一种用于单目标优化的混合生物共生搜索的方法技术

本发明专利技术公开了一种用于单目标优化的混合生物共生搜索的方法，包括以下步骤：初始化个体数量N，种群的维度D，最大函数评价次数相关参数，随机产生初始种群；对N个个体进行适应度评价，选出其中最优个体；采用互利共生策略更新种群；采用偏利共生策略更新种群；采用寄生共生策略更新种群；判断是否达到终止的条件，达到则输出最优个体和适应度值，没有则继续重复采用三种共生策略更新种群。本发明专利技术的方法在进行实际的问题解决中会在较少的迭代次数中就得到问题所需的解，这在一定程度上减少了解决问题所需的时间。

A hybrid biological symbiotic search method for single objective optimization

The invention discloses a method for hybrid single objective optimization symbiotic search method, which comprises the following steps: initializing the individual number N, D dimension of population, the maximum number of function evaluation parameters, randomly generated initial population; N of individual fitness evaluation, which is selected by the best individual; symbiotic strategy update population; the commensalism strategy updates the population; the parasitic symbiotic strategy updates the population; how to judge whether the termination condition is reached and the output of the optimal individual fitness value, not repeat with three update population symbiosis strategy. In the actual problem solving, the method of the invention can obtain the solution needed by less iterations, which reduces the time needed to solve the problem to a certain extent.

【技术实现步骤摘要】
一种用于单目标优化的混合生物共生搜索的方法
本专利技术属于人工智能领域，具体地说，涉及一种用于单目标优化的混合生物共生搜索的方法。
技术介绍
共生生物搜索算法是新近提出的一种模仿自然界中不同生物交互作用的新型群智能优化算法，具有搜索速度快、参数设置少等优点。与目前较优秀的差分进化算法、粒子群算法、蜘蛛算法等相比均有更好的测试效果，但与其他进化算法类似，依然存在收敛速度慢、易陷入局部最优等问题。这是因为算法的探索能力和开发能力是一对矛盾的关系，探索能力是指算法在对搜索空间进行全局搜索找到全局最优解的能力，开发能力是指算法在部分搜索区域进行搜索找到该区域的较优解的能力。所以如何权衡算法的探索能力和开发能力决定了算法的优化性能。但是由于算法提出时间较短与其性能改进及相关应用的研究成果较少，算法的理论体系还不完善。周虎等人(周虎，赵辉，周欢，王骁飞.自适应精英反向学习共生生物搜索算法[J].计算机工程与应用,2016,(19):161-166；周虎，赵辉，李牧东，蔡亚伟.多策略自适应共生生物搜索算法[J].空军工程大学学报(自然科学版),2016,(04):101-106.)于2016年分别提出两种方案对共生生物搜索算法进行改进，第一种是引进自适应精英反向学习策略：在“互利”阶段引入自适应缩放策略来平衡算法的探索能力和开发能力，在“共栖”阶段引入差分量作为扰动项增强局部搜索能力，在“寄生”阶段引入精英反向学习策略增强算法的寻优能力，对多个测试函数测试结果显示，改进后的算法对部分测试函数收敛速度较慢，还需进一步改进提升其收敛速度和收敛精度；第二种是引进多策略的自适应策略：在“互利”阶段根据适应度值将种群分为三部分并采取不同的个体更新公式运用不同的策略来增强求解优化问题的能力，在“共栖”阶段引入差分扰动项增强算法全局搜索能力避免局部最优，最后采取超边界变异方式避免个体超界同时增强种群多样性，对多个测试函数的测试结果表明改进后的算法收敛速度需进一步提升。由于算法提出时间较短还未受到相关领域专家学者的重视，目前与其性能改进及相关应用的研究成果发布较少，算法的理论体系还不完善，同时由于理论体系还不太成熟导致算法的应用体系不成熟。其理论体系不成熟主要体现在算法的收敛速度和收敛精度不高，对于高维复杂的多峰函数，算法极易陷入局部最优且跳出局部最优的能力不强，进而导致算法无法寻到全局最优解。互利共生和偏利共生阶段个体更新公式实质为：新个体＝原个体+向最优个体学习*随机权重。其中，向最优个体学习部分引入优良个体的进化信息，保证个体向更优个体搜索，而随机权重可补充种群多样性。但在算法运行后期，由于个体差别不大，最优个体已经无法提供比自身优良更多的进化信息，使得随机权重部分的作用被迫放大，即搜索步长具有随机性，该更新方式退化为在自身附近进行随机搜索，很难探索出更为优异的新个体，致使算法后期运行较慢。综上说明，在算法运行后期，应进一步增强共生生物搜索算法互利共生和偏利共生阶段的收敛速度。共生生物搜索算法的寄生机制随机选取某些维度，对选出的这几维度在其定义域内随机搜索。这一作用虽然能在一定程度上补充多样性，但是盲目的随机搜索很有可能破坏优良个体，也很难更新出更为优秀的个体，使其难以保留，无法达到维持种群多样性的目的。在现有技术中共生生物搜索算法存在收敛速度慢且易陷入局部最优问题，在产业工业解决实际问题时得到的解往往不是最优，影响实际的生产应用。
技术实现思路
有鉴于此，本专利技术针对共生生物搜索算法存在的收敛速度慢、收敛精度不足以及易陷入局部最优的问题，提供了一种用于单目标优化的混合生物共生搜索的方法。为了解决上述技术问题，本专利技术公开了一种用于单目标优化的混合生物共生搜索的方法，包括以下步骤：步骤1、初始化个体数量N，种群的维度D，最大适应度评价次数这些参数，随机产生初始种群；步骤2、对N个个体进行适应度评价，选出其中最优个体；步骤3、采用互利共生策略更新种群；步骤4、采用偏利共生策略更新种群；步骤5、采用寄生共生策略更新种群；步骤6：判断是否达到终止条件，达到则输出最优个体和适应度值，没有则转至步骤3，所述终止条件具体为步骤1设定的最大适应度评价次数，该次数根据实际问题人为设定。进一步地，步骤1中的随机产生初始种群具体为：利用随机方法生成N个个体，构成初始种群X；X中每个个体的第j维分量采用随机方式生成，式中，lj和uj分别是所求解问题的决策变量第j维的下界和上界，rand表示(0，1)的随机数。进一步地，步骤3中的采用互利共生策略更新种群具体为：随机选出第j个个体Xj，保证其不与第i个个体重合，其中i从1循环到N；利用Xi和Xj生成中间变量Mutual_Vector，进而进行个体更新，更新公式为公式(2)；其中，Xbest为种群中的最优个体，g为当前迭代次数，G为最大迭代次数，BF1、BF2为随机数1或者2。进一步地，步骤4中的采用偏利共生策略更新种群具体为：随机选出第j个个体Xj，保证其不与第i个个体重合，与互利共生阶段生成的新个体Xi进行偏利共生策略更新个体，个体更新公式如(3)所示；其中，Xbest为种群中的最优个体，g为当前迭代次数，G为最大迭代次数。进一步地，步骤5中的采用寄生共生策略更新种群具体为：寄生阶段引入新的个体更新公式，如公式(4)所示；new_Xjnew＝a*Xj+b*(Xbest-Xj)+c*(Xk-Xj)(4)其中Xj、Xk、Xp为种群中随机选取的个体，且i≠j≠k，新的个体更新公式主要包含两个部分，a*Xj为自身随机变化部分，b*(Xbest-Xj)、c*(Xk-Xj)为学习部分，a、b、c为控制参数，如公式(7)所示，式中，参数的取值范围为a∈[0.1,1],b∈[0.1,1],c∈[0.1,1]，amin为参数a的最小取值即为0.1，amax为a的最大取值即为1；其余b、c的相关参数设置和a相同；g为当前迭代次数，G为最大迭代次数，fi为第i个个体的适应度值，fmin为当前迭代种群最小适应度值，fmax为最大适应度值，为固定参数。与现有技术相比，本专利技术可以获得包括以下技术效果：1)本专利技术的方法收敛速度和收敛精度明显提升。2)本专利技术的方法避免局部最优能力得到改善。3)本专利技术的方法具有较强的鲁棒性。4)本专利技术的方法在进行实际的问题解决中会在较少的迭代次数中就得到问题所需的解，这在一定程度上减少了解决问题所需的时间。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有技术效果。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术用于单目标优化的混合生物共生搜索的方法的工艺流程图；图2是本专利技术一种函数的验证算法的有效性，其中，(1)代表基础算法(常规技术手段)的结果，(2)代表改进算法(本专利技术算法)的结果；图3是本专利技术另一种函数的验证算法的有效性，其中，(1)代表基础算法(常规技术手段)的结果，(2)代表改进算法(本专利技术算法)的结果。具体实施方式以下将配合实施例来详细说明本专利技术的实施方式，藉此对本专利技术如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。本专利技术提供本文档来自技高网...

