一种结合遗传算法的混合粒子群优化算法.docx

PAGE PAGE 1 一种结合遗传算法的混合粒子群优化算法 申请号： CN201810110235.4 申请日：申请（专利权）人： [西北工业大学] 地址： 陕西省西安市友谊西路127号 发明人： [张栋, 曹林] 主分类号： G06N3/00 公开（公告）号： CN108399451A 公开（公告）日：代理机构： 西北工业大学专利中心 代理人： [刘新琼] （19）中华人民共和国国家知识产权局 （12）发明专利申请 （10）申请公布号 CN108399451A （45）申请公布日（21）申请号 CN201810110235.4 （22）申请日（71）申请人 [西北工业大学] 地址 陕西省西安市友谊西路127号 （72）发明人 [张栋, 曹林] （74）专利代理机构 西北工业大学专利中心 代理人 [刘新琼] （54）发明名称 一种结合遗传算法的混合粒子群优化算法 （57）摘要 一种结合遗传算法的混合粒子群优化算法，综合了粒子群优化(Particle?Swarm?Optimization,PSO)算法全局搜索能力强和遗传算法(Genetic?Algorithm,GA)局部收敛速度快的优点，首先借助粒子群优化算法全局搜索能力强的特点进行全局搜索，当迭代次数进行到指定代数并接近全局最优解时，此时整个种群进入全局最优解的邻域内；其次，利用改进的遗传算法在全局最优解的邻域内进行局部快速搜索，最终到达全局最优解。 权 利 要 求 书 1.一种结合遗传算法的混合粒子群优化算法，其特征在于步骤如下： 步骤1：通过数学建模方法将一般的最优化问题描述为如下数学表达式的形式： 其中，x∈Rn为控制变量，其取值空间为Ω＝{x|xi∈(mini,maxi),i＝1,2,...,n}；f(x) 表示待优化的目标函数；Nj≤gj(x)≤Mj,j＝1,2,...m表示m个约束条件；该优化问题的目标 是借助特定的优化算法找到一组满足所有约束条件的n维控制变量x，使得目标函数f(x)的 取值最大或者最小； 步骤2：利用粒子群优化算法对式(1)所描述的最优化问题进行全局寻优搜索： 步骤2a：在控制变量x允许的n维搜索空间Ω内，生成由m个粒子组成的初始种群POP0:X0 ＝(x1,x2,…,xm)；在整个种群X0中，任意一个粒子xi都表示最优化问题的一组可行解，i＝ 1,..,m，且该粒子的位置表示为xi＝(xi1,xi2,…,xin)，其速度表示为vi＝(vi1,vi2,…,vin)； 步骤2b：根据待优化的目标函数和最优化问题的具体要求，构造适应度函数采用 的构造方法为直接构造法、加权系数构造法或罚函数构造法； 步骤2c：根据每个粒子的位置xi计算适应度值对当前种群Xt进行评估，t＝ 1,…,N1，其中N1为粒子群优化算法最大迭代次数，即找出当代种群中最优的个体位置 并结合之前的迭代过程记录当前获得的全局最优个体位置 (a)对每个粒子的适应度值与其历史最优适应度值pbest进行比较，若 那么有 若那么有 (b)对每个粒子的适应度值与当前全局最优个体的适应度值gbest进行比较，若 那么有 若那么有 步骤2d：按照粒子群优化算法追随最优粒子运动的原理，根据当前搜索到的个体历史 最优适应度值，对第i个粒子的速度和位置更新如下： 式中，vi为粒子的飞行速度矢量；xi为粒子的位置矢量；t为进化代数；学习因子c1、c2为 非负实数；ω为惯性权重；r1、r2为在区间[0,1]上服从均匀分布的两个随机数； 其中，惯性权重ω根据迭代过程不断进行自适应调整，调整算法如下： 式中，α(x)表示种群进化速度，β(x)表示种群聚合度；表示第t代全局最优粒子 的适应度值，表示当前种群中所有粒子的平均适应度值； 学习因子c1和c2的变化规律为： 式中，c1s和c2s分别为学习因子c1和c2的初始值，c1e和c2e分别为学习因子c1和c2的终止 值； 引入时间飞行因子T，则粒子的位置和速度更新公式(5)可改写为如下形式： 其中，取T＝d+ω，当T＝1时即为原来的粒子位置、速度更新公式(5)；当T≠1时，在迭代 初期具有较大的时间因子，有利于快速实现全局搜索，随着迭代的进行，时间因子越来越 小，较小的时间因子有利于粒子群局部精细搜索，更易于找到高精度的全局最优解； 步骤2e：通过步骤2d获得更新后的粒子速度和位置，产生新一代的种群，返回步骤2c； 重复上述过程直至最大迭代次数N1；此时，利用粒子群优化算法对最优化问题进行N1次迭代 的全局搜索过程结束，最终获得了该最优化问题的一个全局次优解和一组全局最优解邻域 内的可行解； 步骤3：利用遗传算法进行快速的局部寻优