一種基于優(yōu)勝劣汰、步步選擇的粒子群優(yōu)化方法
【專利摘要】本發(fā)明公開了一種基于優(yōu)勝劣汰、步步選擇的粒子群優(yōu)化方法，主要是在操作過程中將粒子分成兩組，第一組的粒子是優(yōu)勢粒子，第二組的粒子是劣勢粒子。先通過種群在全局范圍內(nèi)搜索解空間，增強全局搜索能力；每次進化完成后，保留種群中最好的m個粒子，并選擇較好的這些粒子的位置空間作為新的解空間，在新的解空間中選取新的粒子代替種群中較差粒子的位置。這樣就可以步步逼近最優(yōu)粒子，找到最優(yōu)解。該方法增強了粒子群優(yōu)化算法的搜索能力，彌補了基本粒子群優(yōu)化算法易陷入局部極值、早熟收斂或停滯的缺陷，能夠更加準(zhǔn)確、快速的找到待優(yōu)化參數(shù)的最優(yōu)值。
【專利說明】 一種基于優(yōu)勝劣汰、步步選擇的粒子群優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種改進粒子群優(yōu)化方法，尤其涉及一種基于優(yōu)勝劣汰、步步選擇的粒子群優(yōu)化方法。
【背景技術(shù)】
[0002]粒子群優(yōu)化方法(英文縮寫為PS0)是利用群體智能原理建立簡化模型，模擬鳥類的覓食行為。其基本原理有以下幾個內(nèi)容:首先把每個個體看作一個沒有體積的微粒，所有微粒組成了微粒群，在空間內(nèi)進行搜索；其次，群體在搜索空間中以一定的速度飛行，粒子的飛行速度由微粒本身和同伴的飛行經(jīng)驗不斷的調(diào)整；最后進行微粒適應(yīng)度值的計算，根據(jù)適應(yīng)度的大小衡量微粒的優(yōu)劣，通過優(yōu)化選擇找出微粒個體最優(yōu)值以及整個群體的最優(yōu)值。
[0003]在進化過程中，粒子群優(yōu)化方法易陷入局部極值，即在達到一定的優(yōu)化精度后，可能很難再找到更好的解；微粒群過早收斂，使整個種群的進化停滯。為了克服上述缺陷，各領(lǐng)域的研究人員及學(xué)者們相繼提出了各種改良措施，經(jīng)歷了許許多多的變形和改進。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的是解決現(xiàn)有粒子群優(yōu)化方法的不足，提出的一種基于優(yōu)勝劣汰、步步選擇的粒子群優(yōu)化方法(英文縮寫為SSPS0)。該方法能夠保證搜索在全局范圍內(nèi)展開，避免陷入局部極值，提高收斂速度，進而影響搜索能力。
[0005]本發(fā)明粒子群優(yōu)化方法的基本原理是:在操作過程中將粒子分成兩組，第一組的粒子是優(yōu)勢粒子，第二組的粒子是劣勢粒子。先通過種群在全局范圍內(nèi)搜索解空間，增強全局搜索能力；每次進化完成后，保留種群中最好的m個粒子，并選擇較好的這些粒子的位置空間作為新的解空間，在新的解空間中選取新的粒子代替種群中較差粒子的位置。這樣就可以步步逼近最優(yōu)粒子，找到最優(yōu)解，增強了尋優(yōu)能力。
[0006]本發(fā)明粒子群優(yōu)化方法的步驟包括以下步驟:
[0007](I)設(shè)置初始參數(shù):設(shè)粒子群內(nèi)有若干個粒子，隨機產(chǎn)生各粒子的初始位置與初始速度，限定任意時刻粒子的速度和位置的取值范圍，設(shè)定迭代終止條件，設(shè)置學(xué)習(xí)因子、慣性權(quán)重、粒子總個數(shù)。
[0008](2)迭代迅優(yōu)，記錄當(dāng)前迭代步數(shù)，并計算每個粒子的適應(yīng)度值，對粒子適應(yīng)度進行優(yōu)劣評價。
[0009](3)按粒子優(yōu)劣度排列函數(shù)，并將相應(yīng)的粒子位置進行排序。
[0010](4)從粒子總個數(shù)為M個粒子群中選取并保留適應(yīng)度較好的m個粒子(本專利選擇預(yù)測誤差均方值的大小作為粒子適應(yīng)度值)，并將這m個粒子的位置范圍作為新的解空間。
[0011](5)在新的解空間內(nèi)重新選擇M-m個粒子代替適應(yīng)度較差的M-m個粒子，構(gòu)造出新的粒子群。[0012](6)、評價上述構(gòu)造出的新的粒子群中的各粒子的適應(yīng)度值，并據(jù)此更新各粒子的歷史最優(yōu)值及粒子群的全局最優(yōu)值；按照式(I)更新粒子群中每個粒子的速度，按照式(2)更新粒子群中每個粒子位置；
[0013]Vij (t+1) = W^Vij (t) +C1^r1J (t) * (Gij (t) -Pij (t)) +c2*r2j (t) * (Ggi (t) -Pij (t)) (I)
[0014]Pij (t+1) = PijU)+0.Svij (t+1) (2)
[0015]式(I)和式(2)中:
[0016]下標(biāo)j:表示粒子的第j維；
[0017]下標(biāo)1:表示第i個粒子；
[0018]P1:第i個粒子的當(dāng)前位置；
[0019]v1:粒子的當(dāng)前速度；
[0020]G1:所經(jīng)歷的歷史最好位置；
[0021]t:進化到的代數(shù)；
[0022](^、C2:學(xué)習(xí)因子；
