用于海洋观测的改进粒子群算法制造技术

本发明专利技术公开了用于海洋观测的改进粒子群算法，包括给种群中的所有粒子初始化位置与初始化速度，计算适应度值，计算种群中所有粒子的当前适应度，记录个体最优适应度值并且将当前粒子适应度值与个体最优适应度值进行比较，更新粒子信息，计算粒子当前适应度值与种群平均适应度值，判断是否满足变异条件，若粒子满足变异条件则根据变异率随机判断粒子是否依照变异更新公式执行变异，否则是否满足迭代结束条件，若不满足继续从计算适应度值重新迭代，增加随机振荡的指数递减惯性权重机制有提升算法迭代前期收敛速度以及部分改善算法突破局部最小解束缚的能力，并通过变异机制能够为粒子提供新的种群多样性，并直接增强算法逃出局部最优解的能力。出局部最优解的能力。出局部最优解的能力。

【技术实现步骤摘要】
用于海洋观测的改进粒子群算法


[0001]本专利技术涉及计算智能领域
，特别涉及用于海洋观测的改进粒子群算法。

技术介绍

[0002]海洋观测是海洋科学研究的重要数据来源。海洋移动观测网络拥有可以在指定区域灵活部署和回收的特点，尤其适合亚中尺度、较高精度的观测采样工作且能够有效地避免传统观测网络空间分布不均匀的问题，可以根据观测数据的需要对海洋进行适应性观测。同时，海洋移动观测网络能够获取传统观测网络观测较难获取的深海数据。现有的区域海洋移动观测网络最优观测路径规划方法，结合了观测目的所需的海洋环境要素数据信息，以提高采样效率为目的设计了全局代价函数，并通过引入群智能算法对采样点的质量与路径进行寻优求解，可以为执行观测任务的自主水下航行器提供一种高效采集观测信息的最优观测路径规划方案。
[0003]该技术的实现对面向指定区域和数据类型的移动观测网络中移动观测平台优化部署问题提供了初步的回答，为移动观测网络的观测效率的提升给出了一种新的方案。但目前该方案在全局优化求解过程中仍存在算法全局搜索能力差、寻优能力不足、未对背景环境场进行全局寻优、以及容易陷入具备最优解等问题，导致规划的海洋移动观测平台采样路径偏离最优，观测效率不高。因此，需要更深入地研究一种能够得到最优观测路径规划的算法优化方案。
[0004]群智能算法是一类将优化问题转化成从相对简单的智能体间的交互过程中产生新的解决方案的全局优化方法。由于其具有较强的自组织性与自适应性、简单易实现等优点，已被广泛应用于不同领域多种类型的优化问题中。作为群智能优化算法的典型代表，粒子群优化算法也具有自组织性与自适应性强、简单高效易实现等优点。然而，在初始版本PSO和惯性版本PSO中，算法本身存在的局限性使得粒子在迭代中不能充分探索目标空间，导致算法易陷入局部最优以及过早收敛。
[0005]因此，有必要提供用于海洋观测的改进粒子群算法解决上述技术问题。

