CN112529143A - 一种目标邻居学习粒子群优化方法 - Google Patents
一种目标邻居学习粒子群优化方法 Download PDFInfo
- Publication number
- CN112529143A CN112529143A CN202011580083.8A CN202011580083A CN112529143A CN 112529143 A CN112529143 A CN 112529143A CN 202011580083 A CN202011580083 A CN 202011580083A CN 112529143 A CN112529143 A CN 112529143A
- Authority
- CN
- China
- Prior art keywords
- particle
- particles
- fitness value
- learning
- population
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 137
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004992 fission Effects 0.000 claims abstract description 10
- 238000010187 selection method Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 34
- 230000006870 function Effects 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种目标邻居学习粒子群优化方法,包括如下步骤:1,初始化种群;2,计算初始化后的种群的粒子的适应度值并对粒子进行排序;3,随机挑选一个排序后的粒子作为第一学习对象;4,对所述第一学习对象使用裂变选择法挑选出第二学习对象;5,根据所述第二学习对象更新粒子的位置信息以及速度信息;6,重新计算每一个粒子的适应度值,并根据每一个所述粒子的适应度值对粒子的个体极值和粒子群体的群体极值进行更新赋值;7,判断迭代次数是否达到设置的最大迭代次数,如果达到最大迭代次数则终止运行,否则,重复步骤2至步骤7。本发明可以克服现有PSO算法以及CLPSO算法在优化复杂高维多模函数时均容易陷入局部最优的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种目标邻居学习粒子群优化方法。
背景技术
PSO(Particle swarm optimization,粒子群优化)算法是由Kennedy和Eberhart于1995年提出的一种模拟鸟群觅食行为的种群智能优化算法。PSO算法首先在一定的解空间内随机初始化粒子群体,然后通过不断地迭代去寻找最优解。在每一次的迭代中,粒子通过追踪个体极值和全局极值来不断更新自己的位置和速度,直至找到最优解。粒子群中的每一个粒子都代表一个问题的可能解,通过粒子个体的简单行为,群体内的信息交互实现问题求解的智能性。由于PSO操作简单、收敛速度快,因此在函数优化、图像处理、大地测量等众多领域都得到了广泛的应用。随着应用范围的扩大,POS算法存在容易发生早熟以及收敛速度慢的缺点。
而CLPSO(Comprehensive Learning Particle Swarm Optimization algorithm,全面学习)算法则是对PSO算法的一种改进算法,其主要针对多峰优化函数的求解,能够克服PSO算法所存在的容易发生早熟、收敛速度慢的缺点。
然而PSO算法以及CLPSO算法在优化复杂高维多模函数时均容易陷入局部最优,有待改进。
发明内容
基于此,为了解决现有PSO算法以及CLPSO算法在优化复杂高维多模函数时均容易陷入局部最优的问题,本发明提供了一种目标邻居学习粒子群优化方法,其具体技术方案如下:
一种目标邻居学习粒子群优化方法,其包括如下步骤:
步骤1,初始化种群;
步骤2,计算初始化后的种群的粒子的适应度值,并根据所述初始化后的种群的粒子的适应度值对粒子进行排序;
步骤3,随机挑选一个排序后的粒子xi作为第一学习对象;
步骤4,对所述第一学习对象使用裂变选择法挑选出第二学习对象;
步骤5,根据所述第二学习对象更新粒子的位置信息以及速度信息;
步骤6,重新计算每一个粒子的适应度值,并根据每一个所述粒子的适应度值对粒子的个体极值和粒子群体的群体极值进行更新赋值;
步骤7,判断迭代次数是否达到设置的最大迭代次数,如果达到最大迭代次数则终止运行,否则,重复步骤2至步骤7。
上述目标邻居学习粒子群优化方法通过引入裂变选择法挑选出第二学习对象,并根据所述第二学习对象更新粒子的位置信息以及速度信息,可以增加学习样本的多样性和随机性,克服现有PSO算法以及CLPSO算法在优化复杂高维多模函数时均容易陷入局部最优的问题。
进一步地,在步骤1中,所述种群为在给定的[xmax,xmin]范围内随机生成的NP个维度为D的初始种群xi(i=1,2,...,NP),其中i是粒子的序列,NP是种群的数量。
进一步地,在步骤2中,所述粒子根据所述初始化后的种群的粒子的适应度值对粒子由大至小进行排序。
进一步地,在步骤4中,对所述第一学习对象使用裂变选择法挑选出第二学习对象的具体方法为:
步骤4a,随机选择一个排在粒子xi之后的粒子x(i+n);
步骤4c,计算两个新的粒子的适应度值,并比较两个新的粒子的适应度值是否优于粒子x(i+n))的适应度值,若仅有一个粒子的适应度值优于粒子x(i+n)的适应度值,则选择所述粒子作为第二学习对象,若两个新的粒子的适应度值均优于粒子x(i+n)的适应度值,则在两个新的粒子中随机挑选一个作为第二学习对象,若两个新的粒子的适应度值均不优于粒子(i+n)的适应度值,则选择粒子x(i+n)作为第二学习对象。
进一步地,在步骤5中,粒子的位置信息以及速度信息更新方程分别为xi(t+1)=xi(t)+vi(t+1)以及vi(t+1)=ω(t)*vi(t)+c*r*(pbestei(t)-xi(t));
其中,ω0=0.9,ω1=0.9,t是当前迭代次数,Niter是最大迭代次数,c1和c2是经过轮盘赌随机选择的最佳数值,i是粒子的序列,r是随机数,xi(t)是粒子的位置信息,vi(t)是粒子的速度信息,pbestei(t)表示第二学习对象。
进一步地,c1=0.7,c2=0.1。
进一步地,初始种群xi(i=1,2,...,NP)的生成方程为:x=rand(NP,D)*(xmax-xmin)+xmin。
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时实现如上述所述的目标邻居学习粒子群优化方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1是本发明一实施例中一种目标邻居学习粒子群优化方法的整体流程示意图;
图2是本发明一实施例中所述一种目标邻居学习粒子群优化方法与PSO算法以及CLPSO算法在多峰测试函数的收敛过程曲线图一;
图3是本发明一实施例中为本发明一实施例所述目标邻居学习粒子群优化方法与PSO算法以及CLPSO算法在多峰测试函数的收敛过程曲线图二。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明。应当理解的是,此处所描述的具体实施方式仅用以解释本发明,并不限定本发明的保护范围。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序,仅仅是用于名称的区分。
如图1所示,本发明一实施例中一种目标邻居学习粒子群优化方法,其包括如下步骤:
步骤1,初始化种群;
步骤2,计算初始化后的种群的粒子的适应度值,并根据所述初始化后的种群的粒子的适应度值对粒子进行排序;
步骤3,随机挑选一个排序后的粒子xi作为第一学习对象;
步骤4,对所述第一学习对象使用裂变选择法挑选出第二学习对象;
步骤5,根据所述第二学习对象更新粒子的位置信息以及速度信息;
步骤6,重新计算每一个粒子的适应度值,并根据每一个所述粒子的适应度值对粒子的个体极值和粒子群体的群体极值进行更新赋值;
步骤7,判断迭代次数是否达到设置的最大迭代次数,如果达到最大迭代次数则终止运行,否则,重复步骤2至步骤7。
上述目标邻居学习粒子群优化方法通过引入裂变选择法挑选出第二学习对象,并根据所述第二学习对象更新粒子的位置信息以及速度信息,可以增加学习样本的多样性和随机性,克服现有PSO算法以及CLPSO算法在优化复杂高维多模函数时均容易陷入局部最优的问题,避免算法陷入局部最优。
在其中一个实施例中,在步骤1中,所述种群为在给定的[xmax,xmin]范围内随机生成的NP个维度为D的初始种群xi(i=1,2,...,NP),其中i是粒子的序列,NP是种群的数量。
在其中一个实施例中,在步骤2中,所述粒子根据所述初始化后的种群的粒子的适应度值对粒子由大至小进行排序。
在其中一个实施例中,在步骤4中,对所述第一学习对象使用裂变选择法挑选出第二学习对象的具体方法为:
步骤4a,随机选择一个排在粒子xi之后的粒子x(i+n);
步骤4c,计算两个新的粒子的适应度值,并比较两个新的粒子的适应度值是否优于粒子x(i+n))的适应度值,若仅有一个粒子的适应度值优于粒子x(i+n)的适应度值,则选择所述粒子作为第二学习对象,若两个新的粒子的适应度值均优于粒子x(i+n)的适应度值,则在两个新的粒子中随机挑选一个作为第二学习对象,若两个新的粒子的适应度值均不优于粒子(i+n)的适应度值,则选择粒子x(i+n)作为第二学习对象。
通过多次选择最优学习对象,使得所述目标邻居学习粒子群优化方法的收敛精度和收敛的速度更快,提升了所述目标邻居学习粒子群优化方法的优化性能。所述目标邻居学习粒子群优化方法优化后的结果无需人工进行修正和调整,其应用前景广泛。
在其中一个实施例中,在步骤5中,粒子的位置信息以及速度信息更新方程分别为xi(t+1)=xi(t)+vi(t+1)以及vi(t+1)=ω(t)*vi(t)+c*r*(pbestei(t)-xi(t));
其中,ω0=0.9,ω1=0.9,t是当前迭代次数,Niter是最大迭代次数,c1和c2是经过轮盘赌随机选择的最佳数值,i是粒子的序列,r是随机数,xi(t)是粒子的位置信息,vi(t)是粒子的速度信息,pbestei(t)表示第二学习对象。
在其中一个实施例中,c1=0.7,c2=0.1。
在其中一个实施例中,初始种群xi(i=1,2,...,NP)的生成方程为:x=rand(NP,D)*(xmax-xmin)+xmin。
图2以及图3为本发明一实施例所述目标邻居学习粒子群改进ONLPSO(objectiveneighbor learning Particle swarm optimization)方法与PSO算法以及CLPSO(Comprehensive Learning Particle swarm optimization,综合学习粒子群优化)算法在多峰测试函数的收敛过程曲线图。从图2以及图3可以看出,本发明所述目标邻居学习粒子群优化方法的初始点已经有优于PSO算法和CLPSO算法的趋势。在后期,本发明所述目标邻居学习粒子群优化方法能很好地跳出局部最优解,而且其收敛速度非常快,达到相同精度的迭代次数明显少于其他两种算法。另外,本发明一实施例所述目标邻居学习粒子群优化方法收敛过程较快,显示了其良好的鲁棒性能。
如图3所示,本发明一实施例所述目标邻居学习粒子群优化方法寻找到的最优解要优于采用PSO算法或其改进算法CLPSO算法找到的最优解,也即本发明一实施例中所述目标邻居学习粒子群优化方法可以使得到的最优解更加优化,并且具有更强的跳出局部最优解的能力。
在其中一个实施例中,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时实现如上述所述的目标邻居学习粒子群优化方法。
综上所述,本发明所述目标邻居学习粒子群优化方法通过引入裂变选择法挑选出第二学习对象,并根据所述第二学习对象更新粒子的位置信息以及速度信息,可以增加学习样本的多样性和随机性,克服现有改进粒子群算法在优化复杂高维多模函数时容易陷入局部最优的问题,避免算法陷入局部最优。与传统的PSO算法和其改进算法CLPSO相比较,使用本发明所述目标邻居学习粒子群优化方法进行数值优化计算时,其收敛速度更快且能更好地跳出局部最优值,能够又快又准的寻找到全局最优值,有效地提升了优化性能;
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种目标邻居学习粒子群优化方法,其特征在于,包括如下步骤:
步骤1,初始化种群;
步骤2,计算初始化后的种群的粒子的适应度值,并根据所述初始化后的种群的粒子的适应度值对粒子进行排序;
步骤3,随机挑选一个排序后的粒子xi作为第一学习对象;
步骤4,对所述第一学习对象使用裂变选择法挑选出第二学习对象;
步骤5,根据所述第二学习对象更新粒子的位置信息以及速度信息;
步骤6,重新计算每一个粒子的适应度值,并根据每一个所述粒子的适应度值对粒子的个体极值和粒子群体的群体极值进行更新赋值;
步骤7,判断迭代次数是否达到设置的最大迭代次数,如果达到最大迭代次数则终止运行,否则,重复步骤2至步骤7。
2.如权利要求1所述的一种目标邻居学习粒子群优化方法,其特征在于,在步骤1中,所述种群为在给定的[xmax,xmin]范围内随机生成的NP个维度为D的初始种群xi(i=1,2,...,NP),其中i是粒子的序列,NP是种群的数量。
3.如权利要求2所述的一种目标邻居学习粒子群优化方法,其特征在于,在步骤2中,所述粒子根据所述初始化后的种群的粒子的适应度值对粒子由大至小进行排序。
4.如权利要求3所述的一种目标邻居学习粒子群优化方法,其特征在于,在步骤4中,对所述第一学习对象使用裂变选择法挑选出第二学习对象的具体方法为:
步骤4a,随机选择一个排在粒子xi之后的粒子x(i+n);
步骤4c,计算两个新的粒子的适应度值,并比较两个新的粒子的适应度值是否优于粒子x(i+n))的适应度值,若仅有一个粒子的适应度值优于粒子x(i+n)的适应度值,则选择所述粒子作为第二学习对象,若两个新的粒子的适应度值均优于粒子x(i+n)的适应度值,则在两个新的粒子中随机挑选一个作为第二学习对象,若两个新的粒子的适应度值均不优于粒子(i+n)的适应度值,则选择粒子x(i+n)作为第二学习对象。
6.如权利要求5所述的一种目标邻居学习粒子群优化方法,其特征在于,c1=0.7,c2=0.1。
7.如权利要求6所述的一种目标邻居学习粒子群优化方法,其特征在于,初始种群xi(i=1,2,...,NP)的生成方程为:x=rand(NP,D)*(xmax-xmin)+xmin。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时实现如上述权利要求1至7中任何一项所述的目标邻居学习粒子群优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580083.8A CN112529143A (zh) | 2020-12-28 | 2020-12-28 | 一种目标邻居学习粒子群优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580083.8A CN112529143A (zh) | 2020-12-28 | 2020-12-28 | 一种目标邻居学习粒子群优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529143A true CN112529143A (zh) | 2021-03-19 |
Family
