【技术实现步骤摘要】
本专利技术涉及启发式寻优搜索算法研究领域，特别是涉及一种异构综合学习粒子群计算方法、装置、介质及产品。
技术介绍
1、启发式优化算法是一类模拟自然进化或群体行为的算法，在智能决策、路径规划、数据挖掘、优化设计等领域发挥了重要的作用。这些算法通过模拟自然界的进化、群体智能或其他启发式机制，能够有效地搜索复杂问题的解空间，为问题求解提供了新颖的视角和高效的解决方案。其中，粒子群算法模拟了群体成员根据个体经验和邻近群体成员的信息来调整其行为，从而达到整体群体的协同优化目标。适用于连续和离散优化问题，面对复杂的模型也具有较好的全局寻优能力，相对于遗传算法、蚁群算法等智能算法，该算法摒弃了交叉和变异操作，具有更高的效率，反映了群体智能决策的简单和高效性，具有更好的鲁棒性。
2、然而在处理较高维度的优化问题时，传统粒子群算法仅从个体最优解和全局最优解中学习，容易导致粒子陷入局部最优。并且，适应度函数值受多个维度的解影响，即使某个维度找到了全局最优解，如果其他维度上的解不理想，可能导致整体适应度值较低，从而错失该维度的全局最优解。此外，仅按照粒子群初始规模进行随机搜索寻优过程，效率不高，会错过潜在的最优粒子位置。因此需要针对前期寻优搜索范围、陷入局部最优、错失单维度最优解等问题，对粒子群算法进行改进，以获取全维度的全局最优解。
技术实现思路
1、本专利技术的目的是提供一种异构综合学习粒子群计算方法、装置、介质及产品，能够增强算法寻优能力。
2、为实现上述目的，本专利技术提
3、一种异构综合学习粒子群计算方法，所述方法包括：
4、在基本粒子群算法中引入异构综合学习策略和学习概率，对各粒子的位置和速度进行更新，得到各粒子的更新后位置表达式和更新后速度表达式；
5、根据所述更新后速度表达式和所述更新后位置表达式，应用协作存储策略，为更新后的位置扩展潜在最优位置，得到各粒子的潜在位置表达式；
6、应用非线性惯性权重和学习因子，对所述更新后速度表达式和所述潜在位置表达式进行调整，得到各粒子的位置和速度寻优表达式；
7、应用所述位置和速度寻优表达式，对所述基本粒子群算法的位置和速度更新策略进行优化，得到异构综合学习粒子群算法；
8、构建编队协同控制时的目标运动轨迹方程；
9、利用异构综合学习粒子群算法求解目标运动轨迹方程，得到目标运动轨迹。
10、可选地，在基本粒子群算法中引入异构综合学习策略和学习概率，对各粒子的位置和速度进行更新，得到各粒子的更新后位置表达式和更新后速度表达式，具体包括：
11、判断基本粒子群算法中各粒子的成功更新个体最优解的代数是否大于刷新间隔数；
12、当成功更新个体最优解的代数小于等于所述刷新间隔数时，对应的粒子的所述更新后速度表达式为基本粒子群算法的速度更新策略，所述更新后位置表达式为基本粒子群算法的位置更新策略；
13、当成功更新个体最优解的代数大于所述刷新间隔数时，将对应的粒子的成功更新个体最优解的代数置为0，且对应的粒子的所述更新后速度表达式为应用基于异构综合学习策略的所述速度更新策略；所述更新后位置表达式为应用基于异构综合学习策略的所述速度更新策略。
14、可选地，应用基于异构综合学习策略的所述速度更新策略为：
15、vn(t+1)＝ω·vn(t)+c1·r1·(pf(i),best-pn(t))+c2·r2·(gbest-pn(t))；
16、其中，vn(t+1)为粒子t+1时刻的速度信息；ω为惯性权重因子；vn(t)为粒子t时刻的速度信息；c1，c2均为学习因子；r1,r2是介于(0,1)之间的随机数；pf(i),best为任何粒子的个体最优位置；f＝{f(1),f(2),...,f(d)}表示第n个粒子采用第i个粒子的个体最优位置进行速度更新；pn(t)为第n个粒子的个体最优位置；gbest为全局最优位置。
17、可选地，所述协作存储策略为：
18、
19、其中，为第w个粒子的第d维变量，w为需要被更新的存储的粒子，rd为(0,1)范围内的随机数，为第n个粒子的个体最优位置中第d维的值；n为成功进行速度和位置更新的粒子，archvalw为该粒子个体最优位置的适应度函数值，pbestvaln为第n个粒子的个体最优位置处的适应度函数值。
20、可选地，所述非线性惯性权重为：
21、
22、其中，ω为惯性权重因子；ωmin为惯性权重因子的最小值，ωmax为惯性权重因子的最大值；iter为当前迭代数，genmax为最大迭代数。
23、可选地，所述学习因子为：
24、
25、其中，c1，c2均为学习因子；cmax为学习因子的上界；cmin为学习因子的下界；iter为当前迭代数，genmax为最大迭代数。
26、一种计算机装置，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述的异构综合学习粒子群计算方法。
27、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的异构综合学习粒子群计算方法。
28、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述的异构综合学习粒子群计算方法。
29、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
30、本专利技术提出的一种具备协作存储策略的异构综合学习粒子群算法，在异构综合学习策略的基础上，建立协作存储策略，并采用了非线性的惯性权重因子，以增强算法寻优能力。
本文档来自技高网...【技术保护点】
1.一种异构综合学习粒子群计算方法，其特征在于，所述方法包括：
2.根据权利要求1所述的异构综合学习粒子群计算方法，其特征在于，在基本粒子群算法中引入异构综合学习策略和学习概率，对各粒子的位置和速度进行更新，得到各粒子的更新后位置表达式和更新后速度表达式，具体包括：
3.根据权利要求2所述的异构综合学习粒子群计算方法，其特征在于，应用基于异构综合学习策略的所述速度更新策略为：
4.根据权利要求1所述的异构综合学习粒子群计算方法，其特征在于，所述协作存储策略为：
5.根据权利要求1所述的异构综合学习粒子群计算方法，其特征在于，所述非线性惯性权重为：
6.根据权利要求1所述的异构综合学习粒子群计算方法，其特征在于，所述学习因子为：
7.一种计算机装置，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述异构综合学习粒子群计算方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器
9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述异构综合学习粒子群计算方法。
...【技术特征摘要】
1.一种异构综合学习粒子群计算方法，其特征在于，所述方法包括：
2.根据权利要求1所述的异构综合学习粒子群计算方法，其特征在于，在基本粒子群算法中引入异构综合学习策略和学习概率，对各粒子的位置和速度进行更新，得到各粒子的更新后位置表达式和更新后速度表达式，具体包括：
3.根据权利要求2所述的异构综合学习粒子群计算方法，其特征在于，应用基于异构综合学习策略的所述速度更新策略为：
4.根据权利要求1所述的异构综合学习粒子群计算方法，其特征在于，所述协作存储策略为：
5.根据权利要求1所述的异构综合学习粒子群计算方法，其特征在于，所述非线性惯性权重为：
【专利技术属性】
技术研发人员：陈康，符文星，许涛，张晓峰，郭行，付斌，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。