[發(fā)明專利]一種基于粒子群遺傳混合算法的標(biāo)準(zhǔn)測試函數(shù)處理方法

在審

• 申請?zhí)枺?/td>: 202011280584.4
• 申請日: 2020-11-16
• 公開（公告）號: CN112348156A
• 公開（公告）日: 2021-02-09
• 發(fā)明（設(shè)計）人: 吳沁;諶國章;楊建軍;張潔;王富強(qiáng);楊辰煜
• 申請（專利權(quán)）人: 蘭州理工大學(xué)
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/12
• 代理公司: 北京中仟知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11825
• 代理人: 田江飛

本發(fā)明公開了一種基于粒子群遺傳混合算法的標(biāo)準(zhǔn)測試函數(shù)處理方法，包括步驟：S1、初始化種群后，設(shè)定種群規(guī)模為M，先由粒子群算法將種群進(jìn)化到一定代數(shù)T，根據(jù)適應(yīng)度函數(shù)值，將種群中適應(yīng)度函數(shù)值優(yōu)于種群均值的個體U_k直接提取出來，進(jìn)入下一代，剩余的(M?U_k)個個體，以剩余的(M?U_k)個個體為基礎(chǔ)，進(jìn)行遺傳算法進(jìn)化，產(chǎn)生(M?U_k)個個體；S2、將剩余的(M?U_k)個個體和遺傳算法進(jìn)化的(M?U_k)個個體結(jié)合在一起后提取出前一半的(M?U_k)個個體，將粒子群進(jìn)化得出的U_k個個體和遺傳算法進(jìn)化得到的(M?U_k)個個體結(jié)合形成新的粒子群群體M，之后進(jìn)行下一步進(jìn)化迭代。本發(fā)明提出的混合算法具有有效性，能在函數(shù)優(yōu)化、組合優(yōu)化、生產(chǎn)調(diào)度等方面得到廣泛應(yīng)用。

技術(shù)領(lǐng)域

本發(fā)明屬于計算模型技術(shù)領(lǐng)域，尤其涉及一種基于粒子群遺傳混合算法的標(biāo)準(zhǔn)測試函數(shù)處理方法。

背景技術(shù)

遺傳算法是一種受到人工生命啟發(fā)，模擬生物進(jìn)化過程的隨機(jī)搜索算法。遺傳算法具有隱含并行性和快速隨機(jī)全局搜索的能力，自遺傳算法提出以來，主要應(yīng)用于函數(shù)優(yōu)化、組合優(yōu)化、生產(chǎn)調(diào)度問題、自動控制、機(jī)器人學(xué)、圖像處理、多機(jī)器人路徑規(guī)劃等。研究發(fā)現(xiàn)，遺傳算法中參數(shù)的選擇對遺傳算法的性能有重要的影響，控制參數(shù)包括種群大小，終止進(jìn)化代數(shù)，交叉概率，變異概率，而影響算法的主要參數(shù)是交叉概率和變異概率的選擇，兩個參數(shù)影響算法的收斂性和解的優(yōu)越性。研究一提出一種針對某一類函數(shù)優(yōu)化問題的交叉概率和變異概率最優(yōu)組合參數(shù)的方法；研究二認(rèn)為所有對交叉算子和變異算子的改進(jìn)可以通過適當(dāng)?shù)恼{(diào)整適應(yīng)度、交叉概率、變異概率之間的組合來模擬。

粒子群算法是一種模擬鳥類群體智能行為的優(yōu)化算法，粒子群算法原理簡單，采用速度、位移兩個迭代公式，算法操作容易實現(xiàn)，能夠以較快的速度收斂到所需要的精度。近年來，粒子群算法在求解多目標(biāo)優(yōu)化、多峰函數(shù)優(yōu)化、調(diào)度與規(guī)劃、控制器參數(shù)優(yōu)化等方面得到應(yīng)用。

發(fā)明內(nèi)容

針對粒子群算法收斂速度快、解具有記憶功能但全局搜索能力較遺傳算法差的特點，本發(fā)明利用遺傳算法和粒子群算法的特點和優(yōu)點，提出一種基于粒子群遺傳混合算法的標(biāo)準(zhǔn)測試函數(shù)處理方法，利用該方法對常用的標(biāo)準(zhǔn)測試函數(shù)進(jìn)行優(yōu)化問題求解，并與單獨的粒子群算法和遺傳算法進(jìn)行比較，實驗結(jié)果證明本發(fā)明提出的混合算法具有有效性。

本發(fā)明是這樣實現(xiàn)的，一種基于粒子群遺傳混合算法的標(biāo)準(zhǔn)測試函數(shù)處理方法，該方法包括以下步驟：

S1、初始化種群后，設(shè)定種群規(guī)模為M，先由粒子群算法將種群進(jìn)化到一定代數(shù)T，根據(jù)適應(yīng)度函數(shù)值，將種群中適應(yīng)度函數(shù)值優(yōu)于種群均值的個體U_k直接提取出來，進(jìn)入下一代，剩余的(M-U_k)個個體，以剩余的(M-U_k)個個體為基礎(chǔ)，進(jìn)行遺傳算法進(jìn)化，產(chǎn)生(M-U_k)個個體；

S2、將剩余的(M-U_k)個個體和遺傳算法進(jìn)化的(M-U_k)個個體結(jié)合在一起后提取出前一半的(M-U_k)個個體，將粒子群進(jìn)化得出的U_k個個體和遺傳算法進(jìn)化得到的(M-U_k)個個體結(jié)合形成新的粒子群群體M，之后進(jìn)行下一步進(jìn)化迭代。

優(yōu)選地，所述步驟S1包括以下步驟：

Step1：初始化種群參數(shù)，種群規(guī)模M，混合算法進(jìn)化的總代數(shù)Maxgen，粒子群算法中的兩個學(xué)習(xí)因子C₁,C₂，最大速度V_max和粒子群算法進(jìn)化代數(shù)T；遺傳算法中交叉概率P_c和變異概率P_m；

Step2：在解空間中初始化種群，隨機(jī)生成M個粒子；