ID=74976896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011580083.8A Pending CN112529143A (zh) | 2020-12-28 | 2020-12-28 | 一种目标邻居学习粒子群优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529143A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169229A (zh) * | 2022-06-29 | 2022-10-11 | 广州海洋地质调查局 | 一种关于非线性反演的退火型粒子群方法 |
-
2020
- 2020-12-28 CN CN202011580083.8A patent/CN112529143A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169229A (zh) * | 2022-06-29 | 2022-10-11 | 广州海洋地质调查局 | 一种关于非线性反演的退火型粒子群方法 |
CN115169229B (zh) * | 2022-06-29 | 2023-04-18 | 广州海洋地质调查局 | 一种海底底质类型的划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389211B (zh) | 基于改进鲸鱼优化模糊聚类的图像分割方法 | |
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
Tran et al. | Overview of particle swarm optimisation for feature selection in classification | |
CN112887994B (zh) | 基于改进二进制粒子群的无线传感器网络优化方法及应用 | |
Brajevic et al. | Multilevel image thresholding selection based on the cuckoo search algorithm | |
Ajibade et al. | A hybrid chaotic particle swarm optimization with differential evolution for feature selection | |
CN113435108A (zh) | 一种基于改进的鲸鱼优化算法的战场目标分群方法 | |
CN112529143A (zh) | 一种目标邻居学习粒子群优化方法 | |
CN114580763A (zh) | 一种基于改进蜻蜓与轻量级梯度提升树模型的电力负荷预测方法 | |
Nabizadeh et al. | A novel method for multi-level image thresholding using particle swarm Optimization algorithms | |
Urade et al. | Study and analysis of particle swarm optimization: a review | |
Lin et al. | A new density-based scheme for clustering based on genetic algorithm | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
Zhang et al. | AFOA: an adaptive fruit fly optimization algorithm with global optimizing ability | |
CN115526267A (zh) | 一种配电网运行场景提取方法及装置 | |
JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
CN113344140A (zh) | 一种基于剪枝条件的不确定数据序列扫描方法及系统 | |
CN112488773A (zh) | 智能电视用户分类方法、计算机设备及存储介质 | |
CN112446435A (zh) | 一种城市数据分类方法及系统 | |
CN111461282A (zh) | 一种基于改进量子行为粒子群算法的模型辨识方法 | |
Tran et al. | An improved approach of particle swarm optimization and application in data clustering | |
CN110942346A (zh) | 一种基于粒子群算法的建筑工程造价动态化估算方法 | |
CN109727150B (zh) | 一种用于多人在线学习平台的社区识别方法 | |
CN114300038B (zh) | 基于改进生物地理学优化算法的多序列比对方法及系统 | |
Yu et al. | Genetic-based K-means algorithm for selection of feature variables |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |
|
RJ01 | Rejection of invention patent application after publication |