技术实现思路

[0006]为解决上述技术问题，本专利技术提供用于海洋观测的改进粒子群算法。
[0007]本专利技术提供的用于海洋观测的改进粒子群算法，包括：
[0008]步骤一：初始化粒子群，给种群中的所有粒子初始化位置与初始化速度；
[0009]步骤二：计算适应度值，计算种群中所有粒子的当前适应度；
[0010]步骤三：记录个体最优适应度值，比较当前粒子适应度值与个体最优适应度值，记录更优的粒子位置和适应度；
[0011]步骤四：从个体最优适应度值中选择最优的一个作为全局最优适应度值，记录其粒子位置及适应度；
[0012]步骤五：依照速度更新公式，更新粒子速度信息；
[0013]步骤六：依照位置更新公式，更新粒子位置信息；
[0014]步骤七：计算粒子当前适应度值与种群平均适应度值，用变异条件判断是否满足变异条件。若粒子满足变异条件执行步骤八，否则执行步骤九；
[0015]步骤八：根据变异率随机判断粒子是否依照变异更新公式执行变异；
[0016]步骤九：是否满足迭代结束条件，若不满足返回步骤二。
[0017]与相关技术相比较，本专利技术提供的用于海洋观测的改进粒子群算法具有如下有益效果：
[0018]本专利技术提出用于海洋观测的改进粒子群算法，结合区域海洋移动观测平台最优观测路径规划方案需求，提出了增加随机振荡的指数递减惯性权重机制以及混合变异机制，并使用基准测试函数分别进行对比实验。实验结果表明，增加随机振荡的指数递减惯性权重机制有提升PSO算法迭代前期收敛速度以及部分改善算法突破局部最小解束缚的能力，混合变异机制能够为粒子提供新的种群多样性，并直接增强算法逃出局部最优解的能力。
附图说明
[0019]图1为本专利技术提供的用于海洋观测的改进粒子群算法的流程示意图；
[0020]图2为图1所示传统的PSO算法流程示意图；
[0021]图3为PSO
‑
A算法与传统PSO算法对比结果图；
[0022]图4为PSO
‑
B算法与传统PSO算法对比结果图；
[0023]图5为PSO
‑
C算法与传统PSO算法对比结果图；
[0024]图6为四种PSO算法在不同测试函数中的收敛曲线对比图。
具体实施方式
[0025]为了使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0026]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]以下结合具体实施例对用于海洋观测的改进粒子群算法的具体实现进行详细描述。
[0028]本专利技术提供的用于海洋观测的改进粒子群算法，具体包括以下几个步骤：
[0029]步骤一：初始化粒子群，给种群中的所有粒子初始化位置与初始化速度；
[0030]1.1、粒子位置初始化
[0031]粒子在种群的初始化阶段是随机分散的，没有特定的准则。但需要满足粒子位置在目标函数定义域范围内，随机选择一组向量表示初始候选解的实值位置。
[0032][0033]其中D表示搜索空间维数或待解决问题的大小，表示一个从定义域范围内随机选择值的初始向量。X
min
和X
max
代表空间范围边界。
[0034][0035]其中，表示粒子在每一次迭代后粒子的位置矢量。
[0036]1.2、粒子速度初始化
[0037]所有粒子在飞行中会以一个速度(步长)在搜索空间中移动，该速度反映了粒子个体知识以及社会知识共同在有价值搜索空间中移动距离的一种映射，从而推动优化过程到更优的区域。与位置初始化类似，每个粒子的速度v
i
可以初始化为：
[0038][0039]其中，表示第i个粒子在第t次迭代中的速度矢量。为第i个粒子在第t次迭代中的第j维的速度标量，可以在预设的速度范围(上界为v
max
以及下界为v
min
)内随机设一组初始值，以防止粒子逃逸出搜索空间
[0040]1.3、粒子适应值初始化
[0041]在位置初始化和速度初始化之后，种群中的每一个粒子都经过目标函数计算出其初始个体适应度同时设定初始全局最优适应值粒子的个体最优位置设定为其初始化位置
[0042]步骤二：计算适应度值，计算种群中所有粒子的当前适应度；
[0043]在每次迭代结束时，对种群粒子进行适应度计算，并获得全局最优适应度值。首先通过目标函数来计算第i个粒子在第t代的适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于海洋观测的改进粒子群算法，其特征在于，具体步骤为：步骤一：初始化粒子群，给种群中的所有粒子初始化位置与初始化速度；步骤二：计算个体适应度值，计算种群中所有粒子的当前适应度；步骤三：记录个体最优适应度值，比较当前粒子适应度值与个体最优适应度值，记录更优的粒子位置和适应度；步骤四：从个体最优适应度值中选择最优的一个作为全局最优适应度值，记录其粒子位置及适应度；步骤五：依照速度更新公式，更新粒子速度信息；步骤六：依照位置更新公式，更新粒子位置信息；步骤七：计算粒子当前适应度值与种群平均适应度值，用变异条件判断是否满足变异条件，若粒子满足变异条件执行步骤八，否则执行步骤九；步骤八：根据变异率随机判断粒子是否依照变异更新公式执行变异；步骤九：是否满足迭代结束条件，若不满足返回步骤二。2.根据权利要求1所述的用于海洋观测的改进粒子群算法，其特征在于，步骤一中每个粒子初始化位置为：其中D表示搜索空间维数或待解决问题的大小，表示一个从定义域范围内随机选择值的初始向量，X
min
和X
max
代表空间范围边界；每个粒子的速度v
i
可以初始化为：其中，表示第i个粒子在第t次迭代中的速度矢量，为第i个粒子在第t次迭代中的第j维的速度标量。3.根据权利要求1所述的用于海洋观测的改进粒子群算法，其特征在于，步骤五与步骤六更新粒子速度、位置信息时，在粒子更新的过程中采用随机振荡的指数递减惯性权重机制。4.根据权利要求3所述的用于海洋观测的改进粒子群算法，其特征在于，采用随机振荡的指数递减惯性权重机制如下公式所示：ω(g)＝a
×
exp(T
c
×
b)
×
rand(1)其中a＝ω...

【专利技术属性】
技术研发人员：邓雄，李虎，杨春旺，常鑫达，何健新，江鑫，苏海洋，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：