基于边缘及中心加速导向的耗散粒子群优化方法技术

本发明专利技术公开了提供基于边缘及中心加速导向的耗散粒子群优化方法，根据粒子数量和问题大小初始化种群，随机产生每个粒子的位置；计算每个粒子的适应度；对随机粒子进行边缘和非边缘粒子检测；考虑粒子的“莱维”行走模式，计算粒子个体局部最优极值；考虑虚拟中心粒子，计算全体粒子的全局最优极值；按照粒子位置的更新规则，更新不同种类粒子位置；基于耗散结构的适应性变异粒子生成方法，将在系统引入适应性变异粒子，如果全体粒子的全局最优极值满足问题求解的需要或者达到指定的迭代次数，则终止上述步骤，否则进行不断迭代直到满足结束条件。本发明专利技术的有益效果是能提高粒子群优化的泛化能力，使得粒子群体能够快速收敛。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了提供，根据粒子数量和问题大小初始化种群，随机产生每个粒子的位置；计算每个粒子的适应度；对随机粒子进行边缘和非边缘粒子检测；考虑粒子的“莱维”行走模式，计算粒子个体局部最优极值；考虑虚拟中心粒子，计算全体粒子的全局最优极值；按照粒子位置的更新规则，更新不同种类粒子位置；基于耗散结构的适应性变异粒子生成方法，将在系统引入适应性变异粒子，如果全体粒子的全局最优极值满足问题求解的需要或者达到指定的迭代次数，则终止上述步骤，否则进行不断迭代直到满足结束条件。本专利技术的有益效果是能提高粒子群优化的泛化能力，使得粒子群体能够快速收敛。【专利说明】
本专利技术属于耗散粒子群智能优化
，涉及。
技术介绍
粒子群优化(ParticleSwarmOptimization, PS0)方法是一种新兴的群体智能优化技术，由于其原理简单、参数少、效果好等优点，已经广泛应用于求解各类复杂优化问题。粒子群优化方法是由Kennedy和Eberhar与1995年提出的一种新的全局优化进化算法。该算法模拟鸟群觅食的行为，通过鸟之间的集体协作使群体达到最优。从20世纪90年代到今天，国内外学者对PSO进行了大量的研究，取得了一系列成果，并且在工程上得到了广泛的应用。基本的粒子群优化方法具有以下优点:首先，该方法没有交叉和变异运算，只有最优粒子的信息传递给其他粒子，因此具有较快的搜索速度；其次，该方法具有记忆性，粒子群体的历史最优位置可以记忆并传递给其他粒子；再次，需要调整的参数较少，结构简单，易于实现；最后，编码根据问题描述灵活可变。尽管该方法优点很多，但类似于遗传等优化方法，PSO也存在早熟、易于陷入局部最优、精度较低等缺点。为此，许多专家和学者在不断深入研究和分析后，提出了许多有价值的改进方案。目前对粒子群优化方法的改进的研究可以分成两类:一类是将各种先进理论引入到PSO方法中，研究各种改进的PSO方法，例如将混沌理论、复杂适应性理论、灰色理论、模糊理论等理论技术应用到PSO方法的相关参数及粒子行为的修改，达到提高系统性能的目的；另一类是将PSO方法和其他智能优化方法相结合，研究各种混合优化方法，达到取长补短、改善某方面性能的效果，例如将遗传算法、模拟退火算法、免疫算法、单纯形法、神经网络的优点引入到PSO方法中，对基础的PSO方法的缺点进行修正，达到提高系统某方面性能的目的。然而，随着群体智能的快速发展和求解问题的不断复杂，对包括PSO的各种优化方法的要求也逐步提高。因此，对PSO方法的研究仍有大量的工作需要继续进行。在目前国内外大多数的专利中，考虑生物学启发、将粒子的职能进行划分来求解问题的方法很少报道，仅有的报道都是各种理论或智能优化方法与基本的PSO相结合来完成对最优解的查询，很少考虑这类问题的泛化能力。
技术实现思路
本专利技术的目的在于提供，解决了现有方法不能提高粒子群优化的泛化能力，使得粒子群体不能够快速收敛的问题。本专利技术所采用的技术方案是按照以下步骤进行:步骤1:初始粒子的自动生成。根据粒子数量和问题大小初始化种群，随机产生每个粒子的位置；步骤2:根据待优化问题的目标函数和每个粒子的位置，计算每个粒子的适应度；步骤3:对随机粒子进行边缘和非边缘粒子检测；步骤4:考虑粒子的“莱维”行走模式，计算粒子个体局部最优极值；步骤5，考虑虚拟中心粒子，计算全体粒子的全局最优极值；步骤6:按照粒子位置的更新规则，更新不同种类粒子位置；步骤7:基于耗散结构的适应性变异粒子生成方法，将在系统引入适应性变异粒子，使得系统远离虚假的平衡；步骤8:如果全体粒子的全局最优极值满足问题求解的需要或者达到指定的迭代次数，则终止上述步骤，否则转向步骤2，进行不断迭代直到满足结束条件，最终可以实现快速的问题求解。