CN106384164A - 一种工程参数寻优方法及系统 - Google Patents
一种工程参数寻优方法及系统 Download PDFInfo
- Publication number
- CN106384164A CN106384164A CN201610811177.9A CN201610811177A CN106384164A CN 106384164 A CN106384164 A CN 106384164A CN 201610811177 A CN201610811177 A CN 201610811177A CN 106384164 A CN106384164 A CN 106384164A
- Authority
- CN
- China
- Prior art keywords
- population
- current
- particle
- value
- scope
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种工程参数寻优方法,包括:预先构建与预设工程问题对应的目标函数;随机生成N个种群;对当前每个种群均分别进行S次迭代更新;从更新后的N个种群中筛选出全局最优粒子,进而确定出预设工程问题的最优工程参数;其中,对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。本申请避免了在寻优过程中出现局部收敛的问题,从而最终得到全局最优解。另外,本申请还相应公开了一种工程参数寻优系统。
Description
技术领域
本发明涉及工程寻优技术领域,特别涉及一种工程参数寻优方法及系统。
背景技术
目前,如何对工程设备的特定运行参数进行寻优是工程技术人员的重要研究对象。例如,在电力工程中,如何选择发电机组的出力以使得发电机组的燃料费用最低是目前电力工程技术人员的一个重要研究课题。
智能优化算法是一种以数学为基础,用于求解各种工程问题以得到相应优化解空间的应用技术,在系统控制、人工智能、模式识别、生产调试、VLSI(即Very Large ScaleIntegration,超大规模集成电路)技术以及计算机工程等工程领域得到广泛的应用。
粒子群优化算法是当前较为常用的智能优化算法,它是以自然界生物群体所表现的智能现象为基础而设计的,其具有算法机理简单、易于理解、而且算法设计简洁,对工程问题的目标函数没有特殊要求,易于编程计算,能够在人们可接受的时间范围内给出一个相对可靠的解空间。
然而,粒子群优化算法很容易产生局部收敛现象,也即所谓的早熟收敛现象,这样会使得搜索范围限于较小的范围,从而难以找到全局最优解。
综上所述可以看出,如何在寻优过程中避免局部收敛现象是目前有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种工程参数寻优方法及系统,在寻优过程中克服了局部收敛的问题。其具体方案如下:
一种工程参数寻优方法,包括:
预先构建与预设工程问题对应的目标函数;其中,所述目标函数对应的解空间为d维的解空间,d为正整数;
在满足所述目标函数的约束条件的前提下,随机生成N个种群;其中,所述N个种群中的每个种群均包括M个粒子,每个粒子均构成所述目标函数的一个解空间,N和M均为正整数;
对当前每个种群均分别进行S次迭代更新,得到更新后的N个种群,S为正整数;
从所述更新后的N个种群中筛选出全局最优粒子,并将所述全局最优粒子所对应的解空间中的所有解确定为所述预设工程问题的最优工程参数;
其中,对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。
优选的,所述在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值的过程,包括:
步骤S21:产生第一随机数,其中,第一随机数大于0并且小于1;
步骤S22:判断第一随机数是否小于或等于第一预设概率值,如果是,则在当前该种群所对应的种群范围之内生成第i个粒子的全部维度值,i∈{1,2,3,...,M},并将当前i值加1,以对当前i值进行更新,如果否,则进入步骤S23;
步骤S23:产生第二随机数,其中,第二随机数大于0并且小于1;
步骤S24:判断第二随机数是否大于第二预设概率值,如果否,则在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,如果是,则在当前该种群所对应的种群范围之外生成所述第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,j∈{1,2,3,...,d};
步骤S25:判断当前j值是否大于d,如果是,则将当前i值加1,以对当前i值进行更新,并进入步骤S26,如果否,则重新进入步骤S23;
步骤S26:判断当前i值是否大于M,如果是,则将本次迭代更新过程中生成的所有粒子确定为本次迭代更新后的种群中的全部粒子,并退出,如果否,则重新进入步骤S21。
优选的,任一种群所对应的种群范围的半径的确定过程,包括:
分别确定该种群中每一维所对应的种群范围的半径,得到该种群所对应的种群范围的半径;
其中,确定该种群第j维所对应的种群范围的半径的过程,包括:
