CN102663494A - 一种基于变异粒子群算法的膜优化算法 - Google Patents

Abstract

本申请提供了一种基于变异粒子群算法的膜优化算法，包括将等效为粒子的备选解随机分配至多层基本膜中，每层基本膜包括至少一个粒子；计算所述粒子的适应度值，更新所述每层基本膜的惯性权值，并依据所述适应度值及所述惯性权值更新各粒子速度值和各粒子位置值；依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子；判断所述最优粒子是否满足预设的选取规则，如果是，获取所述最优粒子中的最优解，否则，依据所述适应度值重新更新各粒子速度值和各粒子位置值，并依据所述重新更新的惯性权值、各粒子速度值和各粒子位置值，获取最优粒子。

Description

一种基于变异粒子群算法的膜优化算法

技术领域

本申请涉及自动化控制领域，特别涉及一种基于变异粒子群的膜优化算法。

背景技术

目前，神经网络控制器采用如基于膜计算的PSO(粒子群)优化算法求解一个或多个特定目标函数下的最优值，并依据该最优值对待控制系统进行控制，初始条件为待求最优值的取值范围。

上述基于膜计算的PSO优化算法是指将具有层次结构的分布式并行膜计算方法和PSO算法相结合，对高维解空间中等效为粒子的备选解进行分割，该粒子具有各自的速度值和位置值，分割后的每个子解空间作为一个基本膜，通过预设且固定的粒子惯性权值获取每层基本膜中各个粒子的个体最优值及该层基本膜的群体最优值，并将每层基本膜中的群体最优值对应的粒子在每层基本膜与表层膜之间执行交流规则，从而获取最优粒子，既而获取最优粒子中的最优解。

但上述优化算法在进行寻优时，由于每层基本膜的惯性权值具有固定性，在参与寻优的粒子较少时，会使得寻优获取的个体最优值对应的粒子趋于具有共同特征值的粒子(即趋同性)，导致寻优过程提早结束，且获取的最优粒子的最优解误差较大，从而影响最优解的准确性。

发明内容

本申请所要解决的技术问题是提供一种基于变异粒子群算法的膜优化算法，用以解决现有技术中基于膜计算的PSO优化算法在进行寻优时，由于每层基本膜的惯性权值具有固定性，在参与寻优的粒子较少时，会使得寻优获取的个体最优值对应的粒子趋于具有共同特征值的粒子(即趋同性)，导致寻优过程提早结束，且获取的最优粒子的最优解误差较大，从而影响最优解的准确性的技术问题。

本申请提供了一种基于变异粒子群算法的膜优化算法，包括：

将等效为粒子的备选解随机分配至多层基本膜中，每层基本膜包括至少一个粒子；

计算所述粒子的适应度值，更新所述每层基本膜的惯性权值，并依据所述适应度值及所述惯性权值更新各粒子速度值和各粒子位置值；

依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子；

判断所述最优粒子是否满足预设的选取规则，如果是，获取所述最优粒子中的最优解，否则，依据所述适应度值及所述惯性权值重新更新所述每层基本膜各粒子速度值和各粒子位置值，并依据所述重新更新的各粒子速度值和各粒子位置值，获取最优粒子。

上述算法，优选地，所述更新所述每层基本膜的惯性权值包括：

利用ω＝w_max-(w_max-w_min)×(t+1)/I₂更新所述每层基本膜的惯性权值；

其中，w_max为预设的粒子最大惯性权值，w_min为预设的粒子最小惯性权值，I₂为所述每层基本膜的迭代次数总数，t为所述每层基本膜的迭代次数，ω为所述惯性权值。