【技术保护点】
一种用于单目标优化的混合生物共生搜索的方法，其特征在于，包括以下步骤：步骤1、初始化个体数量N，种群的维度D，最大适应度评价次数这些参数，随机产生初始种群；步骤2、对N个个体进行适应度评价，选出其中最优个体；步骤3、采用互利共生策略更新种群；步骤4、采用偏利共生策略更新种群；步骤5、采用寄生共生策略更新种群；步骤6：判断是否达到终止条件，达到则输出最优个体和适应度值，没有则转至步骤3，所述终止条件具体为步骤1设定的最大适应度评价次数，该次数根据实际问题人为设定。

【技术特征摘要】
1.一种用于单目标优化的混合生物共生搜索的方法，其特征在于，包括以下步骤：步骤1、初始化个体数量N，种群的维度D，最大适应度评价次数这些参数，随机产生初始种群；步骤2、对N个个体进行适应度评价，选出其中最优个体；步骤3、采用互利共生策略更新种群；步骤4、采用偏利共生策略更新种群；步骤5、采用寄生共生策略更新种群；步骤6：判断是否达到终止条件，达到则输出最优个体和适应度值，没有则转至步骤3，所述终止条件具体为步骤1设定的最大适应度评价次数，该次数根据实际问题人为设定。2.根据权利要求1所述的用于单目标优化的混合生物共生搜索的方法，其特征在于，步骤1中的随机产生初始种群具体为：利用随机方法生成N个个体，构成初始种群X；X中每个个体的第j维分量采用随机方式生成，式中，lj和uj分别是所求解问题的决策变量第j维的下界和上界，rand表示(0，1)的随机数。3.根据权利要求2所述的用于单目标优化的混合生物共生搜索的方法，其特征在于，步骤3中的采用互利共生策略更新种群具体为：随机选出第j个个体Xj，保证其不与第i个个体重合，其中i从1循环到N；利用Xi和Xj生成中间变量Mutual_Vector，进而进行个体更新，更新公式为公式(2)；其中，Xbest为种群中的最优个体，g为当前迭代次数，G为最大迭代次数，BF1、BF2为随机数1或者2。4.根据权利要求3所述的用于单目标优化的混合生物共生...

【专利技术属性】
技术研发人员：王艳娇，陶欢欢，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林,22