若该种群为通过第s次迭代更新过程得到的种群,则判断s是否小于或等于S/2,如果是,则利用第一半径确定公式来确定该种群第j维所对应的种群范围的半径,如果否,则利用第二半径确定公式来确定该种群第j维所对应的种群范围的半径;其中,
所述第一半径确定公式为:
所述第二半径确定公式为:
式中,R(j)表示该种群第j维所对应的种群范围的半径,N表示所有种群的总数,Xj-max和Xj-min表示该种群中任一粒子的第j维的上限值和下限值,j∈{1,2,3,...,d}。
优选的,在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值的过程,包括:
利用第一预设公式,在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值;其中,所述第一预设公式为:
Xk(i,j)=2·C1·R(j)+GK(j)-R(j);
式中,k表示该种群的种群序号,C1为大于0并且小于1的随机数,GK(j)表示该种群中的内部最优粒子GK的第j维的维度值,R(j)表示该种群中第j维所对应的种群范围的半径,i∈{1,2,3,...,M},j∈{1,2,3,...,d}。
优选的,在当前该种群所对应的种群范围之外生成所述第i个粒子的第j维的维度值的过程,包括:
利用第二预设公式,在当前该种群所对应的种群范围之外生成所述第i个粒子的第j维的维度值;其中,所述第二预设公式为:
Xk(i,j)=C2·(Xj-max-Xj-min)+Xj-min;
式中,k表示该种群的种群序号,C2为大于0并且小于1的随机数,Xj-max和Xj-min表示该种群中任一粒子的第j维的上限值和下限值,i∈{1,2,3,...,M},j∈{1,2,3,...,d}。
优选的,所述从所述更新后的N个种群中筛选出全局最优粒子的过程,包括:
确定所述更新后的N个种群中的每个种群的内部最优粒子,相应地得到N个内部最优粒子;
从所述N个内部最优粒子中筛选出最优的一个粒子,得到所述全局最优粒子。
优选的,每次迭代更新之后,还包括:
从本次迭代更新后得到的N个种群中筛选出最差种群;
创建新的种群,并利用该新的种群替换本次迭代更新后得到的N个种群中的最差种群,得到当前最新的N个种群。
本发明还公开了一种工程参数寻优系统,包括:
目标函数构建模块,用于预先构建与预设工程问题对应的目标函数;其中,所述目标函数对应的解空间为d维的解空间,d为正整数;
种群生成模块,用于在满足所述目标函数的约束条件的前提下,随机生成N个种群;其中,所述N个种群中的每个种群均包括M个粒子,每个粒子均构成所述目标函数的一个解空间,N和M均为正整数;
种群更新模块,用于对当前每个种群均分别进行S次迭代更新,得到更新后的N个种群,S为正整数;
工程参数确定模块,用于从所述更新后的N个种群中筛选出全局最优粒子,并将所述全局最优粒子所对应的解空间中的所有解确定为所述预设工程问题的最优工程参数;
其中,所述种群更新模块对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。
优选的,所述种群更新模块,包括第一随机数生成单元、第一判断单元,第一粒子维度生成单元、第二随机数生成单元,第二判断单元、第二粒子维度生成单元、第一控制单元和第二控制单元;其中,
所述第一随机数生成单元,用于产生第一随机数,其中,第一随机数大于0并且小于1;
所述第一判断单元,用于判断第一随机数是否小于或等于第一预设概率值,如果是,则利用所述第一粒子维度生成单元在当前该种群所对应的种群范围之内生成第i个粒子的全部维度值,i∈{1,2,3,...,M},并将当前i值加1,以对当前i值进行更新,如果否,则启动所述第二随机数生成单元;
所述第二随机数生成单元,用于产生第二随机数,其中,第二随机数大于0并且小于1;
所述第二判断单元,用于判断第二随机数是否大于第二预设概率值,如果否,则利用所述第一粒子维度生成单元在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,如果是,则利用所述第二粒子维度生成单元在当前该种群所对应的种群范围之外生成所述第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,j∈{1,2,3,...,d};
所述第一控制单元,用于判断当前j值是否大于d,如果是,则将当前i值加1,以对当前i值进行更新,并启动所述第二控制单元,如果否,则重新启动所述第二随机数生成单元;
所述第二控制单元,用于判断当前i值是否大于M,如果是,则将本次迭代更新过程中生成的所有粒子确定为本次迭代更新后的种群中的全部粒子,并退出本次迭代更新过程,如果否,则重新启动所述第一随机数生成单元。
优选的,所述工程参数寻优系统,还包括:
种群筛选模块,用于在每次迭代更新之后,从本次迭代更新后得到的N个种群中筛选出最差种群;
种群替换更新模块,用于创建新的种群,并利用该新的种群替换本次迭代更新后得到的N个种群中的最差种群,得到当前最新的N个种群。