上述算法，优选地，所述依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子包括：

初始化所述每层基本膜中的群体最优值和各个粒子的个体最优值及全体最优值；

依据所述适应度值、所述各粒子速度值及所述各粒子位置值，更新所述每层基本膜中各个粒子的个体最优值；

依据所述适应度值和所述每层基本膜中各个粒子的个体最优值，更新所述每层基本膜的群体最优值；

将所述每层基本膜中与该层基本膜的群体最优值相对应的粒子依据预设的交流规则传送至表层膜中；

依据所述表层膜中的粒子的个体最优值及所述全体最优值，获取最优粒子。

上述算法，优选地，在所述依据所述适应度值及所述惯性权值更新所述每层基本膜各粒子速度值和各粒子位置值之后，在所述依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子之前，所述方法还包括：

判断所述每层基本膜中的各个粒子是否满足预设变异规则，对所述变异的粒子进行变异处理。

上述算法，优选地，所述判断所述最优粒子是否满足预设的选取规则包括：

解析所述最优粒子携带的各维值，并依据所述各维值对被控制系统进行运行控制，获取运行结果；

判断所述运行结果是否满足预设的选取规则。

由上述方案可知，本申请提供的一种基于变异粒子群算法的膜优化算法通过计算参与寻优的粒子适应度值，更新每层基本膜的惯性权值，使得在参与寻优的粒子较少时，避免寻优获取的个体最优值对应的粒子趋于具有共同特征值的粒子，即趋同性，从而避免获取的最优粒子的最优解误差偏大，提高了最优解的准确性。

进一步的，本申请提供的一种基于变异粒子群算法的膜优化算法通过对参与寻优的粒子进行变异判断，并对变异的粒子进行校正处理，更进一步的避免由于粒子变异被忽略导致的寻优结果趋同性的情况，提高了最优解的准确性。

当然，实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种基于变异粒子群算法的膜优化算法实施例一的流程图；

图2为本申请提供的一种基于变异粒子群算法的膜优化算法实施例二的流程图；

图3为本申请提供的一种基于变异粒子群算法的膜优化算法实施例三的部分流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供的一种基于变异粒子群算法的膜优化算法，采用变异的粒子群算法和膜优化算法相结合，在备选解空间中进行寻优获取最优值。其中，膜优化算法是一种具有层次结构的分布式、并行计算模型，而现有技术中基于膜优化算法的正常PSO算法的优化过程一般包括：

Step1：初始化参数、备选解的取值范围和膜结构，定义膜结构为单层膜结构[₀[₁]₁，[₂]₂，[₃]₃，...，[_m]_m]₀，其中包含m层基本膜和表层膜0。

其中，基本膜的数量为m，每层基本膜都有其各自的迭代次数。

Step2：获取包含n个等效为粒子备选解的种群，将种群中各个粒子随机分配到m层基本膜中，且每层基本膜内至少有一个粒子，表层膜为空。初始化如下：

w₀＝λ；

$w_1=q_1{q}_2{q}_3...q_{n_1},$ n₁＜n；

$w_2=q_{n_1+1}{q}_{n_1+2}...q_{n_2},$ n₁+n₂＜n；

……

$w_m=q_{n_{(m-1)}+1}{q}_{n_{(m-1)}+2}...q_{n_m},$ n₁+n₂+...+n_m≤n；

其中，q_i(i＝1，2，...，n)为各层基本膜中的粒子个体。

Step3：预设每层基本膜中第t代时第i个粒子的个体最优值

及表示第t代时群体最优值

每层基本膜内分别独立使用PSO算法的寻优规则进行寻优，利用如下公式获取粒子的位置值和速度值：

$\left\{\begin{array}{c}{v}_i^{(t+1)}={\mathrm{wv}}_i^{\left(t\right)}+c_1{r}_1(p_{\mathrm{ibest}}^{\left(t\right)}-x_i^{\left(t\right)})+c_2{r}_2(G_{\mathrm{best}}^{\left(t\right)}-x_i^{\left(t\right)})\\ x_i^{(t+1)}=x_i^{\left(t\right)}+v_i^{(t+1)}\end{array}\right.$

其中，i＝1，2，...，n为种群中粒子序数；

为第t代时群体最优值；w为固定的惯性权重，表示粒子保持运动惯性；c₁，c₂分别为预设的加速度因子，通常在区间[0，2]取值；r₁，r₂为在区间[0，1]变化的随机数；

