CN108399451A - 一种结合遗传算法的混合粒子群优化算法 - Google Patents
一种结合遗传算法的混合粒子群优化算法 Download PDFInfo
- Publication number
- CN108399451A CN108399451A CN201810110235.4A CN201810110235A CN108399451A CN 108399451 A CN108399451 A CN 108399451A CN 201810110235 A CN201810110235 A CN 201810110235A CN 108399451 A CN108399451 A CN 108399451A
- Authority
- CN
- China
- Prior art keywords
- population
- particle
- algorithm
- search
- particle swarm
- 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.)
- Pending
Links
Classifications
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
- Complex Calculations (AREA)
Abstract
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。
Description
技术领域
本发明属于最优化技术研究领域。尤其涉及多控制变量、多约束条件,并且待优化的目标函数具有多极值点的复杂最优化问题。该混合优化算法可以广泛应用于解决各类工程上和理论上的最优化问题。
背景技术
最优化问题普遍存在于工业生产(包括军事和民用)中的各个领域,对最优化问题的研究具有相当巨大的潜在应用价值。最优化问题是指在特定的约束条件下找到合适的控制变量,使得待优化的目标函数取最大值或最小值。因此,解决最优化问题的关键是要设计一种优化算法,可以快速、准确地找到符合约束条件的控制变量,实现目标函数的最优化要求。
目前,优化算法主要分为两类,一类是常规优化算法,另一类是智能优化算法。常规优化算法主要针对待优化的目标函数为显式形式的情况,主要包括一维搜索、牛顿法、共轭梯度法、拟牛顿法和二次规划等。针对待优化的目标函数为隐式形式的情况,智能优化算法得到了广泛的研究与讨论,主要包括遗传算法、蚁群算法、粒子群算法和蜂群算法等。以上两类传统的优化算法可以解决简单的一般最优化问题,对于解决复杂的带有多变量、多约束、多极值点的最优化问题效果不佳,如存在收敛时间过长、陷入局部最优等现象,甚至不能得到准确解。因此如何综合设计优化算法进行复杂最优化问题的求解,并节约计算资源、提高计算效率成为一个发展趋势。
发明内容
要解决的技术问题
本发明的目的是针对传统优化算法在解决复杂最优化问题时存在优化效果不佳的问题,提出一种结合遗传算法的混合粒子群优化算法。
技术方案
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搜索:
步骤3a:利用粒子群优化算法进行全局搜索结束之后,产生新的种群作为遗传算法进行局部搜索的初始种群;则粒子群优化算法中的每一个粒子一一对应成为遗传算法种群中的染色体xi,i=1,..,m,且n维染色体xi表示该染色上具有n个基因;经过N1次的粒子群优化迭代之后,新的种群已接近于最优化问题的全局最优解;
步骤3b:计算种群中每个染色体xi对应的适应度函数值对当前种群Xt进行评估,t=N1,N1+1,…,N1+N2,其中N2为遗传算法的最大迭代次数;
步骤3c:根据整个种群中的个体适应度计算结果,计算每个染色体被选择成为父代的概率,其计算方法如下:
式中,Pi为染色体xi的选择概率,为种群中的最小适应度值;
按照轮盘赌游戏规则,对整个种群进行选择操作,则选择概率高的个体被选择成为父代的可能性就高;轮盘赌游戏规则描述如下:
(a1)产生一个在区间(0,1)上的随机数rand;
(b1)计算第i个染色体xi的累积选择概率,计算方法如下:
(c1)若sumP≥rand,那么该染色体xi被选择成为父代个体;若sumP<rand,重复步骤(a1)、(b1),直至选出m/2组父代组合;
步骤3d:对步骤3c中通过选择操作产生的父代组合,进行两两杂交操作,产生子代个体;杂交操作方法采用固定点杂交、随机点杂交、单点杂交或多点杂交;
杂交操作具体可描述为:
(a2)产生一个在区间(0,1)上的随机数rand;
(b2)比较杂交概率pcross和随机数rand的大小,决定该父代组合是否进行杂交操作;若pcross≥rand,则该父代组合进行杂交操作,产生两个新的子代个体;反之,则不进行杂交操作;
(c2)重复(a2)、(b2)过程直至所有父代组合完成杂交操作;