本发明中,工程参数寻优方法包括:预先构建与预设工程问题对应的目标函数;在满足目标函数的约束条件的前提下,随机生成N个种群;对当前每个种群均分别进行S次迭代更新,得到更新后的N个种群;从更新后的N个种群中筛选出全局最优粒子,并将全局最优粒子所对应的解空间中的所有解确定为预设工程问题的最优工程参数;其中,对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。可见,本发明在对种群进行迭代更新的过程中,除了在种群所对应的种群范围之内生成粒子的维度值,还会选择在种群所对应的种群范围之外生成粒子的维度值,这样能够使得更新后的种群中,某些粒子的某些维度值突破了原有种群的种群范围的束缚,也即,本发明中,新创建的某些粒子的某些维度值并不限于原有种群的种群范围,这样能够灵活地增大搜索范围,避免了在寻优过程中出现局部收敛的问题,从而最终得到全局最优解。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种工程参数寻优方法流程图;
图2为本发明实施例公开的一种工程参数寻优系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例公开了一种工程参数寻优方法,参见图1所示,该方法包括:
步骤S11:预先构建与预设工程问题对应的目标函数;其中,目标函数对应的解空间为d维的解空间,d为正整数。
本实施例中,上述预设工程问题所对应的工程领域有很多种,包括电力工程、模糊系统控制、人工智能等。例如,在电力工程领域,如何选择发电机组的出力以使得发电机组具有最少的燃料费用是电力工程技术人员着重研究的工程问题,针对该工程问题,可以构建燃料费用和发电机组的出力之间的函数关系,从而得到相应的目标函数,并且对发电机组的出力进行范围约束,例如基于功率平衡以及极值范围,对发电机组的出力进行范围约束,从而相应地得到目标函数的约束条件,可以理解的是,上述目标函数中的发电机组的出力是目标函数的自变量,也即是相应工程问题中需要寻优的工程参数,上述目标函数中的燃料费用则是目标函数的因变量。
另外,需要说明的是,本实施例中,假设目标函数中自变量的个数为d个,则该目标函数所对应的解空间便为d维的解空间,也即,该目标函数所对应的解空间中包括d个解。
步骤S12:在满足目标函数的约束条件的前提下,随机生成N个种群;其中,N个种群中的每个种群均包括M个粒子,每个粒子均构成目标函数的一个解空间,N和M均为正整数。
其中,上述N值和M值均可基于实际应用需要进行设定,例如可以将N值设为10,将M值设为100。
本实施例中,种群的本质是目标函数的解空间集合,而粒子的本质则是目标函数的一个解空间。本实施例中,任一个种群均包括M个粒子,也即包括M个解空间,而每个解空间均包括d个解,其中,一个解空间中的第j个解代表该解空间的第j维的维度值。
可以理解的是,本实施例中,在生成任一个种群的任一粒子时,该粒子所构成的解空间中的每个解均需满足目标函数的约束条件。
步骤S13:对当前每个种群均分别进行S次迭代更新,得到更新后的N个种群,S为正整数。
其中,在上述步骤S13中,对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。
需要说明的是,上述S值可以根据实际应用需要进行具体设定,例如可以设为3000。
本实施例中,步骤S13是通过对当前每个种群均分别进行S次迭代更新后得到上述更新后的N个种群的。可以理解的是,进行第s次迭代更新的过程是指对第s-1次迭代更新过程后得到的N个种群进行一次迭代更新的过程,其中,s∈{1,2,3,...,S}。可见,当s=1时,进行第1次迭代更新的过程是指是对起初随机生成的N个种群进行一次迭代更新的过程。
步骤S14:从更新后的N个种群中筛选出全局最优粒子,并将全局最优粒子所对应的解空间中的所有解确定为预设工程问题的最优工程参数。
可见,本发明实施例在对种群进行迭代更新的过程中,除了在种群所对应的种群范围之内生成粒子的维度值,还会选择在种群所对应的种群范围之外生成粒子的维度值,这样能够使得更新后的种群中,某些粒子的某些维度值突破了原有种群的种群范围的束缚,也即,本发明实施例中,新创建的某些粒子的某些维度值并不限于原有种群的种群范围,这样一方面能够灵活地增大搜索范围,避免了在寻优过程中出现局部收敛的问题,从而最终得到全局最优解,另外一方面也能够较好地维持种群中的多样性。
本发明实施例公开了一种具体的工程参数寻优方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
上一实施例步骤S13中,对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。
本实施例中,上述在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值的过程,具体包括:下面步骤S21至步骤S26:
步骤S21:产生第一随机数,其中,第一随机数大于0并且小于1;
步骤S22:判断第一随机数是否小于或等于第一预设概率值,如果是,则在当前该种群所对应的种群范围之内生成第i个粒子的全部维度值,i∈{1,2,3,...,M},并将当前i值加1,以对当前i值进行更新,如果否,则进入步骤S23;
步骤S23:产生第二随机数,其中,第二随机数大于0并且小于1;