为第i个粒子在第t代时的速度值，在区间[-v_dmax，v_dmax]取值；为第i个粒子在第t代时的位置值。

Step4：依据每层基本膜中粒子的个体最优值及所述，获取每层基本膜中的最优粒子，每层基本膜与表层膜执行交流规则，即每层基本膜中的最优粒子输出到表层膜中(表层膜中共有m个粒子)，在所述传输至表层膜的粒子中选出群体最优粒子，并将该群体最优粒子的个体极值和群体极值返回到各层基本膜中影响下一代个体的更新，从而更好的实现种群的进化。

Step5：判断上述群体最优粒子是否满足终止条件，如果是，则停止寻优算法，表层膜输出优化结果，否则返回执行Step3。

需要说明的是，上述方法在进行寻优时，惯性权值w取值是固定的。由于每层基本膜的惯性权值相同且具有固定性，在参与寻优的粒子较少时，会使得寻优获取的个体最优值对应的粒子趋于具有共同特征值的粒子(即趋同性)，导致寻优过程提早结束，且获取的最优粒子的最优解误差较大，从而影响最优解的准确性。

其中，趋同性是指每个粒子的个体最优值具有越来越多的共同值，及每个粒子的个体最优值越来越像。采用PSO算法以鸟群觅食为例：鸟群在飞行中觅食，首先每只鸟要依据自己以往的飞行经验来判断最好的食物在哪个方向(个体最优值)，同时，每只鸟之间也要交流各自所判断的最好食物所在的方位，整个鸟群通过彼此交流讨论作出飞行方向的判断(群体最优值)。当鸟类数量较少时，能够进行交流的信息源较少，从而整个群体寻找食物过程中，在进行飞行方向判断的时候能够发表不同建议的粒子就越来越少，整个群体作出的判断就越来越像，这就是所谓的趋同性。

参考图1，其示出了本申请提供的一种基于变异粒子群算法的膜优化算法实施例一的流程图，该算法可以包括以下步骤：

步骤101：将等效为粒子的备选解随机分配至多层基本膜中，每层基本膜包括至少一个粒子。

其中，在进行基于变异粒子群算法的膜优化算法寻优前，首先设定寻优过程参数，包括：膜结构[₀[₁]₁，[₂]₂，[₃]₃，...，[_m]_m]₀、基本膜的数据量m、表层膜的迭代次数I₁、每层基本膜的迭代次数I₂、粒子速度的最大值V_max和最小值V_min、加速度因子c₁，c₂(通常在区间[0，2]取值)、在区间[0，1]变化的随机数r₁，r₂等。

其中，等效为粒子的备选解组成粒子种群，将种群中各个粒子随机分配至m层表层膜中，每层表层膜至少有一个粒子个体，且表层膜为空，初始化如下：

ω₀＝λ；

${\mathrm{\ω}}_1=q_1{q}_2{q}_3...q_{n_1},$ n₁＜n；

${\mathrm{\ω}}_2=q_{n_1+1}{q}_{n_1+2}...q_{n_2},$ n₁+n₂＜n；

……

${\mathrm{\ω}}_m=q_{n_{(m-1)}+1}{q}_{n_{(m-1)}+2}...q_{n_m},$ n₁+n₂+...+n_m＜n；

其中，q_i(i＝1，2，...，n)为每层基本膜中第i个粒子个体。

步骤102：计算所述粒子的适应度值。

其中，适应度值是指所需优化的系统或对象的性能指标函数值，一般包括最小指标值和最大指标值，在本算法中选取最小指标值作为适应度值。

步骤103：更新所述每层基本膜的惯性权值，并依据所述适应度值及所述惯性权值更新各粒子速度值和各粒子位置值。

其中，所述每层基本膜的惯性权值并非固定不变，它与本膜结构中的基本膜的迭代次数及迭代次序相关。

其中，所述每层基本膜的惯性权值可以通过以下方法更新：

利用ω＝w_max-(w_max-w_min)×(t+1)/I₂更新所述每层基本膜的惯性权值；

其中，w_max为预设的粒子最大惯性权值，w_min为预设的粒子最小惯性权值，I₂为所述每层基本膜的迭代次数总数，t为所述每层基本膜的迭代次数，ω为所述惯性权值。

