CN112949154A - 并行异步粒子群优化方法、系统及电子设备 - Google Patents
并行异步粒子群优化方法、系统及电子设备 Download PDFInfo
- Publication number
- CN112949154A CN112949154A CN202110296370.4A CN202110296370A CN112949154A CN 112949154 A CN112949154 A CN 112949154A CN 202110296370 A CN202110296370 A CN 202110296370A CN 112949154 A CN112949154 A CN 112949154A
- Authority
- CN
- China
- Prior art keywords
- particle
- group
- value
- historical
- optimal value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种并行异步粒子群优化方法、系统及电子设备，所述并行异步粒子群优化方法包括：为将待优化的目标建立适应度函数，用于衡量决策变量；将粒子团分组，并随机初始化各粒子组中粒子的初始位置、最优值及多样性的寻优参数；为各粒子组建立信息共享机制，用于共享各粒子组的最优值；将各粒子组布置到不同CPU核上进行分布式并行迭代计算，并根据信息共享机制对粒子团的历史最优值进行异步更新；当全局迭代次数大于等于迭代次数阈值时，结束各粒子组的迭代更新，输出粒子团的最优值作为最终优化结果。本发明同传统粒子群算法相比，提高了算法的寻优性能及鲁棒性，降低了算法计算量，提升了算法运算效率，可以适用于各复杂的优化场景。
Description
技术领域
本发明涉及优化领域，特别是涉及非凸、非连续、不可导函数的优化领域。
背景技术
优化技术对于社会各领域的发展至关重要，例如在发动机设计领域，通过对发动机各个部件的优化设计，可以使得发动机的效率更高，排放更低；又如在电力调度领域，通过对不同负载下多个发电机的功率输出组合进行优化，可以提高能源利用率，增加经济效益。
优化技术主要可以分为以下两种：基于梯度信息的优化算法，如随机梯度下降算法；不基于梯度信息的智能优化算法，如粒子群优化算法，遗传算法，模拟退火算法等等。基于梯度信息的优化算法要求待优化的函数是可导的，这使得这类算法在目标函数不可导的优化领域不可使用。其次，由于极值点和鞍点的存在，基于梯度信息的优化算法常常会陷入局部最优。为了能解决此类复杂的优化问题，不基于梯度信息的智能优化算法便由此诞生。在此类算法中，粒子群优化算法(Particle Swarm Optimization，PSO)因优良的算法性能、深邃的仿生学原理及简单的算法实施性而受到广泛关注。但由于粒子群算法固有的随机性探索方式，算法并不能保证每次迭代都能收敛到最优解。此外，粒子群算法的寻优能力与粒子个数息息相关，为获得更好的优化结果，往往需要更庞大的粒子群体，这便带来了巨大的计算量，这一缺陷在高维优化空间中更加明显。
经过对现有技术的公开文献检索发现，文献B.Niu，Y.Zhu，X.He，H.Wu，Mcpso：Amulti-swarm cooperative particle swarm optimizer，Applied mathematics andcomputation 185(2)(2007)1050-1062.的作者提出了一种改进式的主从结构粒子群优化算法(MCPSO)以提升粒子群优化算法的寻优能力。但由于从群之间缺乏信息交互，该算法的寻优性能有待进一步提升。此外，由于缺乏信息交互，该算法需要保持各种群的粒子基数，因而该算法的计算量相对于普通粒子群算法而言更大，计算时间更长，因此无法应用于需要快速求解最优解的场景。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种并行异步粒子群优化方法、系统及电子设备，用于解决现有优化技术寻优能力低，鲁棒性差，计算量大，运算模式性能低下的技术问题。