步骤S24:判断第二随机数是否大于第二预设概率值,如果否,则在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,如果是,则在当前该种群所对应的种群范围之外生成第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,j∈{1,2,3,...,d};
步骤S25:判断当前j值是否大于d,如果是,则将当前i值加1,以对当前i值进行更新,并进入步骤S26,如果否,则重新进入步骤S23;
步骤S26:判断当前i值是否大于M,如果是,则将本次迭代更新过程中生成的所有粒子确定为本次迭代更新后的种群中的全部粒子,并退出,如果否,则重新进入步骤S21。
需要说明的是,本实施例中,上述第二预设概率值可以小于上述第一预设概率值,也可以大于或等于上述第一预设概率值。上述第一预设概率值和第二预设概率值可以根据实际应用需要进行相应设定,例如可以将上述第一预设概率值设为0.8,而将上述第二预设概率值设为0.6。
另外,本实施例中,任一种群所对应的种群范围的半径的确定过程,具体包括:分别确定该种群中每一维所对应的种群范围的半径,得到该种群所对应的种群范围的半径;其中,确定该种群第j维所对应的种群范围的半径的过程,具体包括:
若该种群为通过第s次迭代更新过程得到的种群,s∈{1,2,3,...,S},则判断s是否小于或等于S/2,如果是,则利用第一半径确定公式来确定该种群第j维所对应的种群范围的半径,如果否,则利用第二半径确定公式来确定该种群第j维所对应的种群范围的半径;其中,
第一半径确定公式为:
第二半径确定公式为:
式中,R(j)表示该种群第j维所对应的种群范围的半径,N表示所有种群的总数,Xj-max和Xj-min表示该种群中任一粒子的第j维的上限值和下限值,j∈{1,2,3,...,d}。可以理解的是,一个种群中每个粒子的第j维的上限值均是相同的,同理,一个种群中每个粒子的第j维的下限值也均是相同的。
从上述第二半径确定公式中可以看出,在优化后期,也即在s大于S/2的情况下,种群范围的半径将会随着迭代次数的增加而不断缩小,这样能够另种群粒子密度不断增大,从而能够大幅提升整个搜索过程的收敛效率,减少了收敛时间。
在上述步骤S22或上述步骤S24中,在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值的过程,具体包括:
利用第一预设公式,在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值;其中,第一预设公式为:
Xk(i,j)=2·C1·R(j)+GK(j)-R(j);
式中,k表示该种群的种群序号,C1为大于0并且小于1的随机数,GK(j)表示该种群中的内部最优粒子GK的第j维的维度值,R(j)表示该种群中第j维所对应的种群范围的半径,i∈{1,2,3,...,M},j∈{1,2,3,...,d}。
在上述步骤S24中,在当前该种群所对应的种群范围之外生成第i个粒子的第j维的维度值的过程,具体包括:
利用第二预设公式,在当前该种群所对应的种群范围之外生成第i个粒子的第j维的维度值;其中,第二预设公式为:
Xk(i,j)=C2·(Xj-max-Xj-min)+Xj-min;
式中,k表示该种群的种群序号,C2为大于0并且小于1的随机数,Xj-max和Xj-min表示该种群中任一粒子的第j维的上限值和下限值,i∈{1,2,3,...,M},j∈{1,2,3,...,d}。
另外,上一实施例步骤S14中,需要从步骤S13中得到的更新后的N个种群中筛选出全局最优粒子,然后将全局最优粒子所对应的解空间中的所有解确定为预设工程问题的最优工程参数。
具体的,从更新后的N个种群中筛选出全局最优粒子的过程,包括:确定更新后的N个种群中的每个种群的内部最优粒子,相应地得到N个内部最优粒子,然后从N个内部最优粒子中筛选出最优的一个粒子,得到全局最优粒子。
可以理解的是,本实施例具体可以通过对某个种群中所有粒子的适应度进行评估,以得到该种群中每个粒子的适应度,然后通过比较每个粒子的适应度,也即将适应度作为内部最优粒子的筛选依据,从而得到该种群中的内部最优粒子。在得到所有种群的内部最优粒子后,本实施例也是以粒子的适应度作为筛选依据,从上述N个内部最优粒子中筛选出最优的一个粒子,从而得到全局最优粒子。
进一步的,本实施例中,每次迭代更新之后,还可以包括下面步骤S31和S32:
步骤S31:从本次迭代更新后得到的N个种群中筛选出最差种群;
步骤S32:创建新的种群,并利用该新的种群替换本次迭代更新后得到的N个种群中的最差种群,得到当前最新的N个种群。
也即,本发明实施例可以在每次迭代更新过后,均可创建新的种群,然后利用这新的种群来替换本次迭代更新后得到的N个种群中的最差种群,这样一方面可以加强种群的空间搜索能力,另一方面能够确保种群的健硕性以及多样性,由此可进一步避免出现局部收敛的现象。
其中,具体可以以适应度为筛选依据,来筛选出最差种群,例如,可以先确定本次迭代更新后得到的N个种群中每个种群所对应的内部最优粒子,从而得到N个内部最优粒子,然后以适应度为筛选依据,从上述N个内部最优粒子中筛选出最差的一个内部最优粒子,并将该内部最优粒子所对应的种群确定为本次迭代更新后得到的N个种群中的最差种群。
相应的,本发明实施例还公开了一种工程参数寻优系统,参见图2所示,该系统包括:
