[發(fā)明專利]一種基于響應空間一致分布的初始化方法

有效

• 申請?zhí)枺?/td>: 202110898102.X
• 申請日: 2021-08-05
• 公開（公告）號: CN113570026B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設計）人: 趙朋;紀凱鵬;頡俊;董正陽;葉盛;鄭建國;傅建中
• 申請（專利權）人: 浙江大學
• 主分類號: G06N3/006
• 分類號: G06N3/006;G06N7/00
• 代理公司: 杭州知閑專利代理事務所(特殊普通合伙) 33315
• 代理人: 黃燕

本發(fā)明提供一種基于響應空間一致分布的初始化方法，包括以下步驟：(1)對參數(shù)擬合模型自身的無信息先驗分布進行采樣來初始化全部或部分粒子的位置，得到映射到響應空間時均勻分布的全部或該部分粒子的初始化位置；(2)利用上述得到的粒子的初始化位置處的無信息先驗概率對對應粒子的初始速度進行修正；(3)對上述修正后的初始速度進行縮放，得到粒子的初始化速度。本發(fā)明的初始化方法不僅能獲得在響應空間中均勻分布的初始化粒子位置，還能獲得使粒子在響應空間產(chǎn)生等位移的初始化速度，使得采用該初始化方法的群智能優(yōu)化算法在優(yōu)化能力和計算效率上都具有競爭力，增強群智能優(yōu)化算法的尋優(yōu)能力。

技術領域

本發(fā)明屬于群智能優(yōu)化算法技術領域，具體涉及一種基于響應空間一致分布的初始化方法。

背景技術

數(shù)學模型是一種廣泛應用的科學研究方法，可以方便地解釋實驗數(shù)據(jù)、進行數(shù)值模擬和工藝優(yōu)化。通常，數(shù)學模型由自變量、因變量和參數(shù)組成。優(yōu)化的參數(shù)組合可以使模型很好地描述自變量和因變量之間的關系。因此，數(shù)學模型的參數(shù)估計一直是一個熱門的研究課題。許多精確優(yōu)化技術，如牛頓法，廣泛應用于擬合問題。然而，這些方法對初始預測值的依賴性很強，容易陷入局部極小值，從而導致性能的不確定性。

群智能優(yōu)化算法普遍有較強的尋優(yōu)能力，它已經(jīng)廣泛應用于復雜模型的參數(shù)擬合中。其中比較有代表性的群智能算法包括粒子群優(yōu)化(PSO)算法、差分進化(DE)和人工蜂群(ABC)算法等。其中粒子群優(yōu)化算法有一些優(yōu)點，包括(i)由于需要調(diào)整的參數(shù)較少，實現(xiàn)更容易，(ii)由于記錄了每個粒子以前的最佳值，因此具有更有效的存儲能力，以及(iii)更有效地保持群體多樣性，因為每個粒子在每一代中都用最成功的粒子的信息來改進自己。因此，PSO算法在優(yōu)化中得到了廣泛的應用。

由于實際應用中遇到的各種復雜優(yōu)化問題，許多研究人員對粒子群優(yōu)化算法進行了改進。改進可分為兩大類。第一類是調(diào)整進化過程，增強優(yōu)化能力。例如，Nobile提出了模糊自校正粒子群優(yōu)化算法(FST-PSO)，它利用模糊邏輯獨立地計算每個粒子的迭代參數(shù)，是PSO的一個完全無設置版本。FST-PSO算法收斂速度快，具有較強的求解能力(Swarm andEvolutionary Computation,2018.39:p.70-85)。第二類改進是粒子群算法對不同問題的自適應。Luo提出了一種簡化的變換空間方法，使粒子群優(yōu)化算法適應具有非線性等式約束的優(yōu)化問題。(ComputersChemical Engineering,2007.31(3):p.153-162)

然而，對初始化算法的研究很少。粒子群算法的自由響應唯一地依賴于初始點，因此粒子的初始化對粒子群算法的性能有很大的影響。Paolo分析了搜索空間中不同初始粒子分布對優(yōu)化性能的影響。(IEEE Conference on Computational Intelligence inBioinformatics and Computational Biology.2015)研究發(fā)現(xiàn)，對數(shù)和對數(shù)正態(tài)分布在某些搜索空間范圍跨越幾個數(shù)量級的問題上可以獲得更好的性能。為了使粒子更均勻地覆蓋搜索空間，可以使用低差異序列來初始化群。(Foundations of ComputationalIntelligence Volume 3.2009,Springer.p.101-128.)

最重要的是，研究人員通常專注于獲取參數(shù)空間中的時間分布以進行初始化。然而，由于模型的非線性，如果將均勻分布在參數(shù)空間中的粒子映射到響應空間，它們的分布將非常不均勻；這將阻礙對全局最優(yōu)值的搜索。

發(fā)明內(nèi)容

為解決上述現(xiàn)有技術中存在的問題，本發(fā)明提出了一種新的基于參數(shù)擬合模型本身無信息先驗初始化方法，并將該方法應用到群智能優(yōu)化算法中。該初始化方法既能獲得在響應空間中均勻分布的初始化粒子位置，又能獲得使粒子在響應空間產(chǎn)生等位移的初始化速度，使得采用該初始化方法的群智能優(yōu)化算法在優(yōu)化能力和計算效率上都具有競爭力，增強群智能優(yōu)化算法的尋優(yōu)能力。

一種基于響應空間一致分布的初始化方法，包括以下步驟：