为实现上述目的及其他相关目的，本发明提供一种并行异步粒子群优化方法，包括：为将待优化的目标建立适应度函数，用于衡量决策变量；将粒子团分组，并随机初始化各粒子组中粒子的初始位置、最优值及多样性的寻优参数；为各粒子组建立信息共享机制，用于共享各粒子组的最优值；将各粒子组布置到不同CPU核上进行分布式并行迭代计算，并根据信息共享机制对粒子团的历史最优值进行异步更新；当全局迭代次数大于等于迭代次数阈值时，结束各粒子组的迭代更新，输出粒子团的最优值作为最终优化结果。
于本发明的一实施例中，所述最优值包括：各粒子的历史最优值，各粒子组的历史最优值，粒子团的历史最优值。
于本发明的一实施例中，所述将各粒子组布置到不同CPU核上进行分布式并行迭代计算的一种实现方式为：根据适应度函数计算每个粒子当前位置的适应值；将每个粒子的当前位置的适应值与该粒子的历史最优值比较：若当前位置的适应值优于历史最优值，令该粒子的历史最优值等于其当前适应值，并在每个粒子组中将每个粒子的历史最优值与该组的历史最优值进行比较，若某一粒子的历史最优值优于该粒子所属组的历史最优值，便令该粒子所属组的历史最优值等于该粒子的历史最优值；根据各组的历史最优值，通过信息共享机制，异步更新该粒子团的团体最优值；根据各粒子的历史最优值、该粒子所属组的历史最优值、粒子团的历史最优值以及该组的寻优参数更新粒子的速度与位置，并进入下一轮迭代。
于本发明的一实施例中，各粒子组的初始化时配置的寻优参数至少两组不同或每组均不同。
于本发明的一实施例中，所述寻优参数包括：各粒子的历史最优值的权重，各粒子组的历史最优值的权重，粒子团的历史最优值的权重，粒子速度最大值，粒子速度最小值，初始迭代惯性因子，结束迭代惯性因子。
本发明的实施例还提供一种并行异步粒子群优化系统，所述并行异步粒子群优化系统包括：函数建立模块，所述函数建立模块用于为将待优化的目标建立适应度函数，用于衡量决策变量；初始化模块，所述初始化模块用于将粒子团分组，并随机初始化各粒子组中粒子的初始位置、最优值及多样性的寻优参数；信息共享模块，所述信息共享模块为各粒子组建立信息共享机制，用于共享各粒子组的最优值；迭代计算模块，所述迭代计算模块用于将各粒子组布置到不同CPU核上进行分布式并行迭代计算，并根据信息共享机制对粒子团的历史最优值进行异步更新；结果输出模块，所述结果输出模块当全局迭代次数大于等于迭代次数阈值时，结束各粒子组的迭代更新，输出粒子团的最优值作为最终优化结果。
于本发明的一实施例中，所述最优值包括：各粒子的历史最优值，各粒子组的历史最优值，粒子团的历史最优值。
于本发明的一实施例中，所述迭代计算模块包括：适应值单元，用于根据适应度函数计算每个粒子当前位置的适应值；比较单元，用于将每个粒子的当前位置的适应值与该粒子的历史最优值比较：若当前位置的适应值优于历史最优值，令该粒子的历史最优值等于其当前适应值，并在每个粒子组中将每个粒子的历史最优值与该组的历史最优值进行比较，若某一粒子的历史最优值优于该粒子所属组的历史最优值，便令该粒子所属组的历史最优值等于该粒子的历史最优值；更新单元，用于根据各组的历史最优值，通过信息共享机制，异步更新该粒子团的团体最优值；更新迭代单元，用于根据各粒子的历史最优值、该粒子所属组的历史最优值、粒子团的历史最优值以及该组的寻优参数更新粒子的速度与位置，并进入下一轮迭代。
于本发明的一实施例中，各粒子组的初始化时配置的寻优参数至少两组不同或每组均不同；所述寻优参数包括：各粒子的历史最优值的权重，各粒子组的历史最优值的权重，粒子团的历史最优值的权重，粒子速度最大值，粒子速度最小值，初始迭代惯性因子，结束迭代惯性因子。
本发明的实施例还提供一种电子设备，包括存储器，存储计算机程序；处理器，执行所述计算机程序以实现如上所述的并行异步粒子群优化方法的步骤。
如上所述，本发明的并行异步粒子群优化方法、系统及电子设备具有以下有益效果：
本发明同传统粒子群算法相比，提高了算法的寻优性能及鲁棒性，降低了算法计算量，提升了算法运算效率，可以适用于各复杂的优化场景。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本申请一实施例中的并行异步粒子群优化方法的整体流程示意图。
