[發明專利]隨機慣性權重粒子群優化方法

在審

• 申請號: 202011216676.6
• 申請日: 2020-11-04
• 公開（公告）號: CN112633455A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 張淵博;鄒德旋;張春韻
• 申請（專利權）人: 江蘇師范大學
• 主分類號: G06N3/00
• 分類號: G06N3/00
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 馬進

隨機慣性權重粒子群優化方法，包括：通過簡化粒子群優化方程和添加極值影響算子，使粒子的個體極值和全局極值在迭代過程中以不同程度的作用來更新粒子位置，以及加入中心位更新的粒子位置兩種策略。通過和其它3種優化算法在6個典型基準函數的仿真測試結果表明：本發明算法具有更好的全局收斂能力，且收斂精度、穩定性都有明顯的提升。

本發明屬于智能算法領域，涉及一種隨機慣性權重粒子群優化方法。

背景技術

粒子群算法(PSO)是由Kennedy和Eberhart在1995年提出的。由于其結構簡單、計算量小，粒子群算法已被廣泛應用于求解大范圍優化問題。該算法已成功應用于解決許多實際優化問題,如路徑規劃、柔性作業車間調度、特征選擇、深度神經網絡等許多其他現實問題。。

粒子群優化算法雖然原理簡單、易于實現、收斂速度快，但仍存在收斂過早、全局搜索能力差等缺點。為了提高粒子群算法的優化性能，許多學者提出了各種各樣的粒子群算法變體。粒子群算法的修正策略大致可以分為四種情況:鄰域拓撲、粒子群算法與其他算法的雜交、學習策略和參數調優。

為改善標準粒子群算法易于陷入局部最優而使收斂性能較差的缺陷，本發明提出一種隨機慣性權重粒子優化算法，增強了全局搜索能力與局部搜索能力，降低了算法陷入局部最優的概率。與其他算法的測試結果進行比較分析，本發明一種隨機慣性權重粒子優化算法，具有更快的收斂速度、更高的收斂精度等優勢。。

發明內容

本發明采取的技術方案為：

隨機慣性權重粒子優化算法，包括如下步驟：

步驟1：設每個粒子代表超空間中的一個設計點，其當前位置用表示，其中i為單個粒子，t為迭代次數。每個粒子跟蹤其當前位置和到目前為止最優解用p_id表示。算法跟蹤的另一個值是跟蹤全局最優解p_gd。粒子速度為每次迭代時粒子位置的變化。提出標準粒子群算法中粒子的速度和位置的更新公式：

x^(i,k+1)＝x^(i,k)+v^(i,k+1)；i＝1 to N (13)

其中，認知參數c₁和社會參數c₂統稱為加速系數。r₁和r₂是第t次迭代生成的包含隨機數的向量(0≤rand≤1)，N表示種群的大小。w為權重，粒子速度更新方程中存在三個矢量分量；即動量向量，認知或個人成分和社會或全局成分。

步驟2：考慮標準粒子群優化算法存在易陷入局部最優的缺陷，簡化粒子群優化方程，并引入影響算子。

S5：

S6：其中影響因子e₁,e₂表示為：

S7:

S8:

影響因子根據迭代次數來改變個體極值和全局極值對粒子位置的影響。前期受個體極值影響大，使粒子快速找到相對較好的位置，尋優中期，一部分粒子向全局最優值靠近，一部分粒子繼續搜尋更好的位置點，迭代次數達到后期時，所有粒子向全局最優值靠近，使粒子得到更好的收斂。

步驟3、引入隨機慣性權重：

慣性權重w起到了一個平衡全局搜索能力和局部搜索能力的作用,w值較大時，全局搜索能力強，局部搜索能力弱；w值較小時,反之。恰當的w值可以提高算法性能,提高尋優能力,減少迭代次數。w的調節公式為：