目标函数构建模块21,用于预先构建与预设工程问题对应的目标函数;其中,目标函数对应的解空间为d维的解空间,d为正整数;
种群生成模块22,用于在满足目标函数的约束条件的前提下,随机生成N个种群;其中,N个种群中的每个种群均包括M个粒子,每个粒子均构成目标函数的一个解空间,N和M均为正整数;
种群更新模块23,用于对当前每个种群均分别进行S次迭代更新,得到更新后的N个种群,S为正整数;
工程参数确定模块24,用于从更新后的N个种群中筛选出全局最优粒子,并将全局最优粒子所对应的解空间中的所有解确定为预设工程问题的最优工程参数;
其中,种群更新模块23对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。
可见,本发明实施例在对种群进行迭代更新的过程中,除了在种群所对应的种群范围之内生成粒子的维度值,还会选择在种群所对应的种群范围之外生成粒子的维度值,这样能够使得更新后的种群中,某些粒子的某些维度值突破了原有种群的种群范围的束缚,也即,本发明实施例中,新创建的某些粒子的某些维度值并不限于原有种群的种群范围,这样一方面能够灵活地增大搜索范围,避免了在寻优过程中出现局部收敛的问题,从而最终得到全局最优解,另外一方面也能够较好地维持种群中的多样性。
具体的,上述种群更新模块,可以包括第一随机数生成单元、第一判断单元,第一粒子维度生成单元、第二随机数生成单元,第二判断单元、第二粒子维度生成单元、第一控制单元和第二控制单元;其中,
第一随机数生成单元,用于产生第一随机数,其中,第一随机数大于0并且小于1;
第一判断单元,用于判断第一随机数是否小于或等于第一预设概率值,如果是,则利用第一粒子维度生成单元在当前该种群所对应的种群范围之内生成第i个粒子的全部维度值,i∈{1,2,3,...,M},并将当前i值加1,以对当前i值进行更新,如果否,则启动第二随机数生成单元;
第二随机数生成单元,用于产生第二随机数,其中,第二随机数大于0并且小于1;
第二判断单元,用于判断第二随机数是否大于第二预设概率值,如果否,则利用第一粒子维度生成单元在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,如果是,则利用第二粒子维度生成单元在当前该种群所对应的种群范围之外生成第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,j∈{1,2,3,...,d};
第一控制单元,用于判断当前j值是否大于d,如果是,则将当前i值加1,以对当前i值进行更新,并启动第二控制单元,如果否,则重新启动第二随机数生成单元;
第二控制单元,用于判断当前i值是否大于M,如果是,则将本次迭代更新过程中生成的所有粒子确定为本次迭代更新后的种群中的全部粒子,并退出本次迭代更新过程,如果否,则重新启动第一随机数生成单元。
另外,本实施例中的工程参数寻优系统,还可以包括种群筛选模块和种群替换更新模块;其中,
种群筛选模块,用于在每次迭代更新之后,从本次迭代更新后得到的N个种群中筛选出最差种群;
种群替换更新模块,用于创建新的种群,并利用该新的种群替换本次迭代更新后得到的N个种群中的最差种群,得到当前最新的N个种群。
关于上述各个模块和各个单元更加详细的工作过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备所固有的要素。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、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种工程参数寻优方法及系统进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (10)
1.一种工程参数寻优方法,其特征在于,包括:
预先构建与预设工程问题对应的目标函数;其中,所述目标函数对应的解空间为d维的解空间,d为正整数;
在满足所述目标函数的约束条件的前提下,随机生成N个种群;其中,所述N个种群中的每个种群均包括M个粒子,每个粒子均构成所述目标函数的一个解空间,N和M均为正整数;
对当前每个种群均分别进行S次迭代更新,得到更新后的N个种群,S为正整数;
从所述更新后的N个种群中筛选出全局最优粒子,并将所述全局最优粒子所对应的解空间中的所有解确定为所述预设工程问题的最优工程参数;
其中,对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。
2.根据权利要求1所述的工程参数寻优方法,其特征在于,所述在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值的过程,包括:
步骤S21:产生第一随机数,其中,第一随机数大于0并且小于1;
步骤S22:判断第一随机数是否小于或等于第一预设概率值,如果是,则在当前该种群所对应的种群范围之内生成第i个粒子的全部维度值,i∈{1,2,3,...,M},并将当前i值加1,以对当前i值进行更新,如果否,则进入步骤S23;
步骤S23:产生第二随机数,其中,第二随机数大于0并且小于1;