图2显示为本申请一实施例中的并行异步粒子群优化方法中的信息共享机制示意图。
图3显示为本申请一实施例中的并行异步粒子群优化方法中一种多样性寻优参数设置方式示例图。
图4和图5分别显示为本申请一实施例中的并行异步粒子群优化方法采用不同适应度函数时的输出结果示意图。
图6显示为本申请一实施例中的并行异步粒子群优化系统的原理框图。
图7显示为本申请一实施例中的并行异步粒子群优化系统中迭代计算模块的原理框图。
图8显示为本申请一实施例中的电子设备的原理框图。
元件标号说明
10 电子设备
101 处理器
102 存储器
100 并行异步粒子群优化系统
110 函数建立模块
120 初始化模块
130 信息共享模块
140 迭代计算模块
141 适应值单元
142 比较单元
143 更新单元
144 更新迭代单元
150 结果输出模块
S100～S500 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本实施例的目的在于提供一种并行异步粒子群优化方法、系统及电子设备，用于解决现有优化技术寻优能力低，鲁棒性差，计算量大，运算模式性能低下的技术问题。
本实施例提供一种并行异步粒子群优化算法，将粒子群分组，并赋予各粒子组以不同的寻优参数以提高粒子群的多样性；在各组间建立信息共享机制以最大化粒子群的寻优性能；将各粒子组部署到不同CPU核上并行计算并异步更新以减少算法运算时间。本实施例的算法同传统粒子群算法相比，提高了算法的寻优性能及鲁棒性，降低了算法计算量，提升了算法运算效率，可以适用于各复杂的优化场景。
以下将详细阐述本发明的并行异步粒子群优化方法、系统及电子设备的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的并行异步粒子群优化方法、系统及电子设备。
实施例1
具体地，如图1所示，本实施例提供一种并行异步粒子群优化方法，所述并行异步粒子群优化方法包括：
步骤S100，为将待优化的目标建立适应度函数，用于衡量决策变量。
步骤S200，将粒子团分组，并随机初始化各粒子组中粒子的初始位置、最优值及多样性的寻优参数；
步骤S300，为各粒子组建立信息共享机制，用于共享各粒子组的最优值；
步骤S400，将各粒子组布置到不同CPU核上进行分布式并行迭代计算，并根据信息共享机制对粒子团的历史最优值进行异步更新；
步骤S500，当全局迭代次数大于等于迭代次数阈值时，结束各粒子组的迭代更新，输出粒子团的最优值作为最终优化结果。
以下将结合图2对本实施例的并行异步粒子群优化方法的步骤S100至步骤S500进行详细说明：
步骤S100，为将待优化的目标建立适应度函数，用于衡量决策变量。
先将待优化的目标建立数学描述f(X)，其中，f(·)为适应度函数，用于评价决策变量的好坏，X为优化问题的决策变量。
步骤S200，将粒子团分组，并随机初始化各粒子组中粒子的初始位置、最优值及多样性的寻优参数。
其中，于本实施例中，所述最优值包括：各粒子的历史最优值，各粒子组的历史最优值，粒子团的历史最优值。
于本实施例中，各粒子组初始化时配置的寻优参数至少两组不同或每组均不同，以使得各粒子组初始化时配置的寻优参数应具有多样性，增强粒子群的寻优能力。其中，所述寻优参数包括：各粒子的历史最优值的权重，各粒子组的历史最优值的权重，粒子团的历史最优值的权重，粒子速度最大值，粒子速度最小值，初始迭代惯性因子，结束迭代惯性因子。
于本实施例中，如图2所示，确定粒子团的粒子总数量m，并将粒子团平均分为N个组，并为每一个组指定一个CPU核用于该组的数据运算。然后随机生成各粒子的初始位置X，各粒子的历史最优值Pbest，各组的历史最优值Gbest，粒子团的历史最优值Tbest。若该优化问题为有约束优化问题，需要满足X，Pbest，Gbest，Tbest在可行域D中。