本专利技术的有益效果是能提高粒子群优化的泛化能力，使得粒子群体能够快速收敛。【专利附图】【附图说明】图1是本专利技术的方法流程图；图2是本专利技术二维求解空间下判断粒子职能的示意图；图3是“莱维”行走模式下局部拐点生成示意图。【具体实施方式】下面结合附图和【具体实施方式】对本专利技术进行说明:本专利技术为了提高粒子群优化方法的性能和泛化能力，本专利技术提供一种基于边缘及中心导向的耗散粒子群优化方法。该算法借鉴了耗散结构理论负熵的引入，以及群居生物的分职能协作和“莱维”行走模式，重点考虑边缘粒子和中心粒子导向下的粒子群优化方法，大大减少粒子之间的不利影响，增加了系统的灵活性、适应性和泛化能力，使得群体能够快速收敛。本专利技术对粒子位置更新的方法进行设计，将粒子分为边缘粒子和非边缘粒子，但在优化的过程中，所有粒子有可能收敛到局部最优，因此使用耗散结构的适应性变异粒子方法快速更新两类粒子的位置，最终使得粒子摆脱局部最优，提高优化的精度。本专利技术所涉及的基于边缘及中心导向的耗散粒子群优化方法，不同于混合式优化方法，本质上是基于耗散结构原理和分布式自适应方法。因此具有上述算法无法比拟的优点:一是对粒子职能进行分类，不同类型的粒子具有不同的职能，减少了粒子交互模式的单一性，增加了系统的适应性和收敛速度。二是借鉴耗散结构理论，为系统引入负熵，即引入适应性变异粒子，增加了系统的适应性和泛化能力。三是方法考虑了生物个体行为的“莱维”行走模式，能有效增加粒子搜寻最优解的速度和精度。当问题求解开始时，为了确定粒子能够均匀分布在解空间中利用求解，需要初始化种群，种群指所有粒子；在粒子移动的过程中，需要实时判定粒子的适应度，确定粒子群中的边缘粒子和非边缘粒子，以便对两类粒子的移动进行控制；同时，定义虚拟全局中心粒子，对粒子移动进行有益导向；为避免粒子的求解，即粒子最终收敛的位置，或者说稳定下来的位置陷入局部极小，为系统引入适应性变异粒子，增加系统的泛化能力。如图1所示，本专利技术的步骤为:步骤1:初始粒子的自动生成。根据粒子数量和问题大小初始化种群，随机产生每个粒子的位置；粒子的起始位置决定了优化方法中粒子搜索的起点。一个好的粒子分布应该具有一定的分布性，尽量覆盖整个解空间。本专利技术中初始粒子的位置是随机产生的。系统中粒子的数量为N，它们位于D维搜索空间，空间下限和上限向量分别为L和R，则每个粒子的位置都可以表示为Xi=(XiDXifXiD) (I)其中，Xij e (O < i ^ N, O < j ^ D)是利用伪随机函数产生，1J, rJ分别表示L和R在第j维取值的分量。由于每个粒子的位置是唯一的，所以可以用Xi来表示第i个粒子。步骤2:根据待优化问题的目标函数和每个粒子的位置，计算每个粒子的适应度；根据求解问题的表达式，将各个粒子的位置信息带入到表达式中，得到粒子的适应度值。粒子的位置的更新受到两个因素影响，即表示当前粒子Xi移动过程中所寻找到的个体历史局部最优极值广和全体粒子的历史全局最优极值Gbest°ld。而这两个值与粒子的适应度有密切的关系。粒子i的适应度为/(X广I，其中f(.)为求解的问题函数Xf，为本次迭代粒子i的位置。 步骤3:对随机粒子进行边缘和非边缘粒子检测:检测边缘粒子和非边缘粒子，并计算全局虚拟中心粒子；如图2所示，本专利技术将所有粒子职能划分为三类:边缘粒子、非边缘粒子和虚拟中心粒子。虚拟中心粒子为所有粒子的几何中心，并本文档来自技高网...

【技术保护点】
基于边缘及中心加速导向的耗散粒子群优化方法，其特征在于按照以下步骤进行：步骤1：初始粒子的自动生成，根据粒子数量和问题大小初始化种群，随机产生每个粒子的位置；步骤2：根据待优化问题的目标函数和每个粒子的位置，计算每个粒子的适应度；步骤3：对随机粒子进行边缘和非边缘粒子检测；步骤4：考虑粒子的“莱维”行走模式，计算粒子个体局部最优极值；步骤5：考虑虚拟中心粒子，计算全体粒子的全局最优极值；步骤6：按照粒子位置的更新规则，更新不同种类粒子位置；步骤7：基于耗散结构的适应性变异粒子生成方法，将在系统引入适应性变异粒子，使得系统远离虚假的平衡；步骤8：如果全体粒子的全局最优极值满足问题求解的需要或者达到指定的迭代次数，则终止上述步骤，否则转向步骤2，进行不断迭代直到满足结束条件，最终可以实现快速的问题求解。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘佰龙，王冠军，赵莹，陈朋朋，高守婉，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏;32