其中，所述每层基本膜中各个粒子具有其各自的速度值和位置值。依据所述适应度值更新所述每层基本膜的各粒子速度值和各粒子位置值可以通过以下方法更新：

依据所述适应度值，利用 $v_i^{(t+1)}={\mathrm{wv}}_i^{\left(t\right)}+c_1{r}_1(p_{\mathrm{ibest}}^{\left(t\right)}-x_i^{\left(t\right)})+c_2{r}_2(G_{\mathrm{best}}^{\left(t\right)}-x_i^{\left(t\right)})$ 及

计算每层基本膜的各粒子速度值和各粒子位置值；

其中，w为所述每层基本膜的惯性权值，为第t代时群体最优值，为第t代时第i个粒子的个体最优值，

为第i个粒子在第t代时的位置值，为第i个粒子在第t代时的速度值，在区间[-v_dmax，v_dmax]取值，

为第i个粒子在t+1代时的位置值，

为第i个粒子在第t+1代时的速度值。

步骤104：依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子。

其中，在所述每层基本膜中选取其速度值和位置值与所述适应度值满足预设的匹配规则的粒子，即所述每层基本膜的最优粒子(m个)，进而在所述每层基本膜的最优粒子中选取最优粒子。

其中，在获取到所述最优粒子之后，所述方法还包括：

将所述最优粒子依据预设的传输规则将所述最优粒子传输至所述每层基本膜中，以便影响下一代个体最优值乃至下一代最优粒子的更新。

步骤105：判断所述最优粒子是否满足预设的选取规则，如果是，执行步骤106，否则，返回步骤103；

其中，可以通过以下方法判断所述最优粒子是否满足预设的选取规则：

解析所述最优粒子携带的各维值，并依据所述各维值对被控制系统进行运行控制，获取运行结果；

判断所述运行结果是否满足预设的选取规则。

其中，所述运行结果即所述被控制系统在运行时输出的性能指标，依据该性能指标判断其是否满足本算法终止条件，如果是，表示所述最优粒子为所述备选解种群的最优解，即满足本算法终止条件，即可停止本算法的运行，执行步骤106，否则，表示所述最优粒子并非本所述备选解种群的最优解，需要重新获取最优粒子，执行步骤103，依据所述适应度值及所述惯性权值重新更新所述每层基本膜各粒子速度值和各粒子位置值，并依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子，对该最优粒子进行判断，直至获取的最优粒子满足本算法终止条件。

步骤106：获取所述最优粒子中的最优解。

其中，在判断出所述最优粒子为所述备选解种群的最优解，即可获取所述最优粒子的最优解。

由上述方案可知，本申请提供的一种基于变异粒子群算法的膜优化算法实施例一通过计算参与寻优的粒子适应度值，更新每层基本膜中各个粒子的位置值和速度值，由此获取最优解，使得在参与寻优的粒子较少时，避免寻优获取的个体最优值对应的粒子趋于具有共同特征值的粒子，即趋同性，从而避免获取的最优粒子的最优解误差偏大，提高了最优解的准确性。

参考图2，其示出了本申请提供的一种基于变异粒子群算法的膜优化算法实施例二的流程图，基于上述实施例一，其中，所述步骤104可以包括以下步骤：

步骤204：初始化所述每层基本膜中的群体最优值和各个粒子的个体最优值及全体最优值。

其中，初始化所述每层基本膜中的群体最优值及各个粒子的个体最优值时，可以预设所述每层基本膜中各个粒子的个体最优值，在所述每层基本膜的各个粒子中随机选取一个粒子，将其个体最优值作为该层基本膜的群体最优值，该粒子作为群体最优粒子，并在所述每层基本膜的群体最优值对应的粒子(m个)中选取其个体最优值最小的粒子，作为所述全体最优粒子，该粒子的个体最优值作为全体最优值。