具体地，于本实施例中，初始化粒子团个数m＝80，并将粒子团分为N＝8组，每组粒子个数n＝10，并随机生成各粒子的初始位置X，各粒子的历史最优值Pbest，各组的历史最优值Gbest，粒子团的历史最优值Tbest。d维搜索空间中的第i个粒子的位置X可以表示为：Xi＝(Xi1，Xi2，...，Xid)；如果该问题是有约束优化问题，需满足X，Pbest，Gbest，Tbest在可行域D中。然后，为各组初始化其寻优参数粒子的历史最优值的权重C1，粒子组的历史最优值C2，粒子团的历史最优值C3，初始迭代惯性因子ωinit，结束迭代惯性因子ωend，粒子速度最大值Vmax，粒子速度最小值Vmin。为使得粒子团具有多样性，应保持每组的初始寻优参数不一致。
其中，C1，C2，C3为权重因子，用于权衡Pbest，Gbest，Tbest对粒子速度的影响，具体计算式为：
上式中，k表示第k轮迭代，i表示第i个粒子，randj表示满足高斯分布的随机数，Vi k表示第i个粒子在第k轮迭代时的速度，
表示第i个粒子在第k轮迭代时的位置，ωk为第k轮迭代时的惯性因子。为保证算法的收敛性，惯性因子应该随着迭代而线性减少：
其中，T为最大迭代次数，其值因根据待优化问题的复杂程度而定，于本实施例中，取T＝1400。
为保证粒子团的多样性从而提高粒子团对可行空间的探索能力，因保证各组初始参数互不相同。在N＝8的情况下推荐初始参数如图3所示，其中Pmax为粒子团最大速度，在有约束优化情况下，可令Pmax的值为可行域上界。需要注意的是，图3所示的初始参数并非限定本方法的初始参数只能如此，而仅用于提供一种实施方式，在组数N为其他值的情况下，只要保证各组初始化参数互不相同从而使粒子团具有多样性即可。经仿真实验验证表明，Ci∈[0，2]，ω∈(0，1)时，算法性能最优。
步骤S300，为各粒子组建立信息共享机制，用于共享各粒子组的最优值。
为各粒子组建立信息共享机制，以减少各粒子组的粒子数量，进而减少计算量。
步骤S400，将各粒子组布置到不同CPU核上进行分布式并行迭代计算，并根据信息共享机制对粒子团的历史最优值进行异步更新。
本实施例中，将各粒子组分散到不同CPU上并行计算，异步更新，以减少运算时间。
所述将各粒子组布置到不同CPU核上进行分布式并行迭代计算的一种实现方式为：
1)根据适应度函数计算每个粒子当前位置的适应值；
2)将每个粒子的当前位置的适应值与该粒子的历史最优值比较：若当前位置的适应值优于历史最优值，令该粒子的历史最优值等于其当前适应值，并在每个粒子组中将每个粒子的历史最优值与该组的历史最优值进行比较，若某一粒子的历史最优值优于该粒子所属组的历史最优值，便令该粒子所属组的历史最优值等于该粒子的历史最优值；
3)根据各组的历史最优值，通过信息共享机制，异步更新该粒子团的团体最优值；
4)根据各粒子的历史最优值、该粒子所属组的历史最优值、粒子团的历史最优值以及该组的寻优参数更新粒子的速度与位置，并进入下一轮迭代。
根据适应度函数f(X)计算每个粒子当前位置X的适应值，将每个粒子的当前适应值与这个粒子的历史最优值Pbest比较，若当前适应值优于历史最优值，便令该粒子的历史最优值等于其当前适应值；之后，在每个组中将每个粒子的历史最优值Pbest与该组的历史最优值进行Gbest比较，若某一粒子的历史最优值优于该粒子所属组的历史最优值，便令该粒子所属组的历史最优值Gbest等于该粒子的历史最优值Pbest；然后，在粒子团中，以同样的方式，根据各组的历史最优值Gbest更新该粒子团的团体最优值Tbest。最后，根据每个粒子的Pbest、该粒子所属组的Gbest、粒子团的Tbest以及该组的寻优参数：粒子的历史最优值的权重C1，粒子组的历史最优值C2，粒子团的历史最优值C3，初始迭代惯性因子ωinit，结束迭代惯性因子ωend，粒子速度最大值Vmax，粒子速度最小值Vmin更新粒子的速度与位置，并进入下一轮迭代。
具体地，于本实施例中，假设当前优化问题为极小化问题(极大化问题同理)，对于第i组的第j个粒子：
若f(Xij)＜f(Pbestij)，令Pbestij＝Xij；
若f(Pbestij)＜f(Gbesti)，令Gbesti＝Pbestij；
若f(Gbesti)＜f(Tbest)，令Tbest＝Gbesti；
之后，根据
计算本轮的惯性因子ωk，再根据公式
计算该组中各粒子的速度Vi k+1。需要注意的是，每轮迭代时，根据公式
算出的粒子速度需要被限定在Vmax和Vmin之间，以保证算法的收敛性。最后，根据公式