[0023]A、r2:在[0，I]范圍內(nèi)變化的隨機常數(shù)；
[0024]w:慣性權(quán)重，用于平衡粒子群算法的全局和局部搜索能力，決定粒子先前速度對現(xiàn)在速度的影響大??；
[0025](7)、判斷算法是否收斂，是否達到迭代終止條件(達到最大迭代步數(shù)或滿足收斂精度要求)。若達到迭代終止條件，迭代結(jié)束，并輸出全局最優(yōu)粒子的相關(guān)參數(shù)，否則返回步驟(2)繼續(xù)迭代，直到滿足迭代終止條件。
[0026]本發(fā)明粒子群優(yōu)化方法基本流程見附圖，其中虛線范圍內(nèi)便是本改進方法的核心，其他部分與基本的粒子群優(yōu)化方法相同。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:本發(fā)明基于優(yōu)勝劣汰、步步選擇的粒子群優(yōu)化方法增強了粒子群優(yōu)化算法的搜索能力，彌補了基本粒子群優(yōu)化算法易陷入局部極值、早熟收斂或停滯的缺陷，能夠更加準(zhǔn)確、快速的找到待優(yōu)化參數(shù)的最優(yōu)值。
【專利附圖】

【附圖說明】
[0027]附圖是本發(fā)明優(yōu)勝劣汰、步步選擇粒子群優(yōu)化方法的基本流程圖。
【具體實施方式】
[0028]下面結(jié)合附圖和具體實施例對本發(fā)明技術(shù)方案作進一步詳細描述。
[0029]本發(fā)明粒子群優(yōu)化方法，能夠達到搜索某一問題最優(yōu)解的目的。下面給出一個例題，來具體說明如何應(yīng)用本發(fā)明粒子群優(yōu)化方法。
[0030]例題:選擇Rastrigin、Sphere、Rosebrock、Schaffer四個典型函數(shù)最小化問題，用本發(fā)明的優(yōu)勝劣汰、步步選擇粒子群優(yōu)化方法和基本粒子群算法(PSO)進行測試比較。
[0031]四個典型函數(shù)形式:Rastrigin函數(shù)，Schaffer函數(shù)，Rosebrock函數(shù)，Sphere函數(shù)。
[0032](I)Rastrigin 函數(shù):
【權(quán)利要求】
1. 一種基于優(yōu)勝劣汰、步步選擇的粒子群優(yōu)化方法，其特征在于，該方法包括以下步驟: 步驟(1)、設(shè)置初始參數(shù):設(shè)粒子群內(nèi)有若干個粒子，隨機產(chǎn)生各粒子的初始位置與初始速度，限定任意時刻粒子的速度和位置的取值范圍，設(shè)定迭代終止條件，設(shè)置學(xué)習(xí)因子、慣性權(quán)重、粒子總個數(shù)； 步驟(2)、迭代尋優(yōu)，記錄當(dāng)前迭代步數(shù)，并以預(yù)測誤差均方值的大小作為粒子適應(yīng)度值，計算每個粒子的適應(yīng)度值，對粒子適應(yīng)度進行優(yōu)劣評價，得出粒子優(yōu)劣度； 步驟(3)、按粒子優(yōu)劣度大小排列函數(shù)，并將相應(yīng)的粒子位置進行排序； 步驟(4)、從粒子總個數(shù)為M個粒子群中選取并保留適應(yīng)度較好的m個粒子，并將所述m個粒子的位置范圍作為新的解空間， 步驟(5)、在新的解空間內(nèi)重新選擇M-m個粒子代替適應(yīng)度較差的M-m個粒子，構(gòu)造出新的粒子群； 步驟(6)、評價上述構(gòu)造出的新的粒子群中的各粒子的適應(yīng)度值，并據(jù)此更新各粒子的歷史最優(yōu)值及粒子群的全局最優(yōu)值；按照式(I)更新粒子群中每個粒子的速度，按照式(2)更新粒子群中每個粒子位置；
Vij (t+1) = W^vij (t) +C1^rlj (t) * (Gij (t) -Pij (t)) +c2*r2j (t) * (Ggi (t) -Pij (t)) (I)
Pij (t+1) =Ρ^.α)+0.5ViJ(t+l) (2) 式⑴和式(2)中: 下標(biāo)j:表示粒子的第j維； 下標(biāo)1:表示第i個粒子； P1:第i個粒子的當(dāng)前位置； V1:粒子的當(dāng)前速度； G1:所經(jīng)歷的歷史最好位置； t:進化到的代數(shù)； C1^ C2:學(xué)習(xí)因子； I^r2:在[O，I]范圍內(nèi)變化的隨機常數(shù)； w:慣性權(quán)重，用于平衡粒子群算法的全局和局部搜索能力，決定粒子先前速度對現(xiàn)在速度的影響大??； 步驟(7)、判斷算法是否收斂，是否達到迭代終止條件，其中，以達到最大迭代步數(shù)或滿足收斂精度要求為迭代終止條件，若達到迭代終止條件，迭代結(jié)束，并輸出全局最優(yōu)粒子的相關(guān)參數(shù)，否則返回步驟(2)繼續(xù)迭代，直到滿足迭代終止條件。
【文檔編號】G06N3/00GK103942599SQ201410166021
【公開日】2014年7月23日 申請日期:2014年4月23日 優(yōu)先權(quán)日:2014年4月23日
【發(fā)明者】徐國賓, 韓文文, 章環(huán)境 申請人:天津大學(xué)