步骤S24:判断第二随机数是否大于第二预设概率值,如果否,则在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,如果是,则在当前该种群所对应的种群范围之外生成所述第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,j∈{1,2,3,...,d};
步骤S25:判断当前j值是否大于d,如果是,则将当前i值加1,以对当前i值进行更新,并进入步骤S26,如果否,则重新进入步骤S23;
步骤S26:判断当前i值是否大于M,如果是,则将本次迭代更新过程中生成的所有粒子确定为本次迭代更新后的种群中的全部粒子,并退出,如果否,则重新进入步骤S21。
3.根据权利要求2所述的工程参数寻优方法,其特征在于,任一种群所对应的种群范围的半径的确定过程,包括:
分别确定该种群中每一维所对应的种群范围的半径,得到该种群所对应的种群范围的半径;
其中,确定该种群第j维所对应的种群范围的半径的过程,包括:
若该种群为通过第s次迭代更新过程得到的种群,则判断s是否小于或等于S/2,如果是,则利用第一半径确定公式来确定该种群第j维所对应的种群范围的半径,如果否,则利用第二半径确定公式来确定该种群第j维所对应的种群范围的半径;其中,
所述第一半径确定公式为:
所述第二半径确定公式为:
式中,R(j)表示该种群第j维所对应的种群范围的半径,N表示所有种群的总数,Xj-max和Xj-min表示该种群中任一粒子的第j维的上限值和下限值,j∈{1,2,3,...,d}。
4.根据权利要求3所述的工程参数寻优方法,其特征在于,在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值的过程,包括:
利用第一预设公式,在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值;其中,所述第一预设公式为:
Xk(i,j)=2·C1·R(j)+GK(j)-R(j);
式中,k表示该种群的种群序号,C1为大于0并且小于1的随机数,GK(j)表示该种群中的内部最优粒子GK的第j维的维度值,R(j)表示该种群中第j维所对应的种群范围的半径,i∈{1,2,3,...,M},j∈{1,2,3,...,d}。
5.根据权利要求3所述的工程参数寻优方法,其特征在于,在当前该种群所对应的种群范围之外生成所述第i个粒子的第j维的维度值的过程,包括:
利用第二预设公式,在当前该种群所对应的种群范围之外生成所述第i个粒子的第j维的维度值;其中,所述第二预设公式为:
Xk(i,j)=C2·(Xj-max-Xj-min)+Xj-min;
式中,k表示该种群的种群序号,C2为大于0并且小于1的随机数,Xj-max和Xj-min表示该种群中任一粒子的第j维的上限值和下限值,i∈{1,2,3,...,M},j∈{1,2,3,...,d}。
6.根据权利要求1所述的工程参数寻优方法,其特征在于,所述从所述更新后的N个种群中筛选出全局最优粒子的过程,包括:
确定所述更新后的N个种群中的每个种群的内部最优粒子,相应地得到N个内部最优粒子;
从所述N个内部最优粒子中筛选出最优的一个粒子,得到所述全局最优粒子。
7.根据权利要求1至6任一项所述的工程参数寻优方法,其特征在于,每次迭代更新之后,还包括:
从本次迭代更新后得到的N个种群中筛选出最差种群;
创建新的种群,并利用该新的种群替换本次迭代更新后得到的N个种群中的最差种群,得到当前最新的N个种群。
8.一种工程参数寻优系统,其特征在于,包括:
目标函数构建模块,用于预先构建与预设工程问题对应的目标函数;其中,所述目标函数对应的解空间为d维的解空间,d为正整数;
种群生成模块,用于在满足所述目标函数的约束条件的前提下,随机生成N个种群;其中,所述N个种群中的每个种群均包括M个粒子,每个粒子均构成所述目标函数的一个解空间,N和M均为正整数;
种群更新模块,用于对当前每个种群均分别进行S次迭代更新,得到更新后的N个种群,S为正整数;
工程参数确定模块,用于从所述更新后的N个种群中筛选出全局最优粒子,并将所述全局最优粒子所对应的解空间中的所有解确定为所述预设工程问题的最优工程参数;
其中,所述种群更新模块对当前任一种群进行任一次迭代更新的过程,包括:在满足第一概率条件的情况下,随机在当前该种群所对应的种群范围之内生成粒子的维度值,并在满足第二概率条件的情况下,随机在当前该种群所对应的种群范围之外生成粒子的维度值,相应地得到本次迭代更新后的种群。
9.根据权利要求8所述的工程参数寻优系统,其特征在于,所述种群更新模块,包括第一随机数生成单元、第一判断单元,第一粒子维度生成单元、第二随机数生成单元,第二判断单元、第二粒子维度生成单元、第一控制单元和第二控制单元;其中,
所述第一随机数生成单元,用于产生第一随机数,其中,第一随机数大于0并且小于1;
所述第一判断单元,用于判断第一随机数是否小于或等于第一预设概率值,如果是,则利用所述第一粒子维度生成单元在当前该种群所对应的种群范围之内生成第i个粒子的全部维度值,i∈{1,2,3,...,M},并将当前i值加1,以对当前i值进行更新,如果否,则启动所述第二随机数生成单元;
所述第二随机数生成单元,用于产生第二随机数,其中,第二随机数大于0并且小于1;