更新该组中每一个粒子的位置，并使全局迭代次数计数器t自增1，结束本轮迭代。
步骤S500，当全局迭代次数大于等于迭代次数阈值时，结束各粒子组的迭代更新，输出粒子团的最优值作为最终优化结果。
于本实施例中，待全局迭代次数计数器t≥T时，结束各组粒子的迭代更新，输出粒子团最优值Tbest作为最终优化结果。其中，T为最大迭代次数，即迭代次数阈值。等待算法达到最大迭代次数，结束整个寻优过程，输出该粒子团的Tbest作为该算法所求解的最优解。
所以本实施例中的并行异步粒子群优化方法将粒子数量为m的粒子团平均分为N个组，其中每个组的粒子数量
为每个组的粒子分别初始化其寻优参数以及初始位置后，将每个组分布至不同CPU核上进行运算。用贪婪算法的方式计算组内每个粒子的历史最优值Pbest及该组的历史最优值Gbest，并与粒子团的团体最优值Tbest进行异步交互与更新。同时，每个粒子根据该组的寻优参数、自己的历史最优值、该组的历史最优值和粒子团最优值来更新自己的速度与位置。通过多次迭代，输出团体最优值Tbest作为最终的寻优结果。
本实施例中的并行异步粒子群优化方法通过将粒子群分成若干组，并为不同的组赋予不同的寻优参数，提高了粒子群的多样性，提高了粒子群对可行域的探索能力。同时，本实施例中的并行异步粒子群优化方法为不同组的粒子之间建立了信息共享机制，各组所搜寻到的历史最优值Gbest可以被异步共享，这不仅可以提高算法的寻优性能，同时还能减少每组粒子的数量，降低算法的运算量。此外，本实施例中的并行异步粒子群优化方法将不同组的粒子分布到不同的CPU核上运行，因而可以极大地发挥计算机的硬件性能，同传统的粒子群算法相比，本实施例中的并行异步粒子群优化方法在提升最终结果的基础上，可将运算时间缩短3倍以上。
以下通过实验与结果分析对本实施例的并行异步粒子群优化算法的实施效果进行说明。
本实施例选取了两个难易程度不同的、常用于验证优化算法性能的标准函数来证实本实施例提供的并行异步粒子群优化算法的有效性，其分别为Sphere函数和Griewank函数。两个问题都为极小化问题。
Sphere函数：
Griewank函数：
两个函数的搜索空间都被设定为30维以增大优化难度，进而体现该发明优越的寻优性能及快速的并行计算能力。
Sphere函数和Griewank函数的实验结果分别如图4和图5所示。
其中：L1曲线为经典的粒子群算法的性能曲线；L2曲线为本发明的性能曲线；L3曲线为对公开文献检索发现的现有优化技术的性能曲线。
实验结果表明，本发明在不同难易程度下的优化性能均优于已有技术。实验中三种方法重复50次上述实验的运行时间如表1所示。
表1
| PSO | MCPSO | IDPSO | |
| Sphere函数 | 369.2秒 | 536.8秒 | 120.4秒 |
| Griewank函数 | 569.9秒 | 787.1秒 | 152.7秒 |
由表1可知，本实施例的一种并行异步粒子群优化算法，在提升了优化性能的前提下，还提升了算法的运算速度。与经典的粒子群算法相比，本实施例提供的并行异步粒子群优化算法的运算速度是其3倍左右，与已有改进方法MCPSO相比，本实施例提供的并行异步粒子群优化算法的运算速度是其5倍左右。
实施例2
如图6所示，本实施例提供一种并行异步粒子群优化系统100，所述并行异步粒子群优化系统100包括：函数建立模块110，初始化模块120，信息共享模块130，迭代计算模块140以及结果输出模块140。
于本实施例中，所述函数建立模块110用于为将待优化的目标建立适应度函数，用于衡量决策变量；
于本实施例中，所述初始化模块120用于将粒子团分组，并随机初始化各粒子组中粒子的初始位置、最优值及多样性的寻优参数；
所述最优值包括：各粒子的历史最优值，各粒子组的历史最优值，粒子团的历史最优值。
各粒子组的初始化时配置的寻优参数至少两组不同或每组均不同；
所述寻优参数包括：各粒子的历史最优值的权重，各粒子组的历史最优值的权重，粒子团的历史最优值的权重，粒子速度最大值，粒子速度最小值，初始迭代惯性因子，结束迭代惯性因子。
所述信息共享模块130为各粒子组建立信息共享机制，用于共享各粒子组的最优值.
