c₂，慣性權重因子ω，粒子的最大移動速動v_max和v_-max，算法的迭代次數iter；