所述第二判断单元,用于判断第二随机数是否大于第二预设概率值,如果否,则利用所述第一粒子维度生成单元在当前该种群所对应的种群范围之内生成第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,如果是,则利用所述第二粒子维度生成单元在当前该种群所对应的种群范围之外生成所述第i个粒子的第j维的维度值,并将当前j值加1,以对当前j值进行更新,j∈{1,2,3,...,d};
所述第一控制单元,用于判断当前j值是否大于d,如果是,则将当前i值加1,以对当前i值进行更新,并启动所述第二控制单元,如果否,则重新启动所述第二随机数生成单元;
所述第二控制单元,用于判断当前i值是否大于M,如果是,则将本次迭代更新过程中生成的所有粒子确定为本次迭代更新后的种群中的全部粒子,并退出本次迭代更新过程,如果否,则重新启动所述第一随机数生成单元。
10.根据权利要求8或9所述的工程参数寻优系统,其特征在于,还包括:
种群筛选模块,用于在每次迭代更新之后,从本次迭代更新后得到的N个种群中筛选出最差种群;
种群替换更新模块,用于创建新的种群,并利用该新的种群替换本次迭代更新后得到的N个种群中的最差种群,得到当前最新的N个种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811177.9A CN106384164B (zh) | 2016-09-08 | 2016-09-08 | 一种工程参数寻优方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811177.9A CN106384164B (zh) | 2016-09-08 | 2016-09-08 | 一种工程参数寻优方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106384164A true CN106384164A (zh) | 2017-02-08 |
CN106384164B CN106384164B (zh) | 2019-11-22 |
Family
ID=57935420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610811177.9A Expired - Fee Related CN106384164B (zh) | 2016-09-08 | 2016-09-08 | 一种工程参数寻优方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384164B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697334A (zh) * | 2019-01-15 | 2019-04-30 | 湘潭大学 | 一种轴承接触应力确定方法及系统 |
CN117007057A (zh) * | 2023-09-27 | 2023-11-07 | 北京理工大学 | 无人机航迹优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101242103A (zh) * | 2008-03-13 | 2008-08-13 | 上海交通大学 | 电力系统稳定器参数的智能优化方法 |
CN101833607A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 双馈风力发电机多目标混合粒子群优化设计方法 |
CN102289713A (zh) * | 2011-08-31 | 2011-12-21 | 华东理工大学 | 一种基于进化优化算法的有约束问题优化方法 |
US20120226654A1 (en) * | 2009-11-05 | 2012-09-06 | Bae Systems Plc | Generating a set of solutions to a multi-objective problem |
CN105631518A (zh) * | 2015-12-23 | 2016-06-01 | 西安理工大学 | 多参数多目标混沌粒子群参数寻优方法 |
-
2016
- 2016-09-08 CN CN201610811177.9A patent/CN106384164B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101242103A (zh) * | 2008-03-13 | 2008-08-13 | 上海交通大学 | 电力系统稳定器参数的智能优化方法 |
US20120226654A1 (en) * | 2009-11-05 | 2012-09-06 | Bae Systems Plc | Generating a set of solutions to a multi-objective problem |
CN101833607A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 双馈风力发电机多目标混合粒子群优化设计方法 |