步骤205：依据所述适应度值、所述各粒子速度值及所述各粒子位置值，更新所述每层基本膜中各个粒子的个体最优值。

其中，依据所述适应度值、所述各粒子速度值及所述各粒子位置值，将所述每层基本膜中各个粒子的实际个体最优值与其初始化的个体最优值进行比较，更新该粒子的个体最优值。

其中，可以通过设置某一目标函数f来进行比较，若f(q_i)＜f(p_ibest)，则更新该粒子的个体最优值，其中，q_i为第i个粒子个体，p_ibest为第i个粒子的个体最优值。

步骤206：依据所述适应度值和所述每层基本膜中各个粒子的个体最优值，更新所述每层基本膜的群体最优值。

其中，依据所述适应度值，将所述每层基本膜中各个粒子的个体最优值与所述初始化的群体最优值进行比较，更新所述群体最优值。

其中，可以通过设置某一目标函数f来进行比较，若f(p_ibest)＜f(g_jbest)，则更新该粒子的个体最优值，其中，p_ibest为第i个粒子的个体最优值，g_jbest为该粒子所在的基本膜的群体最优值。

在更新完粒子的个体最优值及每层基本膜的群体最优值之后，可以在所述每层基本膜与包含各基本膜结构的表层膜之间执行交流规则，获取最优粒子。还可以通过以下步骤进行最优粒子的获取：

步骤207：将所述每层基本膜中与该层基本膜的群体最优值相对应的粒子依据预设的交流规则传送至表层膜中。

其中，所述交流规则仅在基本膜与表层膜之间执行。即将每层基本膜的群体最优值对应的粒子传输至表层膜中，该表层膜中共有m个粒子，与基本膜的数量相同。

步骤208：依据所述表层膜中的粒子的个体最优值及所述全体最优值，获取最优粒子。

其中，在上述m个粒子中选取最优个体，将该选出的最优个体的个体最优值与上一代的全体最优值进行比较，更新所述全体最优值，该全体最优值对应的粒子即获取的最优粒子。

其中，所述步骤201至所述步骤203分别与上述实施例一中所述步骤101至所述步骤103所述一致，所述步骤209至所述步骤210分别与上述实施例一中所述步骤105至所述步骤106所述一致，在此不再阐述。

有上述方案可知，本申请提供的一种基于变异粒子群算法的膜优化算法实施例二通过计算参与寻优的粒子适应度值，更新每层基本膜的惯性权值，同时，将膜结构中的粒子进行自我学习及粒子间进行学习交流，依据交流规则获取最优解，使得在参与寻优的粒子较少时，避免寻优获取的个体最优值对应的粒子趋于具有共同特征值的粒子，即趋同性，从而避免获取的最优粒子的最优解误差偏大，提高了最优解的准确性。

参考图3，其示出了本申请提供的一种基于变异粒子群算法的膜优化算法实施例三的部分流程图，基于上述实施例一，其中，在所述步骤103之后，在所述步骤104之前，所述算法还可以包括以下步骤：

步骤301：判断所述每层基本膜中的各个粒子是否满足预设变异规则，如果是，执行步骤302，否则，执行步骤104。

其中，判断所述每层基本膜中的各个粒子是否满足预设变异规则的方法可以包括：

利用 ${\mathrm{mc}}_i=0.05+0.45\frac{\exp \left(\frac{5(i-1)}{\mathrm{Popsize}-1}\right)-1}{\exp \left(5\right)-1}$ 获取第i个粒子的第一中间变量mc_i，其中，Popsize为该粒子所在基本膜中的粒子数量；