于本实施例中，所述迭代计算模块140用于将各粒子组布置到不同CPU核上进行分布式并行迭代计算，并根据信息共享机制对粒子团的历史最优值进行异步更新。
具体地，于本实施例中，如图7所示，所述迭代计算模块140包括：适应值单元141，比较单元142，更新单元143以及更新迭代单元144。
于本实施例中，所述适应值单元141用于根据适应度函数计算每个粒子当前位置的适应值；
于本实施例中，所述比较单元142用于将每个粒子的当前位置的适应值与该粒子的历史最优值比较：若当前位置的适应值优于历史最优值，令该粒子的历史最优值等于其当前适应值，并在每个粒子组中将每个粒子的历史最优值与该组的历史最优值进行比较，若某一粒子的历史最优值优于该粒子所属组的历史最优值，便令该粒子所属组的历史最优值等于该粒子的历史最优值；
于本实施例中，所述更新单元143用于根据各组的历史最优值，通过信息共享机制，异步更新该粒子团的团体最优值。
于本实施例中，所述更新迭代单元144用于根据各粒子的历史最优值、该粒子所属组的历史最优值、粒子团的历史最优值以及该组的寻优参数更新粒子的速度与位置，并进入下一轮迭代。
于本实施例中，所述结果输出模块150当全局迭代次数大于等于迭代次数阈值时，结束各粒子组的迭代更新，输出粒子团的最优值作为最终优化结果。
本实施例的所述并行异步粒子群优化系统100具体实现的技术特征与实施例1中并行异步粒子群优化方法中的各步骤的原理基本相同，方法和系统之间可以通用的技术内容不作重复赘述。
实施例3
如图8所示，本实施例还提供一种电子设备10，所述电子设备10为但不限于智能手机、平板、智能穿戴设备、个人台式电脑、笔记本电脑、服务器以及服务器集群等。
所述电子设备10包括存储器102，用于存储计算机程序；处理器101，用于运行所述计算机程序以实现如实施例1所述的并行异步粒子群优化方法的步骤。
存储器102通过装置总线与处理器101连接并完成相互间的通信，存储器102用于存储计算机程序，处理器101用于运行计算机程序，以使所述电子设备10执行所述的并行异步粒子群优化方法。实施例1中已经对所述并行异步粒子群优化方法进行了说明，在此不再赘述。
另需说明的是，上述提到的装置总线可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该装置总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器102可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器101可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例4
本实施例提供一种存储介质，存储有程序指令，所述程序指令被处理器执行时实现实施例1中所述的并行异步粒子群优化方法的步骤。实施例1已经对所述并行异步粒子群优化方法进行了说明，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括实施例1中各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明同传统粒子群算法相比，提高了算法的寻优性能及鲁棒性，降低了算法计算量，提升了算法运算效率，可以适用于各复杂的优化场景。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种并行异步粒子群优化方法，其特征在于：包括：
为将待优化的目标建立适应度函数，用于衡量决策变量；
将粒子团分组，并随机初始化各粒子组中粒子的初始位置、最优值及多样性的寻优参数；
为各粒子组建立信息共享机制，用于共享各粒子组的最优值；
将各粒子组布置到不同CPU核上进行分布式并行迭代计算，并根据信息共享机制对粒子团的历史最优值进行异步更新；
当全局迭代次数大于等于迭代次数阈值时，结束各粒子组的迭代更新，输出粒子团的最优值作为最终优化结果。
2.根据权利要求1所述的并行异步粒子群优化方法，其特征在于：所述最优值包括：各粒子的历史最优值，各粒子组的历史最优值，粒子团的历史最优值。
3.根据权利要求1所述的并行异步粒子群优化方法，其特征在于：所述将各粒子组布置到不同CPU核上进行分布式并行迭代计算的一种实现方式为：
根据适应度函数计算每个粒子当前位置的适应值；
将每个粒子的当前位置的适应值与该粒子的历史最优值比较：
若当前位置的适应值优于历史最优值，令该粒子的历史最优值等于其当前适应值，并在每个粒子组中将每个粒子的历史最优值与该组的历史最优值进行比较，若某一粒子的历史最优值优于该粒子所属组的历史最优值，便令该粒子所属组的历史最优值等于该粒子的历史最优值；
根据各组的历史最优值，通过信息共享机制，异步更新该粒子团的团体最优值；
根据各粒子的历史最优值、该粒子所属组的历史最优值、粒子团的历史最优值以及该组的寻优参数更新粒子的速度与位置，并进入下一轮迭代。
4.根据权利要求1或3所述的并行异步粒子群优化方法，其特征在于：各粒子组的初始化时配置的寻优参数至少两组不同或每组均不同。
5.根据权利要求4所述的并行异步粒子群优化方法，其特征在于：所述寻优参数包括：各粒子的历史最优值的权重，各粒子组的历史最优值的权重，粒子团的历史最优值的权重，粒子速度最大值，粒子速度最小值，初始迭代惯性因子，结束迭代惯性因子。
6.一种并行异步粒子群优化系统，其特征在于：所述并行异步粒子群优化系统包括：
函数建立模块，所述函数建立模块用于为将待优化的目标建立适应度函数，用于衡量决策变量；
初始化模块，所述初始化模块用于将粒子团分组，并随机初始化各粒子组中粒子的初始位置、最优值及多样性的寻优参数；
信息共享模块，所述信息共享模块为各粒子组建立信息共享机制，用于共享各粒子组的最优值；
迭代计算模块，所述迭代计算模块用于将各粒子组布置到不同CPU核上进行分布式并行迭代计算，并根据信息共享机制对粒子团的历史最优值进行异步更新；
结果输出模块，所述结果输出模块用于在当全局迭代次数大于等于迭代次数阈值时，结束各粒子组的迭代更新，输出粒子团的最优值作为最终优化结果。