CN102289713A (zh) * | 2011-08-31 | 2011-12-21 | 华东理工大学 | 一种基于进化优化算法的有约束问题优化方法 |
CN105631518A (zh) * | 2015-12-23 | 2016-06-01 | 西安理工大学 | 多参数多目标混沌粒子群参数寻优方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697334A (zh) * | 2019-01-15 | 2019-04-30 | 湘潭大学 | 一种轴承接触应力确定方法及系统 |
CN109697334B (zh) * | 2019-01-15 | 2022-11-15 | 湘潭大学 | 一种轴承接触应力确定方法及系统 |
CN117007057A (zh) * | 2023-09-27 | 2023-11-07 | 北京理工大学 | 无人机航迹优化方法及装置 |
CN117007057B (zh) * | 2023-09-27 | 2023-12-15 | 北京理工大学 | 无人机航迹优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106384164B (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815035B (zh) | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 | |
Behandish et al. | Concurrent pump scheduling and storage level optimization using meta-models and evolutionary algorithms | |
CN104868465A (zh) | 基于模糊机会约束的电力系统网架重构优化方法 | |
CN103714414A (zh) | 一种用于智能电网调度的流程节点回退方法 | |
CN106384164A (zh) | 一种工程参数寻优方法及系统 | |
CN106845725A (zh) | 一种工程参数寻优方法及系统 | |
CN103106561B (zh) | 电力系统负荷恢复辅助决策系统及其决策生成方法 | |
CN104363129B (zh) | 一种网络事件关联分析和动态预警方法 | |
Massaoudi et al. | Navigating the Landscape of Deep Reinforcement Learning for Power System Stability Control: A Review | |
Zhang et al. | Adaptive probabilities of crossover and mutation in genetic algorithms based on clustering technique | |
CN109885588A (zh) | 一种复杂事件检测方法及系统 | |
CN105809286A (zh) | 一种基于代表数据重构的增量svr负荷预测方法 | |
CN116415002B (zh) | 一种基于图匹配的电网故障恢复防误校核方法 | |
Maestre et al. | An assessment of coalitional control in water systems | |
CN105512001A (zh) | 一种用于运维管理系统的监测模板实现方法 | |
CN102436528A (zh) | 复杂装备方案重用再生设计方法 | |
CN108011366B (zh) | 一种配电网可控资源协调优化控制方法和装置 | |
CN111030084A (zh) | 一种考虑系统恢复过程中机组状态的负荷恢复优化方法 | |
CN110378033A (zh) | 实体部件的非标设计方法、装置、存储介质及计算机设备 | |
CN102708241B (zh) | 一种用于油藏历史拟合的快速粒子群方法 | |
CN102263881A (zh) | 半色调图像调频挂网处理方法及装置 | |
CN115146908A (zh) | 交通级联故障应急调控策略生成方法、系统、终端及介质 | |
Andreoiu et al. | Lyapunov's method based genetic algorithm for multi-machine PSS tuning | |
CN113506188A (zh) | 考虑不确定性和主动负荷的输电网扩展规划方法及系统 | |
Salmasi et al. | A heuristic approach for multi-stage sequence-dependent group scheduling problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191122 Termination date: 20210908 |
|
CF01 | Termination of patent right due to non-payment of annual fee |