通过所述第一中间变量mc_i判断该粒子是否变异。

步骤302：对变异的粒子进行变异处理。

其中，所述变异处理可以包括通过以下程序代码实现：

其中，依据函数ceil(mc_i+rand-1)＝1判断该粒子是否满足变异规则。所述rand为随机函数，作用是产生0到1(不包括1)的随机数，ceil()是向上取整函数。当rand≤0.1成立时，则对该粒子进行变异操作处理，即pop(i，d)＝(1+rand)×pop(i，d)，其中，pop(i，d)为自定义函数，代表一个粒子的位置信息，其中i表示粒子的标号，d表示每个粒子的维数；当rand≤0.1不成立时，可以对该粒子执行标准操作处理，即pop(i，d)＝Gaussian(σ)×pop(i，d)，其中，Gaussian(σ)为标准差为σ的符合高斯分布的随机数，Pm为均匀分布的变异因子(也称变异概率)，其值可以固定，还可以依据预设规则自适应变化。

由上述方案可知，本申请提供的一种基于变异粒子群算法的膜优化算法实施例三通过计算参与寻优的粒子适应度值，更新每层基本膜的惯性权值，由此获取最优解，使得在参与寻优的粒子较少时，避免寻优获取的个体最优值对应的粒子趋于具有共同特征值的粒子，即趋同性，从而避免获取的最优粒子的最优解误差偏大，提高了最优解的准确性。

进一步的，本申请提供的一种基于变异粒子群算法的膜优化算法实施例三通过对参与寻优的粒子进行变异判断，并对变异的粒子进行校正处理，更进一步的避免由于粒子变异被忽略导致的寻优结果趋同性的情况，提高了最优解的准确性。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

最后，还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法，还存在另外的相同要素。

以上对本申请所提供的一种基于变异粒子群算法的膜优化算法进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (5)

1.一种基于变异粒子群算法的膜优化算法，其特征在于，包括：

将等效为粒子的备选解随机分配至多层基本膜中，每层基本膜包括至少一个粒子；

计算所述粒子的适应度值，更新所述每层基本膜的惯性权值，并依据所述适应度值及所述惯性权值更新各粒子速度值和各粒子位置值；

依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子；

判断所述最优粒子是否满足预设的选取规则，如果是，获取所述最优粒子中的最优解，否则，依据所述适应度值及所述惯性权值重新更新所述每层基本膜各粒子速度值和各粒子位置值，并依据所述适应度值及所述重新更新的各粒子速度值和各粒子位置值，获取最优粒子。

2.根据权利要求1所述的方法，其特征在于，所述更新所述每层基本膜的惯性权值包括：

利用ω＝w_max-(w_max-w_min)×(t+1)/I₂更新所述每层基本膜的惯性权值；

其中，w_max为预设的粒子最大惯性权值，w_min为预设的粒子最小惯性权值，I₂为所述每层基本膜的迭代次数总数，t为所述每层基本膜的迭代次数，ω为所述惯性权值。

3.根据权利要求1所述的方法，其特征在于，所述依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子包括：

初始化所述每层基本膜中的群体最优值和各个粒子的个体最优值及全体最优值；

依据所述适应度值、所述各粒子速度值及所述各粒子位置值，更新所述每层基本膜中各个粒子的个体最优值；

依据所述适应度值和所述每层基本膜中各个粒子的个体最优值，更新所述每层基本膜的群体最优值；

将所述每层基本膜中与该层基本膜的群体最优值相对应的粒子依据预设的交流规则传送至表层膜中；

依据所述表层膜中的粒子的个体最优值及所述全体最优值，获取最优粒子。

4.根据权利要求1所述的方法，其特征在于，在所述依据所述适应度值及所述惯性权值更新所述每层基本膜各粒子速度值和各粒子位置值之后，在所述依据所述适应度值、所述各粒子速度值及所述各粒子位置值获取最优粒子之前，所述方法还包括：

判断所述每层基本膜中的各个粒子是否满足预设变异规则，对所述满足所述变异规则的粒子进行变异处理。

5.根据权利要求1所述的方法，其特征在于，所述判断所述最优粒子是否满足预设的选取规则包括：

解析所述最优粒子携带的各维值，并依据所述各维值对被控制系统进行运行控制，获取运行结果；

判断所述运行结果是否满足预设的选取规则。

Images