7.根据权利要求6所述的并行异步粒子群优化系统，其特征在于：所述最优值包括：各粒子的历史最优值，各粒子组的历史最优值，粒子团的历史最优值。
8.根据权利要求6所述的并行异步粒子群优化系统，其特征在于：所述迭代计算模块包括：
适应值单元，用于根据适应度函数计算每个粒子当前位置的适应值；
比较单元，用于将每个粒子的当前位置的适应值与该粒子的历史最优值比较：若当前位置的适应值优于历史最优值，令该粒子的历史最优值等于其当前适应值，并在每个粒子组中将每个粒子的历史最优值与该组的历史最优值进行比较，若某一粒子的历史最优值优于该粒子所属组的历史最优值，便令该粒子所属组的历史最优值等于该粒子的历史最优值；
更新单元，用于根据各组的历史最优值，通过信息共享机制，异步更新该粒子团的团体最优值；
更新迭代单元，用于根据各粒子的历史最优值、该粒子所属组的历史最优值、粒子团的历史最优值以及该组的寻优参数更新粒子的速度与位置，并进入下一轮迭代。
9.根据权利要求6或8所述的并行异步粒子群优化系统，其特征在于：各粒子组的初始化时配置的寻优参数至少两组不同或每组均不同；
所述寻优参数包括：各粒子的历史最优值的权重，各粒子组的历史最优值的权重，粒子团的历史最优值的权重，粒子速度最大值，粒子速度最小值，初始迭代惯性因子，结束迭代惯性因子。
10.一种电子设备，其特征在于：包括存储器，存储计算机程序；处理器，执行所述计算机程序以实现如权利要求1至权利要求5任一权利要求所述的并行异步粒子群优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110296370.4A CN112949154B (zh) | 2021-03-19 | 2021-03-19 | 并行异步粒子群优化方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110296370.4A CN112949154B (zh) | 2021-03-19 | 2021-03-19 | 并行异步粒子群优化方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949154A true CN112949154A (zh) | 2021-06-11 |
| CN112949154B CN112949154B (zh) | 2023-02-17 |
Family
ID=76227008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110296370.4A Active CN112949154B (zh) | 2021-03-19 | 2021-03-19 | 并行异步粒子群优化方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949154B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779856A (zh) * | 2021-09-15 | 2021-12-10 | 成都中科合迅科技有限公司 | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104037776A (zh) * | 2014-06-16 | 2014-09-10 | 国家电网公司 | 随机惯性因子粒子群优化算法的电网无功容量配置方法 |
| CN105631516A (zh) * | 2015-11-16 | 2016-06-01 | 长沙理工大学 | 基于历史经验和实时调整相结合的粒子群优化算法 |
| CN106951957A (zh) * | 2016-09-21 | 2017-07-14 | 常州信息职业技术学院 | 粒子群优化算法、多计算机并行处理方法及系统 |
| CN107015861A (zh) * | 2016-11-07 | 2017-08-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于Fork/Join框架的梯级水库群优化调度多核并行计算设计方法 |
| CN107015852A (zh) * | 2016-06-15 | 2017-08-04 | 珠江水利委员会珠江水利科学研究院 | 一种大规模梯级水电站群多核并行优化调度方法 |
| CN110555506A (zh) * | 2019-08-20 | 2019-12-10 | 武汉大学 | 一种基于群体团聚效应的梯度自适应粒子群优化方法 |
| CN110598833A (zh) * | 2019-09-16 | 2019-12-20 | 中国矿业大学 | 一种分组进化的高维粒子群寻优方法 |
-
2021
- 2021-03-19 CN CN202110296370.4A patent/CN112949154B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104037776A (zh) * | 2014-06-16 | 2014-09-10 | 国家电网公司 | 随机惯性因子粒子群优化算法的电网无功容量配置方法 |
| CN105631516A (zh) * | 2015-11-16 | 2016-06-01 | 长沙理工大学 | 基于历史经验和实时调整相结合的粒子群优化算法 |
| CN107015852A (zh) * | 2016-06-15 | 2017-08-04 | 珠江水利委员会珠江水利科学研究院 | 一种大规模梯级水电站群多核并行优化调度方法 |
| CN106951957A (zh) * | 2016-09-21 | 2017-07-14 | 常州信息职业技术学院 | 粒子群优化算法、多计算机并行处理方法及系统 |
| CN107015861A (zh) * | 2016-11-07 | 2017-08-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于Fork/Join框架的梯级水库群优化调度多核并行计算设计方法 |