步骤3e:根据精英保存策略的思想,对所有父代个体和子代个体的适应度值进行比较,从中选择适应度值最大的n个个体组成新种群,转到步骤3b;重复上述过程直至最大迭代次数N2,此时,通过遗传算法局部寻优之后,得到最接近全局最优解的最优解。
有益效果
本发明提出的一种结合遗传算法的混合粒子群优化算法,针对多控制变量、多约束条件、具有多极值点的复杂最优化问题,采用本发明所述的最优化方法可以高效、快速地实现寻优计算。相对于传统的遗传算法和粒子群优化算法,本发明所述的优化算法具有更快的全局搜索能力和局部收敛速率。
附图说明
图1为本发明的算法设计示意图。图中,Ω为控制变量x的搜索空间,x0表示控制变量初值,xopt表示最优化问题的全局最优解,U表示全局最优解的一个邻域。
图2为本发明的算法执行流程图。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
一种结合遗传算法的混合粒子群优化算法,所述的混合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(GeneticAlgorithm,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。
第一步:通过数学建模方法将一般的最优化问题描述为数学表达的形式,明确控制变量的维度和取值范围。根据实际要求,确定最优化问题的全部约束条件。
第二步:如图1和图2所示,利用改进后的粒子群优化算法对最优化问题进行全局寻优计算;粒子群优化算法迭代到指定代数N1时,全局寻优过程结束,此时获得全局次优解并且迭代到达全局最优解的邻域内。
第三步:当粒子群优化算法迭代至全局最优解的一个邻域内时,综合此时获得的全局次优解和全局最优解邻域,生成新的种群。
第四步:在新种群的基础上,利用改进的遗传算法进行快速的局部寻优搜索;遗传算法迭代到达指定代数N2时,局部搜索过程结束,此时获得全局次优解。
本发明所提出的结合遗传算法的混合粒子群优化算法总体流程为:
(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:
式(1)描述了一个多约束、多控制变量的一般优化问题,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。
(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。为了提高传统粒子群优化算法的全局搜索能力,对其进行如下四点改进:
(a)初始种群均匀化处理,使得随机生成的初始种群中各个个体的取值尽量均匀分布在控制变量的搜索空间内,保证初始种群的多样性;
(b)惯性权重自适应调整,基于Sigmoid函数的惯性权重自适应调整方法,利用种群进化速度和种群聚合度来实时调整惯性权重,有效地降低了算法陷入局部最优的概率,保持了迭代过程中种群的多样性;
(c)学习因子异步变化,即学习因子根据当前种群进化的状态进行不同步的变化,迭代开始阶段,较强的自我学习能力,便于实现快速搜索,加强全局搜索的能力;迭代后期,较强的社会学习能力有助于局部精细搜索,以提高种群收敛到全局最优的能力;
(d)引入时间飞行因子。从标准粒子群优化算法流程中可知,粒子位置的更新是在原来位置基础上加上当前时刻的运动速度来获得下一时刻的位置。这种位移与速度在同量纲条件下的运算,是导致粒子在最优解附近来回振荡的一个重要因素。因此可以根据迭代次数来改变粒子飞行时间,提高粒子搜索能力。
利用粒子群优化算法进行全局寻优搜索的具体步骤为:
第一步: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(i=1,..,m)都表示最优化问题的一组可行解,且该粒子的位置表示为xi=(xi1,xi2,…,xin),其速度表示为vi=(vi1,vi2,…,vin)。
按照粒子群优化算法的改进点(a),初始种群中POP0的所有粒子位置xi将被随机初始化,且均匀分布在n维搜索空间Ω内,保证初始种群的多样性。另外,相应粒子的初始速度vi按照具体要求进行随机初始化处理。
第二步:根据待优化的目标函数和最优化问题的具体要求,构造适应度函数适应度函数用于评价种群中每个粒子的适应能力,其值越大,表示该粒子的适应能力越强,越接近于最优解,反之则适应能力越弱,越远离最优解。目前并没有用于构造适应度函数的统一方法,需要根据最优化问题的具体要求来进行构造,常用的方法主要有直接构造法、加权系数构造法、罚函数构造法等,具体可参见相关文献。由于适应度函数的构造方法不是本发明的内容,此处不再对其进行赘述。
第三步:根据每个粒子的位置xi计算适应度值对当前种群Xt(t=1,…,N1)进行评估,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
第四步: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。
按照粒子群优化算法的改进点(b),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。
按照粒子群优化算法的改进点(c),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。
按照粒子群优化算法的改进点(d),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。
第五步:通过第四步获得更新后的粒子速度和位置,产生新一代的种群,返回第三步;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。
(3)综合(2)中利用粒子群优化算法搜索得到的全局次优解和全局最优解邻域,在新种群的基础上,利用遗传算法进行快速的局部寻优搜索。为了提高传统遗传算法的局部搜索能力,对其进行两点改进:
(a)提高种群个体之间的交叉概率,保证整个群体之间进行充分、完整的信息交流;
(b)剔除遗传算法中的变异算子,保证交叉后产生的子代个体不会因此而跳出当前种群所表示的局部区域。
利用遗传算法进行快速局部搜索的具体步骤为:
第一步:利用粒子群优化算法进行全局搜索结束之后,产生新的种群作为遗传算法进行局部搜索的初始种群。则粒子群优化算法中的每一个粒子一一对应成为遗传算法种群中的染色体xi(i=1,..,m),且n维染色体xi表示该染色上具有n个基因。经过N1次的粒子群优化迭代之后,新的种群已接近于最优化问题的全局最优解。
第二步:计算种群中每个染色体xi对应的适应度函数值对当前种群Xt(t=N1,N1+1,…,N1+N2)进行评估,其中N2为遗传算法的最大迭代次数。
第三步:选择操作。根据整个种群中的个体适应度计算结果,计算每个染色体被选择成为父代的概率,其计算方法如下:
式中,Pi为染色体xi的选择概率,为种群中的最小适应度值。
按照轮盘赌游戏规则,对整个种群进行选择操作,则选择概率高的个体被选择成为父代的可能性就高。轮盘赌游戏规则描述如下:
(a)产生一个在区间(0,1)上的随机数rand;
(b)计算第i个染色体xi的累积选择概率,计算方法如下:
(c)若sumP≥rand,那么该染色体xi被选择成为父代个体。若sumP<rand,重复步骤(a)、(b),直至选出m/2组父代组合。
第四步:杂交操作。对第三步中通过选择操作产生的父代组合,进行两两杂交操作,产生子代个体。具体的杂交操作方法有很多,比如固定点杂交、随机点杂交、单点杂交、多点杂交等,详细可参见相关文献资料。由于杂交操作不是本发明的重点,此处不再过多赘述。
杂交操作具体可描述为:
(a)产生一个在区间(0,1)上的随机数rand;
(b)比较杂交概率pcross和随机数rand的大小,决定该父代组合是否进行杂交操作。若pcross≥rand,则该父代组合进行杂交操作,产生两个新的子代个体;反之,则不进行杂交操作。
(c)重复(a)、(b)过程直至所有父代组合完成杂交操作。
按照遗传算法的改进点(a),相比于标准的遗传算法,增大杂交概率pcross的取值,保证种群内部进行充分的信息交流。
按照遗传算法的改进点(b),相比于标准的遗传算法,在父代组合进行杂交操作产生子代个体的过程中,剔除变异算子,即不对子代个体进行变异操作,保证整个进化迭代过程不会因为变异而跳出全局最优解的局部区域。
第五步:根据精英保存策略的思想,对所有父代个体和子代个体的适应度值进行比较,从中选择适应度值最大的n个个体组成新种群,转到第二步;重复上述过程直至最大迭代次数N2。此时,通过遗传算法局部寻优之后,得到最接近全局最优解的最优解。
本发明所提出的优化算法适用于解决各类工程上和理论上的复杂最优化问题。
Claims (1)
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搜索:
步骤3a:利用粒子群优化算法进行全局搜索结束之后,产生新的种群作为遗传算法进行局部搜索的初始种群;则粒子群优化算法中的每一个粒子一一对应成为遗传算法种群中的染色体xi,i=1,..,m,且n维染色体xi表示该染色上具有n个基因;经过N1次的粒子群优化迭代之后,新的种群已接近于最优化问题的全局最优解;
步骤3b:计算种群中每个染色体xi对应的适应度函数值对当前种群Xt进行评估,t=N1,N1+1,…,N1+N2,其中N2为遗传算法的最大迭代次数;
步骤3c:根据整个种群中的个体适应度计算结果,计算每个染色体被选择成为父代的概率,其计算方法如下:
式中,Pi为染色体xi的选择概率,为种群中的最小适应度值;
按照轮盘赌游戏规则,对整个种群进行选择操作,则选择概率高的个体被选择成为父代的可能性就高;轮盘赌游戏规则描述如下:
(a1)产生一个在区间(0,1)上的随机数rand;
(b1)计算第i个染色体xi的累积选择概率,计算方法如下:
(c1)若sumP≥rand,那么该染色体xi被选择成为父代个体;若sumP<rand,重复步骤(a1)、(b1),直至选出m/2组父代组合;
步骤3d:对步骤3c中通过选择操作产生的父代组合,进行两两杂交操作,产生子代个体;杂交操作方法采用固定点杂交、随机点杂交、单点杂交或多点杂交;
杂交操作具体可描述为:
(a2)产生一个在区间(0,1)上的随机数rand;
(b2)比较杂交概率pcross和随机数rand的大小,决定该父代组合是否进行杂交操作;若pcross≥rand,则该父代组合进行杂交操作,产生两个新的子代个体;反之,则不进行杂交操作;
(c2)重复(a2)、(b2)过程直至所有父代组合完成杂交操作;
步骤3e:根据精英保存策略的思想,对所有父代个体和子代个体的适应度值进行比较,从中选择适应度值最大的n个个体组成新种群,转到步骤3b;重复上述过程直至最大迭代次数N2,此时,通过遗传算法局部寻优之后,得到最接近全局最优解的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110235.4A CN108399451A (zh) | 2018-02-05 | 2018-02-05 | 一种结合遗传算法的混合粒子群优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110235.4A CN108399451A (zh) | 2018-02-05 | 2018-02-05 | 一种结合遗传算法的混合粒子群优化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108399451A true CN108399451A (zh) | 2018-08-14 |
Family
ID=63095421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810110235.4A Pending CN108399451A (zh) | 2018-02-05 | 2018-02-05 | 一种结合遗传算法的混合粒子群优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399451A (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102124A (zh) * | 2018-08-24 | 2018-12-28 | 山东师范大学 | 基于分解的动态多目标多路径诱导方法、系统及存储介质 |
CN109389206A (zh) * | 2018-09-26 | 2019-02-26 | 大连大学 | 基于非支配排序的混合蝙蝠算法的dna编码序列优化方法 |
CN109472060A (zh) * | 2018-10-17 | 2019-03-15 | 中国运载火箭技术研究院 | 一种面向组件的飞行器总体双循环优化方法及系统 |
CN109543226A (zh) * | 2018-10-22 | 2019-03-29 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
CN109657274A (zh) * | 2018-11-16 | 2019-04-19 | 广东省建筑设计研究院 | 建筑结构中基于粒子群优化算法的弦支穹顶索力优化方法 |
CN109784468A (zh) * | 2019-02-01 | 2019-05-21 | 石家庄飞机工业有限责任公司 | 基于psoa算法的通航物流配载效能优化方法 |
CN110058635A (zh) * | 2019-04-22 | 2019-07-26 | 西安工业大学 | 基于改进粒子群算法与模糊算法相结合的mppt方法 |
CN110263906A (zh) * | 2019-06-24 | 2019-09-20 | 中国科学技术大学 | 非对称负相关搜索方法 |
CN110428043A (zh) * | 2019-07-11 | 2019-11-08 | 燕山大学 | 基于粒子群算法的神经元群模型参数自适应优化方法 |
CN110458276A (zh) * | 2019-07-23 | 2019-11-15 | 浙江吉利汽车研究院有限公司 | 基于多目标粒子群算法的车辆控制参数标定方法、装置和设备 |
CN111030498A (zh) * | 2019-12-10 | 2020-04-17 | 中铁电气化局集团有限公司 | 级联h桥逆变器的调制波的补偿方法 |
CN111027782A (zh) * | 2019-12-25 | 2020-04-17 | 安徽建筑大学 | 基于无中心遗传算法的建筑二次供水优化调度方法及装置 |
CN111222287A (zh) * | 2020-01-09 | 2020-06-02 | 西安交通大学 | 一种不等环宽介质超振荡环带片设计方法 |
CN111240011A (zh) * | 2020-01-09 | 2020-06-05 | 西安交通大学 | 一种不等环宽金属膜超振荡环带片设计方法 |
CN111444569A (zh) * | 2020-04-01 | 2020-07-24 | 南通大学 | 一种基于改进粒子群算法的梁结构测点优化方法 |
CN111736618A (zh) * | 2020-06-28 | 2020-10-02 | 清华大学 | 一种无人摩托转向控制参数整定方法和装置 |
CN111859525A (zh) * | 2020-06-02 | 2020-10-30 | 北京航空航天大学 | 机载分布式pos布局优化方法和装置 |
CN111898206A (zh) * | 2020-07-30 | 2020-11-06 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
CN112082552A (zh) * | 2020-07-11 | 2020-12-15 | 西北工业大学太仓长三角研究院 | 基于改进的混合粒子群优化算法的无人机航迹规划方法 |
CN112397199A (zh) * | 2020-11-30 | 2021-02-23 | 广东德澳智慧医疗科技有限公司 | 一种基于5g和区块链的大数据疾病预测系统 |
WO2021051920A1 (zh) * | 2019-09-17 | 2021-03-25 | 华为技术有限公司 | 模型优化方法、装置、存储介质及设备 |
CN112836427A (zh) * | 2021-01-14 | 2021-05-25 | 西北工业大学 | 基于改进遗传算法的航空发动机最低油耗控制优化方法 |
CN113283645A (zh) * | 2021-05-14 | 2021-08-20 | 大连海事大学 | 一种基于并行混合群智能优化的交通流分配方法 |
CN113644933A (zh) * | 2021-09-29 | 2021-11-12 | 中南大学 | 基于粒子群与遗传算法的自适应直接序列扩频通信方法、系统和介质 |
US20210373888A1 (en) * | 2019-08-29 | 2021-12-02 | Huazhong University Of Science And Technology | Multi-objective optimization method and system for master production plan of casting parallel workshops |
CN113836791A (zh) * | 2021-08-28 | 2021-12-24 | 西安交通大学 | 一种基于遗传算法的移动半隐式粒子法关键参数优化方法 |
CN113836706A (zh) * | 2021-09-07 | 2021-12-24 | 西南林业大学 | 一种数控加工参数优化方法及存储介质 |
CN113905386A (zh) * | 2021-09-04 | 2022-01-07 | 西北工业大学 | 一种基于自适应混合粒子群算法的Mesh网关部署优化方法 |
CN113989062A (zh) * | 2021-11-18 | 2022-01-28 | 中国船舶重工集团公司第七0四研究所 | 深海采矿综合控制系统资源调度优化方法 |
CN114326649A (zh) * | 2022-01-13 | 2022-04-12 | 福州大学 | 基于遗传算法与粒子群算法相结合的流水车间调度方法 |
CN114357577A (zh) * | 2021-12-27 | 2022-04-15 | 浙江交工宏途交通建设有限公司 | 一种独塔单索面斜拉桥桥塔锚固区环向预应力束配置与优化方法 |
CN114399043A (zh) * | 2021-06-16 | 2022-04-26 | 北京理工大学 | 一种基于非支配排序粒子群遗传算法的车辆位置路由方法 |
CN114580306A (zh) * | 2022-04-24 | 2022-06-03 | 锦浪科技股份有限公司 | 一种基于改进pso算法的反激式变压器设计方法 |
CN114627877A (zh) * | 2022-05-09 | 2022-06-14 | 杭州海康威视数字技术股份有限公司 | 基于定向目标的智能语音识别安全防御方法、装置和设备 |
CN117332700A (zh) * | 2023-11-22 | 2024-01-02 | 长春设备工艺研究所 | 一种生产线布局优化及智能物流安全性仿真方法 |
US12032571B2 (en) | 2019-09-17 | 2024-07-09 | Huawei Cloud Computing Technologies Co., Ltd. | AI model optimization method and apparatus |
-
2018
- 2018-02-05 CN CN201810110235.4A patent/CN108399451A/zh active Pending
Cited By (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102124B (zh) * | 2018-08-24 | 2021-07-20 | 山东师范大学 | 基于分解的动态多目标多路径诱导方法、系统及存储介质 |
CN109102124A (zh) * | 2018-08-24 | 2018-12-28 | 山东师范大学 | 基于分解的动态多目标多路径诱导方法、系统及存储介质 |
CN109389206A (zh) * | 2018-09-26 | 2019-02-26 | 大连大学 | 基于非支配排序的混合蝙蝠算法的dna编码序列优化方法 |
CN109472060B (zh) * | 2018-10-17 | 2023-03-07 | 中国运载火箭技术研究院 | 一种面向组件的飞行器总体双循环优化方法及系统 |
CN109472060A (zh) * | 2018-10-17 | 2019-03-15 | 中国运载火箭技术研究院 | 一种面向组件的飞行器总体双循环优化方法及系统 |
CN109543226A (zh) * | 2018-10-22 | 2019-03-29 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
CN109543226B (zh) * | 2018-10-22 | 2023-03-21 | 华南理工大学 | 一种用于空间结构的混合智能优化方法 |
CN109657274A (zh) * | 2018-11-16 | 2019-04-19 | 广东省建筑设计研究院 | 建筑结构中基于粒子群优化算法的弦支穹顶索力优化方法 |
CN109657274B (zh) * | 2018-11-16 | 2023-08-29 | 广东省建筑设计研究院 | 建筑结构中基于粒子群优化算法的弦支穹顶索力优化方法 |
CN109784468B (zh) * | 2019-02-01 | 2023-04-07 | 石家庄飞机工业有限责任公司 | 基于psoa算法的通航物流配载效能优化方法 |
CN109784468A (zh) * | 2019-02-01 | 2019-05-21 | 石家庄飞机工业有限责任公司 | 基于psoa算法的通航物流配载效能优化方法 |
CN110058635A (zh) * | 2019-04-22 | 2019-07-26 | 西安工业大学 | 基于改进粒子群算法与模糊算法相结合的mppt方法 |
CN110263906B (zh) * | 2019-06-24 | 2022-09-06 | 中国科学技术大学 | 非对称负相关搜索方法 |
CN110263906A (zh) * | 2019-06-24 | 2019-09-20 | 中国科学技术大学 | 非对称负相关搜索方法 |
CN110428043A (zh) * | 2019-07-11 | 2019-11-08 | 燕山大学 | 基于粒子群算法的神经元群模型参数自适应优化方法 |
CN110458276A (zh) * | 2019-07-23 | 2019-11-15 | 浙江吉利汽车研究院有限公司 | 基于多目标粒子群算法的车辆控制参数标定方法、装置和设备 |
CN110458276B (zh) * | 2019-07-23 | 2022-07-08 | 浙江吉利汽车研究院有限公司 | 基于多目标粒子群算法的车辆控制参数标定方法、装置和设备 |
US20210373888A1 (en) * | 2019-08-29 | 2021-12-02 | Huazhong University Of Science And Technology | Multi-objective optimization method and system for master production plan of casting parallel workshops |
US12032571B2 (en) | 2019-09-17 | 2024-07-09 | Huawei Cloud Computing Technologies Co., Ltd. | AI model optimization method and apparatus |
WO2021051920A1 (zh) * | 2019-09-17 | 2021-03-25 | 华为技术有限公司 | 模型优化方法、装置、存储介质及设备 |
CN111030498A (zh) * | 2019-12-10 | 2020-04-17 | 中铁电气化局集团有限公司 | 级联h桥逆变器的调制波的补偿方法 |
CN111027782A (zh) * | 2019-12-25 | 2020-04-17 | 安徽建筑大学 | 基于无中心遗传算法的建筑二次供水优化调度方法及装置 |
CN111027782B (zh) * | 2019-12-25 | 2020-11-06 | 安徽建筑大学 | 基于无中心遗传算法的建筑二次供水优化调度方法及装置 |
CN111222287A (zh) * | 2020-01-09 | 2020-06-02 | 西安交通大学 | 一种不等环宽介质超振荡环带片设计方法 |
CN111222287B (zh) * | 2020-01-09 | 2022-04-05 | 西安交通大学 | 一种不等环宽介质超振荡环带片设计方法 |
CN111240011A (zh) * | 2020-01-09 | 2020-06-05 | 西安交通大学 | 一种不等环宽金属膜超振荡环带片设计方法 |
CN111444569A (zh) * | 2020-04-01 | 2020-07-24 | 南通大学 | 一种基于改进粒子群算法的梁结构测点优化方法 |
CN111859525A (zh) * | 2020-06-02 | 2020-10-30 | 北京航空航天大学 | 机载分布式pos布局优化方法和装置 |
CN111859525B (zh) * | 2020-06-02 | 2023-08-04 | 北京航空航天大学 | 机载分布式pos布局优化方法和装置 |
CN111736618A (zh) * | 2020-06-28 | 2020-10-02 | 清华大学 | 一种无人摩托转向控制参数整定方法和装置 |
CN111736618B (zh) * | 2020-06-28 | 2021-08-10 | 清华大学 | 一种无人摩托转向控制参数整定方法和装置 |
CN112082552A (zh) * | 2020-07-11 | 2020-12-15 | 西北工业大学太仓长三角研究院 | 基于改进的混合粒子群优化算法的无人机航迹规划方法 |
CN111898206B (zh) * | 2020-07-30 | 2024-04-12 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
CN111898206A (zh) * | 2020-07-30 | 2020-11-06 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
CN112397199B (zh) * | 2020-11-30 | 2021-08-13 | 广东德澳智慧医疗科技有限公司 | 一种基于5g和区块链的大数据疾病预测系统 |
CN112397199A (zh) * | 2020-11-30 | 2021-02-23 | 广东德澳智慧医疗科技有限公司 | 一种基于5g和区块链的大数据疾病预测系统 |
CN112836427A (zh) * | 2021-01-14 | 2021-05-25 | 西北工业大学 | 基于改进遗传算法的航空发动机最低油耗控制优化方法 |
CN113283645A (zh) * | 2021-05-14 | 2021-08-20 | 大连海事大学 | 一种基于并行混合群智能优化的交通流分配方法 |
CN113283645B (zh) * | 2021-05-14 | 2023-11-07 | 大连海事大学 | 一种基于并行混合群智能优化的交通流分配方法 |
CN114399043A (zh) * | 2021-06-16 | 2022-04-26 | 北京理工大学 | 一种基于非支配排序粒子群遗传算法的车辆位置路由方法 |
CN114399043B (zh) * | 2021-06-16 | 2024-06-04 | 北京理工大学 | 一种基于非支配排序粒子群遗传算法的车辆位置路由方法 |
CN113836791A (zh) * | 2021-08-28 | 2021-12-24 | 西安交通大学 | 一种基于遗传算法的移动半隐式粒子法关键参数优化方法 |
CN113905386B (zh) * | 2021-09-04 | 2022-09-06 | 西北工业大学 | 一种基于自适应混合粒子群算法的Mesh网关部署优化方法 |
CN113905386A (zh) * | 2021-09-04 | 2022-01-07 | 西北工业大学 | 一种基于自适应混合粒子群算法的Mesh网关部署优化方法 |
CN113836706A (zh) * | 2021-09-07 | 2021-12-24 | 西南林业大学 | 一种数控加工参数优化方法及存储介质 |
CN113644933A (zh) * | 2021-09-29 | 2021-11-12 | 中南大学 | 基于粒子群与遗传算法的自适应直接序列扩频通信方法、系统和介质 |
CN113989062A (zh) * | 2021-11-18 | 2022-01-28 | 中国船舶重工集团公司第七0四研究所 | 深海采矿综合控制系统资源调度优化方法 |
CN114357577A (zh) * | 2021-12-27 | 2022-04-15 | 浙江交工宏途交通建设有限公司 | 一种独塔单索面斜拉桥桥塔锚固区环向预应力束配置与优化方法 |
CN114326649B (zh) * | 2022-01-13 | 2024-02-06 | 福州大学 | 基于遗传算法与粒子群算法相结合的流水车间调度方法 |
CN114326649A (zh) * | 2022-01-13 | 2022-04-12 | 福州大学 | 基于遗传算法与粒子群算法相结合的流水车间调度方法 |
CN114580306A (zh) * | 2022-04-24 | 2022-06-03 | 锦浪科技股份有限公司 | 一种基于改进pso算法的反激式变压器设计方法 |
CN114627877A (zh) * | 2022-05-09 | 2022-06-14 | 杭州海康威视数字技术股份有限公司 | 基于定向目标的智能语音识别安全防御方法、装置和设备 |
CN117332700A (zh) * | 2023-11-22 | 2024-01-02 | 长春设备工艺研究所 | 一种生产线布局优化及智能物流安全性仿真方法 |
CN117332700B (zh) * | 2023-11-22 | 2024-03-15 | 长春设备工艺研究所 | 一种生产线布局优化及智能物流安全性仿真方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399451A (zh) | 一种结合遗传算法的混合粒子群优化算法 | |
CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN111814251B (zh) | 基于贝叶斯自适应共振的多目标多模态粒子群优化方法 | |
CN108846472A (zh) | 一种自适应遗传粒子群混合算法的优化方法 | |
Xu et al. | An efficient hybrid multi-objective particle swarm optimization with a multi-objective dichotomy line search | |
CN115470704B (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
CN111310883A (zh) | 一种求解高维优化问题的改进粒子群算法 | |
CN109613914B (zh) | 一种蜘蛛群居算法的机器人路径规划方法 | |
Zhang et al. | A nature-inspired multi-objective optimisation strategy based on a new reduced space searching algorithm for the design of alloy steels | |
Wang et al. | Ensemble particle swarm optimization and differential evolution with alternative mutation method | |
CN110490326A (zh) | 一种自适应多变异策略的差分进化方法及系统 | |
CN109670655B (zh) | 一种电力系统多目标粒子群优化调度方法 | |
Zhang et al. | Probability-optimal leader comprehensive learning particle swarm optimization with Bayesian iteration | |
CN113033086A (zh) | 一种改进的约束多目标优化问题求解方法 | |
CN114757322A (zh) | 一种多样搜索策略离散粒子群算法 | |
CN113569483A (zh) | 基于人工蜂群算法求解多目标柔性作业车间调度的方法 | |
CN110399697B (zh) | 基于改进遗传学习粒子群算法的飞行器的控制分配方法 | |
Peng et al. | A new fuzzy adaptive simulated annealing genetic algorithm and its convergence analysis and convergence rate estimation | |
CN110766125A (zh) | 一种基于人工鱼群算法的多目标武器——目标分配方法 | |
CN117516548B (zh) | 一种自主移动机器人的路径规划方法 | |
CN110569959A (zh) | 基于协同变异方法的多目标粒子群优化算法 | |
CN113205172A (zh) | 一种基于自适应知识迁移的多任务演化算法 | |
CN105334730B (zh) | 加热炉氧含量的iga优化t‑s模糊arx建模方法 | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
CN110210072A (zh) | 基于近似模型及差分进化算法求解高维优化问题的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180814 |