| CN110555506A (zh) * | 2019-08-20 | 2019-12-10 | 武汉大学 | 一种基于群体团聚效应的梯度自适应粒子群优化方法 |
| CN110598833A (zh) * | 2019-09-16 | 2019-12-20 | 中国矿业大学 | 一种分组进化的高维粒子群寻优方法 |
Non-Patent Citations (3)
| Title |
|---|
| 何莉等: "多核环境下并行粒子群算法", 《计算机应用》 * |
| 彭安帮等: "跨流域调水条件下水库群联合调度图的多核并行计算研究", 《水利学报》 * |
| 邹强等: "基于并行混沌量子粒子群算法的梯级水库群防洪优化调度研究", 《水利学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779856A (zh) * | 2021-09-15 | 2021-12-10 | 成都中科合迅科技有限公司 | 一种面向电子系统功能在线重组的离散微粒群算法建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949154B (zh) | 2023-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Review of design optimization methods for turbomachinery aerodynamics | |
| CN111597698B (zh) | 一种基于深度学习的多精度优化算法实现气动优化设计的方法 | |
| Dong et al. | A hybrid PSO/SA algorithm for bi-criteria stochastic line balancing with flexible task times and zoning constraints | |
| Wang et al. | Multi-objective optimization of turbomachinery using improved NSGA-II and approximation model | |
| CN110264471A (zh) | 一种图像分割方法、装置、存储介质及终端设备 | |
| CN113821983B (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
| Singh et al. | A hybrid algorithm using particle swarm optimization for solving transportation problem | |
| CN113935235A (zh) | 基于遗传算法和代理模型的工程设计优化方法及装置 | |
| Stevens et al. | GNNerator: A hardware/software framework for accelerating graph neural networks | |
| Xiuli et al. | An improved multi-objective optimization algorithm for solving flexible job shop scheduling problem with variable batches | |
| CN112949154B (zh) | 并行异步粒子群优化方法、系统及电子设备 | |
| Zhang et al. | An efficient space division–based width optimization method for RBF network using fuzzy clustering algorithms | |
| Zhang et al. | Implementation and optimization of the accelerator based on FPGA hardware for LSTM network | |
| CN115437795A (zh) | 一种异构gpu集群负载感知的显存重计算优化方法及系统 | |
| Shalom et al. | Graphics hardware based efficient and scalable fuzzy c-means clustering | |
| Jin et al. | Neural networks for fitness approximation in evolutionary optimization | |
| Liu et al. | A load-balancing approach based on modified K-ELM and NSGA-II in a heterogeneous cloud environment | |
| CN112241567A (zh) | 船舶曲形面板加工信息计算方法、装置、终端及存储介质 | |
| CN110189230B (zh) | 一种动态分区的解析化模型的构建方法 | |
| CN117093885A (zh) | 融合分层聚类和粒子群的联邦学习多目标优化方法 | |
| CN115270921B (zh) | 基于组合预测模型的电力负载预测方法、系统及存储介质 | |
| Li et al. | A grey prediction evolutionary algorithm with a surrogate model based on quadratic interpolation | |
| WO2022095675A1 (zh) | 神经网络稀疏化的装置、方法及相关产品 | |
| CN113407336B (zh) | 基于禁忌搜索优化算法的全比较数据分发方法 | |
| CN113963758A (zh) | 无序材料热力学稳定结构的预测推荐方法、设备、终端 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |