CN114861857A - 一种粒子群优化方法、装置、设备及存储介质 - Google Patents
一种粒子群优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114861857A CN114861857A CN202210417632.2A CN202210417632A CN114861857A CN 114861857 A CN114861857 A CN 114861857A CN 202210417632 A CN202210417632 A CN 202210417632A CN 114861857 A CN114861857 A CN 114861857A
- Authority
- CN
- China
- Prior art keywords
- population
- sub
- individual
- populations
- 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
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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明公开了一种粒子群优化方法,将种群规模为N的粒子群中的个体随机划分为M个包含相同数量个体的子种群;通过搜索模型中的至少一模型对子种群搜索,得到搜索结果,搜索模型包括线性搜索模型和非线性搜索模型;根据搜索结果对粒子群的种群进行更新,该种群的更新对象包括种群的全体最优、每个子种群各自的最优和每个个体自身的最优;在每迭代运算C代后判断是否需要调整子种群;若是,则解散子种群,被解散的子种群中的个体随机加入其它未解散种群;若一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群随机分成M个子种群。采用本发明,可以避免由于粒子群优化过程中存在的早熟收敛导致的目标问题解决方案质量低的缺陷。
Description
技术领域
本发明涉及信息数据分析领域,特别是涉及一种粒子群优化方法、装置、设备及存储介质。
背景技术
粒子群优化方法是受到生物学学科中某些生物现象的启发而提出的一种相对简单的目标搜索优化方法。该方法模拟鸟群觅食的行为,通过个体之间的相互协作使群体达到最优目的。
由于在对粒子群进行优化的过程中,模型的收敛速度比较快,容易陷入局部最优。因此,目前的粒子群优化大多通过引入其它搜索方法来缓解这种情况,但是还是无法避免由于粒子群优化过程中存在的早熟收敛导致的目标问题解决方案质量低的缺陷。
发明内容
为了解决上述问题,本发明的目的是提供一种粒子群优化方法、装置、设备及存储介质,以避免由于粒子群优化过程中存在的早熟收敛导致的目标问题解决方案质量低的缺陷。
基于此,本发明提供了一种粒子群优化方法,所述方法包括:
将粒子群中的个体随机划分为M个包含相同数量个体的子种群;其中,所述粒子群的种群规模为N、运行代数为T、检测周期为C;
通过搜索模型中的至少一模型对所述子种群进行搜索,得到搜索结果,其中,所述搜索模型包括线性搜索模型和非线性搜索模型;
根据所述搜索结果对所述粒子群的种群进行更新;其中,该种群的更新对象包括:种群的全体最优、每个子种群各自的最优和每个个体自身的最优,以及每个个体的边界值;
在每迭代运算了C代之后判断是否需要调整所述子种群;
若是,则解散所述子种群,被解散的所述子种群中的个体随机加入其它未解散种群;其中,若一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群随机分成M个子种群。
进一步地,所述方法还包括:根据所述搜索结果确定种群的全体最优、每个子种群各自的最优和每个个体自身的最优,并且利用种群的全体最优、每个子种群各自的最优和每个个体自身的最优来确定每个个体的边界值,
Qbuk,i,j=max(pbestk,i,j,sbestk,j,gbestj)
Qblk,i,j=min(pbestk,i,j,sbestk,j,gbestj)
其中,Qblk,i,j为第k个子种群第i个个体的第j维最小边界值,Qbuk,i,j为第k个子种群第i个个体的第j维最大边界值,是第k个子群的第i个个体的个体最优的第j维,sbestk,j是第k个子群的子种群最优的第j维,gbestj是全体种群的全局最优的第j维。
进一步地,所述方法还包括:依次按照线性搜索模型及非线性搜索模型的顺序对所述子种群进行搜索,
所述线性搜索模型为:
其中,及分别是为当前个体第k个子种群的第i个个体在第t代的速度及位置向量的第j维,及分别是在当前个体的个体最优及全体粒子的全局最优的第j维,c1及c2是两个分别被称为认知权重和社会权重的正整数系数,r1及r2是两个均匀分布在[0,1]之间的随机数,ω是惯性权重,通常取值为一个小于2的数;
所述非线性搜索模型:
其中,θ和r都为[0,1]之间的随机数,ω的定义与标准粒子群的更新公式一致,Qk,i,j为当前个体第k个子种群的第i个个体的局部吸引子的第j维。
进一步地,所述局部吸引子Qk,i,j的获取过程包括:
进一步地,所述判断是否需要调整所述子种群包括:
每执行C代,对所述子种群进行两次判断评估,根据两次判断评估的评估结果判断是否需要调整所述子种群;
若两次的评估结果均为是,则所述子种群解散,所述子种群的个体随机加入其它子种群;若其中一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群重新随机分成与算法初始设置一致个数的若干个子种群。
进一步地,对所述子种群进行两次判断评估包括:
判断子种群最优适应度在最近的C代的提高程度是否小于所述子种群的最优适应度提高程度平均值;
判断子种群两两个体之间的距离的平均值是否在所有子种群中最低。
本发明实施例还提供了一种粒子群优化装置,所述装置包括:
划分模块,用于将粒子群中的个体随机划分为M个包含相同数量个体的子种群;其中,所述粒子群的种群规模为N、运行代数为T、检测周期为C;
搜索模块,用于通过搜索模型中的至少一模型对所述子种群进行搜索,得到搜索结果,其中,所述搜索模型包括线性搜索模型和非线性搜索模型;
更新模块,用于根据所述搜索结果对所述粒子群的种群进行更新;其中,该种群的更新对象包括:种群的全体最优、每个子种群各自的最优和每个个体自身的最优,以及每个个体的边界值;
判断模块,用于在每迭代运算了C代之后判断是否需要调整所述子种群;
解散模块,用于解散所述子种群,被解散的所述子种群中的个体随机加入其它未解散种群;其中,若一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群随机分成M个子种群。
本发明实施例还提供了一种粒子群优化设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明实施例还提供了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,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明有以下优点:
分群搜索,并且非线性搜索中群之间的信息交互是有限的,仅仅包括了含有全局最优信息的边界值,所以每个子群的个体能保持一定的自主性,实行差异化的搜索策略,能有效避免粒子群的早熟收敛问题,从而提高算法全局搜索能力,避免了当某个个体搜索到一个局部最优解时,可能影响其它个体,导致整个种群都陷入到这个局部最优解的附近,导致整个粒子群出现早熟收敛;
子种群的数量在搜索过程中能实现自适应调整,部分性能不佳的子种群会被解散,个体加入到其它子种群中,这使得对于不同特性的问题都具有一定的搜索性能;
粒子群的标准搜索方法仍然有一定几率被子种群的个体所采用,因此粒子群的有益搜索模式被保留;
子种群之间存在竞争,如果一个子种群在搜索空间中处于较好的位置,则其规模会被扩大(解散了的子种群的个体会加入未被解散的子种群),相当于投入了更多的资源在有利的区域进行搜索;
如果某个子种群的分散度不佳,即个体之间的聚合度过高(个体与个体之间在搜索空间的距离较近),则该子种群在相互之间的竞争中处于劣势,也可能被解散,这一措施能提高个体的分散度,以及种群开发未知区域的能力。
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是本发明实施例提供的粒子群优化方法的示意图;
图2是本发明实施例提供的粒子群优化装置的示意图。
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作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。
如图1所示,本发明实施例提供的粒子群优化方法,应用与一离子群最优目标搜索系统,所述方法包括:
S101、将粒子群中的个体随机划分为M个包含相同数量个体的子种群。其中,所述粒子群的种群规模为N、运行代数为T、检测周期为C。
粒子群算法仿真鸟群觅食的过程,同时存在多个潜在解并且互相协作,每个潜在解被称为一个粒子,这些粒子在问题的决策空间进行飞行搜索以期找到最优的位置。每个粒子在飞行过程中基于自身及其它粒子的搜索经历来不断调整自身的位置。
在初始化阶段,先将根据粒子群的种群规模N,将粒子群分为若干子种群,并且子种群的搜索个体数量相等,以便于对各个子种群采用不同的搜索方法进行搜索。同时,子种群的数量减小,能提升个体适应度以及使得个体多样性的搜索方式被保留被继续采用,有利于算法自动识别所优化的目标函数的特点并自动采用更适合的搜索方式来实现搜索。
S102、通过搜索模型中的至少一模型对所述子种群进行搜索,得到搜索结果。其中,所述搜索模型包括线性搜索模型和非线性搜索模型。
具体的,所述线性搜索模型为标准粒子群的线性搜索方法,所述非线性搜索模型利用全局最优(种群的全体最优)、子种群最优(每个子种群各自的最优)、个体最优(每个个体自身的最优)生成局部吸引子,再结合嵌入了三角函数和对数函数的搜索策略实现非线性搜索方法。
进一步地,通过线性搜索模型对子种群中个体的下一位置进行更新,所述线性搜索模型的模型为:
其中,及分别是为当前个体第k个子种群的第i个个体在第t代的速度及位置向量的第j维,及分别是在当前个体的个体最优及全体粒子的全局最优的第j维,c1及c2是两个分别被称为认知权重和社会权重的正整数系数,r1及r2是两个均匀分布在[0,1]之间的随机数,ω是惯性权重,通常取值为一个小于2的数。
进一步地,通过非线性搜索模型对子种群中个体的下一位置进行更新:
其中,θ和r都为[0,1]之间的随机数,ω的定义与标准粒子群的更新公式一致,Qk,i,j为当前个体第k个子种群的第i个个体的局部吸引子的第j维。每个个体搜索时,采用以上四个方程的几率均为25%;对于每个个体,线性搜索和非线性搜索所生成的新个体及分别计算其适应度值,并且保留两者较优的一个作为当前新个体。
具体的,所述局部吸引子Qk,i,j的获取过程包括:
优选的,在对所述子种群进行搜索时,还可依次按照线性搜索模型及非线性搜索模型的顺序对所述子种群进行搜索。
可以理解的,本发明通过分群搜索,并且非线性搜索中群之间的信息交互是有限的,仅仅包括了含有全局最优信息的边界值,所以每个子群的个体能保持一定的自主性,实行差异化的搜索策略,提高了算法全局搜索能力,能有效避免由于粒子群优化过程中存在的早熟收敛导致的目标问题解决方案质量低的缺陷。粒子群的标准搜索方法仍然有一定几率被子种群的个体所采用,因此粒子群的有益搜索模式被保留。
S103、根据所述搜索结果对所述粒子群的种群进行更新。其中,该种群的更新对象包括:种群的全体最优、每个子种群各自的最优和每个个体自身的最优,以及每个个体的边界值。
具体的,根据所述搜索结果对子种群更新具体包括:
计算每个个体的新位置的目标函数值(即适应度值);
更新所述全体最优、子种群最优和个体最优。其中将个体的新位置的适应度与当前个体最优的适应度进行比较,如果新位置的适应度更优,则用新位置替换个体最优;将个体的新位置的适应度与当前子种群最优的适应度进行比较,如果新位置的适应度更优,则用新位置替换子种群最优;将个体的新位置的适应度与当前全体最优的适应度进行比较,如果新位置的适应度更优,则用新位置替换全体最优;
确定所述全体最优、子种群最优和个体最优的边界值,
Qbuk,i,j=max(pbestk,i,j,sbestk,j,gbestj)
Qblk,i,j=min(pbestk,i,j,sbestk,j,gbestj)
其中,Qblk,i,j为第k个子种群第i个个体的第j维最小边界值,Qbuk,i,j为第k个子种群第i个个体的第j维最大边界值,pbestk,i,j是第k个子群的第i个个体的个体最优的第j维,sbestk,j是第k个子群的子种群最优的第j维,gbestj是全体种群的全局最优的第j维。
可以理解的,本发明的搜索过程其实是为每个个体生成一个新的向量(搜索空间中的位置),然后计算该向量的函数值,再利用函数值来更新种群的全体最优、每个子种群各自的最优和每个个体自身的最优。如果某个个体的新向量的函数值比之前的个体最优的函数值要优秀,则这个新向量会成为新的个体最优。由于子种群的数量在搜索过程中能实现自适应调整,部分性能不佳的子种群会被解散,个体加入到其它子种群中,这使得对于不同特性的问题都具有一定的搜索性能。
其中,根据所述搜索结果对子种群更新还包括:
S104、在每迭代运算了C代之后判断是否需要调整所述子种群;
具体的,所述判断是否需要调整所述子种群包括:
在每个子种群都执行了C代后,对所述子种群进行两次判断评估,根据两次判断评估的评估结果判断是否需要调整所述子种群;若两次的评估结果均为是,则所述子种群解散,所述子种群的个体随机加入其它未解散的子种群;若其中一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群重新随机分成与算法初始设置一致个数的若干个子种群。其中,重新随机划分的若干子种群数量与将初始化时粒子群中的子种群数量相等,如都为M。
进一步地,对所述子种群进行两次判断评估包括:
判断子种群最优适应度在最近的C代的提高程度是否小于所述子种群的提高程度平均值;
判断子种群两两个体之间的距离的平均值是否在所有子种群中最低。
可以理解的,本发明子种群之间存在竞争,如果一个子种群在搜索空间中处于较好的位置,则其规模会被扩大(解散了的子种群的个体会加入未被解散的子种群),相当于投入了更多的资源在有利的区域进行搜索;如果某个子种群的分散度不佳,即个体之间的聚合度过高(个体与个体之间在搜索空间的距离较近),则该子种群在相互之间的竞争中处于劣势,也可能被解散,这一措施能提高个体的分散度,提高种群开发未知区域的能力。
S105、若是,则解散所述子种群,被解散的所述子种群中的个体随机加入其它未解散种群;其中,若一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群随机分成M个子种群。
可以理解的,当前种群是整个搜索种群,比如某次执行时,种群的个体数量为50,分为5个子种群,每个子种群为10个个体,当剩下两个子种群后,则每个子种群为25个个体,如果其中一个子种群被解散,则最后的一个子种群实际上变成包含所有50个个体,此时需要将其重新分成5个子种群。
本发明有以下优点:
分群搜索,并且非线性搜索中群之间的信息交互是有限的,仅仅包括了含有全局最优信息的边界值,所以每个子群的个体能保持一定的自主性,实行差异化的搜索策略,能有效避免粒子群的早熟收敛问题,从而提高算法全局搜索能力,避免了当某个个体搜索到一个局部最优解时,可能影响其它个体,导致整个种群都陷入到这个局部最优解的附近,导致整个粒子群出现早熟收敛;
子种群的数量在搜索过程中能实现自适应调整,部分性能不佳的子种群会被解散,个体加入到其它子种群中,这使得对于不同特性的问题都具有一定的搜索性能;
粒子群的标准搜索方法仍然有一定几率被子种群的个体所采用,因此粒子群的有益搜索模式被保留;
子种群之间存在竞争,如果一个子种群在搜索空间中处于较好的位置,则其规模会被扩大(解散了的子种群的个体会加入未被解散的子种群),相当于投入了更多的资源在有利的区域进行搜索;
如果某个子种群的分散度不佳,即个体之间的聚合度过高(个体与个体之间在搜索空间的距离较近),则该子种群在相互之间的竞争中处于劣势,也可能被解散,这一措施能提高个体的分散度,以及种群开发未知区域的能力。
图2是本发明实施例提供的粒子群优化装置的示意图,所述装置包括:
划分模块201,将粒子群中的个体随机划分为M个包含相同数量个体的子种群;其中,所述粒子群的种群规模为N、运行代数为T、检测周期为C。
粒子群算法仿真鸟群觅食的过程,同时存在多个潜在解并且互相协作,每个潜在解被称为一个粒子,这些粒子在问题的决策空间进行飞行搜索以期找到最优的位置。每个粒子在飞行过程中基于自身及其它粒子的搜索经历来不断调整自身的位置。
在初始化阶段,先将根据粒子群的种群规模N,将粒子群分为若干子种群,并且子种群的搜索个体数量相等,以便于对各个子种群采用不同的搜索方法进行搜索。同时,子种群的数量减小,能提升个体适应度以及使得个体多样性的搜索方式被保留被继续采用,有利于算法自动识别所优化的目标函数的特点并自动采用更适合的搜索方式来实现搜索。
搜索模块202,用于通过搜索模型中的至少一模型对所述子种群进行搜索,得到搜索结果,其中,所述搜索模型包括线性搜索模型和非线性搜索模型。
具体的,所述线性搜索模型为标准粒子群的线性搜索方法,所述非线性搜索模型利用全局最优(种群的全体最优)、子种群最优(每个子种群各自的最优)、个体最优(每个个体自身的最优)生成局部吸引子,再结合嵌入了三角函数和对数函数的搜索策略实现非线性搜索方法。
进一步地,通过线性搜索模型对子种群中个体的下一位置进行更新,所述线性搜索模型的模型为:
其中,及分别是为当前个体第k个子种群的第i个个体在第t代的速度及位置向量的第j维,及分别是在当前个体的个体最优及全体粒子的全局最优的第j维,c1及c2是两个分别被称为认知权重和社会权重的正整数系数,r1及r2是两个均匀分布在[0,1]之间的随机数,ω是惯性权重,通常取值为一个小于2的数。
进一步地,通过非线性搜索模型对子种群中个体的下一位置进行更新:
其中,θ和r都为[0,1]之间的随机数,ω的定义与标准粒子群的更新公式一致,Qk,i,j为当前个体第k个子种群的第i个个体的局部吸引子的第j维。每个个体搜索时,采用以上四个方程的几率均为25%;对于每个个体,线性搜索和非线性搜索所生成的新个体及分别计算其适应度值,并且保留两者较优的一个作为当前新个体。
具体的,所述局部吸引子Qk,i,j的获取过程包括:
优选的,在对所述子种群进行搜索时,还可依次按照线性搜索模型及非线性搜索模型的顺序对所述子种群进行搜索。
可以理解的,本发明通过分群搜索,并且非线性搜索中群之间的信息交互是有限的,仅仅包括了含有全局最优信息的边界值,所以每个子群的个体能保持一定的自主性,实行差异化的搜索策略,提高了算法全局搜索能力,能有效避免由于粒子群优化过程中存在的早熟收敛导致的目标问题解决方案质量低的缺陷。粒子群的标准搜索方法仍然有一定几率被子种群的个体所采用,因此粒子群的有益搜索模式被保留。
更新模块203,用于根据所述搜索结果对所述粒子群的种群进行更新;其中,该种群的更新对象包括:种群的全体最优、每个子种群各自的最优和每个个体自身的最优,以及每个个体的边界值。
其中,根据所述搜索结果对子种群更新具体包括:
计算每个个体的新位置的目标函数值(即适应度值);
更新所述全体最优、子种群最优和个体最优。其中将个体的新位置的适应度与当前个体最优的适应度进行比较,如果新位置的适应度更优,则用新位置替换个体最优;将个体的新位置的适应度与当前子种群最优的适应度进行比较,如果新位置的适应度更优,则用新位置替换子种群最优;将个体的新位置的适应度与当前全体最优的适应度进行比较,如果新位置的适应度更优,则用新位置替换全体最优;
确定所述全体最优、子种群最优和个体最优的边界值,
Qbuk,i,j=max(pbestk,i,j,sbestk,j,gbestj)
Qblk,i,j=min(pbestk,i,j,sbestk,j,gbestj)
其中,pbestk,i,j是第k个子群的第i个个体的个体最优的第j维,sbestk,j是第k个子群的子种群最优的第j维,gbestj是全体种群的全局最优的第j维。
可以理解的,本发明的搜索过程其实是为每个个体生成一个新的向量(搜索空间中的位置),然后计算该向量的函数值,再利用函数值来更新种群的全体最优、每个子种群各自的最优和每个个体自身的最优。如果某个个体的新向量的函数值比之前的个体最优的函数值要优秀,则这个新向量会成为新的个体最优。
判断模块204,用于在每迭代运算了C代之后判断是否需要调整所述子种群。
具体的,所述判断是否需要调整所述子种群包括:
在每个子种群都执行了C代后,对所述子种群进行两次判断评估,根据两次判断评估的评估结果判断是否需要调整所述子种群;若两次的评估结果均为是,则所述子种群解散,所述子种群的个体随机加入其它子种群;若其中一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群重新随机分成与算法初始设置一致个数的若干个子种群。其中,重新随机划分的若干子种群数量与将初始化时粒子群中的子种群数量相等,如都为M。
进一步地,对所述子种群进行两次判断评估包括:
判断子种群最优适应度在最近的C代的提高程度是否大于所述子种群的提高程度平均值;
判断子种群两两个体之间的距离的平均值是否在所有子种群中最低。
可以理解的,本发明子种群之间存在竞争,如果一个子种群在搜索空间中处于较好的位置,则其规模会被扩大(解散了的子种群的个体会加入未被解散的子种群),相当于投入了更多的资源在有利的区域进行搜索;如果某个子种群的分散度不佳,即个体之间的聚合度过高(个体与个体之间在搜索空间的距离较近),则该子种群在相互之间的竞争中处于劣势,也可能被解散,这一措施能提高个体的分散度,提高种群开发未知区域的能力。
解散模块205,用于若需要调整所述子种群时,则则解散所述子种群,被解散的所述子种群中的个体随机加入其它未解散种群;其中,若一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群随机分成M个子种群。
本发明有以下优点:
分群搜索,并且非线性搜索中群之间的信息交互是有限的,仅仅包括了含有全局最优信息的边界值,所以每个子群的个体能保持一定的自主性,实行差异化的搜索策略,能有效避免粒子群的早熟收敛问题,从而提高算法全局搜索能力,避免了当某个个体搜索到一个局部最优解时,可能影响其它个体,导致整个种群都陷入到这个局部最优解的附近,导致整个粒子群出现早熟收敛;
子种群的数量在搜索过程中能实现自适应调整,部分性能不佳的子种群会被解散,个体加入到其它子种群中,这使得对于不同特性的问题都具有一定的搜索性能;
粒子群的标准搜索方法仍然有一定几率被子种群的个体所采用,因此粒子群的有益搜索模式被保留;
子种群之间存在竞争,如果一个子种群在搜索空间中处于较好的位置,则其规模会被扩大(解散了的子种群的个体会加入未被解散的子种群),相当于投入了更多的资源在有利的区域进行搜索;
如果某个子种群的分散度不佳,即个体之间的聚合度过高(个体与个体之间在搜索空间的距离较近),则该子种群在相互之间的竞争中处于劣势,也可能被解散,这一措施能提高个体的分散度,以及种群开发未知区域的能力。
本发明实施例提出的粒子群优化装置的技术特征和技术效果与本发明实施例提出的方法相同,在此不予赘述。
此外,本发明的实施例还提出一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
此外,本发明的实施例还提出一种粒子群优化设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (9)
1.一种粒子群优化方法,其特征在于,所述方法包括:
将粒子群中的个体随机划分为M个包含相同数量个体的子种群;其中,所述粒子群的种群规模为N、运行代数为T、检测周期为C;
通过搜索模型中的至少一模型对所述子种群进行搜索,得到搜索结果,其中,所述搜索模型包括线性搜索模型和非线性搜索模型;
根据所述搜索结果对所述粒子群的种群进行更新;其中,该种群的更新对象包括:种群的全体最优、每个子种群各自的最优和每个个体自身的最优,以及每个个体的边界值;
在每迭代运算了C代之后判断是否需要调整所述子种群;
若是,则解散所述子种群,被解散的所述子种群中的个体随机加入其它未解散种群;其中,若一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群随机分成M个子种群。
2.如权利要求1所述的粒子群优化方法,其特征在于,所述方法还包括:根据所述搜索结果确定种群的全体最优、每个子种群各自的最优和每个个体自身的最优,并且利用种群的全体最优、每个子种群各自的最优和每个个体自身的最优来确定每个个体的边界值,
Qbuk,i,j=max(pbestk,i,j,sbestk,j,gbestj)
Qblk,i,j=min(pbestk,i,j,sbestk,j,gbestj)
其中,Qblk,i,j为第k个子种群第i个个体的第j维最小边界值,Qbuk,i,j为第k个子种群第i个个体的第j维最大边界值,pbestk,i,j是第k个子群的第i个个体的个体最优的第j维,sbestk,j是第k个子群的子种群最优的第j维,gbestj是全体种群的全局最优的第j维。
3.如权利要求1所述的粒子群优化方法,其特征在于,所述方法还包括:依次按照线性搜索模型及非线性搜索模型的顺序对所述子种群进行搜索,
所述线性搜索模型为:
其中,及分别是为当前个体第k个子种群的第i个个体在第t代的速度及位置向量的第j维,及分别是在当前个体的个体最优及全体粒子的全局最优的第j维,c1及c2是两个分别被称为认知权重和社会权重的正整数系数,r1及r2是两个均匀分布在[0,1]之间的随机数,ω是惯性权重,通常取值为一个小于2的数;
所述非线性搜索模型:
其中,θ和r都为[0,1]之间的随机数,ω的定义与标准粒子群的更新公式一致,Qk,i,j为当前个体第k个子种群的第i个个体的局部吸引子的第j维。
5.如权利要求1所述的粒子群优化方法,其特征在于,所述判断是否需要调整所述子种群包括:
每执行C代,对所述子种群进行两次判断评估,根据两次判断评估的评估结果判断是否需要调整所述子种群;
若两次的评估结果均为是,则所述子种群解散,所述子种群的个体随机加入其它子种群;若其中一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群重新随机分成与算法初始设置一致个数的若干个子种群。
6.如权利要求3所述的粒子群优化方法,其特征在于,对所述子种群进行两次判断评估包括:
判断子种群最优适应度在最近的C代的提高程度是否小于所述子种群的最优适应度提高程度平均值;
判断子种群两两个体之间的距离的平均值是否在所有子种群中最低。
7.一种粒子群优化装置,其特征在于,包括:
划分模块,用于将粒子群中的个体随机划分为M个包含相同数量个体的子种群;其中,所述粒子群的种群规模为N、运行代数为T、检测周期为C;
搜索模块,用于通过搜索模型中的至少一模型对所述子种群进行搜索,得到搜索结果,其中,所述搜索模型包括线性搜索模型和非线性搜索模型;
更新模块,用于根据所述搜索结果对所述粒子群的种群进行更新;其中,该种群的更新对象包括:种群的全体最优、每个子种群各自的最优和每个个体自身的最优,以及每个个体的边界值;
判断模块,用于在每迭代运算了C代之后判断是否需要调整所述子种群;
解散模块,用于解散所述子种群,被解散的所述子种群中的个体随机加入其它未解散种群;其中,若一个子种群被解散后,当前种群只剩下一个子种群时,则重新将当前种群随机分成M个子种群。
8.一种粒子群优化设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
9.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210417632.2A CN114861857A (zh) | 2022-04-18 | 2022-04-18 | 一种粒子群优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210417632.2A CN114861857A (zh) | 2022-04-18 | 2022-04-18 | 一种粒子群优化方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861857A true CN114861857A (zh) | 2022-08-05 |
Family
ID=82631152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210417632.2A Pending CN114861857A (zh) | 2022-04-18 | 2022-04-18 | 一种粒子群优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861857A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627027A (zh) * | 2023-07-19 | 2023-08-22 | 济南大学 | 一种基于改进型pid最优鲁棒性控制方法 |
-
2022
- 2022-04-18 CN CN202210417632.2A patent/CN114861857A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627027A (zh) * | 2023-07-19 | 2023-08-22 | 济南大学 | 一种基于改进型pid最优鲁棒性控制方法 |
CN116627027B (zh) * | 2023-07-19 | 2024-01-30 | 济南大学 | 一种基于改进型pid最优鲁棒性控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020978B (zh) | 结合多阈值分割与模糊聚类的sar图像变化检测方法 | |
CN112069061B (zh) | 深度学习梯度指导变异的软件安全漏洞检测方法及系统 | |
CN111753985B (zh) | 基于神经元覆盖率的图像深度学习模型测试方法与装置 | |
KR101113006B1 (ko) | 클러스터 간 상호정보를 이용한 클러스터링 장치 및 방법 | |
CN102331992A (zh) | 分布式决策树训练 | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN109948683B (zh) | 点云数据的难易度划分方法、装置及其相关设备 | |
Yu et al. | Forecasting house price index of China using dendritic neuron model | |
CN111783844A (zh) | 基于深度学习的目标检测模型训练方法、设备及存储介质 | |
CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
CN111708856A (zh) | 一种基于强化学习的车道线的众包数据分段融合方法 | |
CN114861857A (zh) | 一种粒子群优化方法、装置、设备及存储介质 | |
CN115081346B (zh) | 一种风电机组尾流效应下的健康度判断方法、装置及介质 | |
CN103871021A (zh) | 一种由cpu和gpu协同工作的目标航迹初始化方法 | |
CN109766905B (zh) | 基于自组织特征映射网络的目标分群方法 | |
Park et al. | Source term estimation using deep reinforcement learning with Gaussian mixture model feature extraction for mobile sensors | |
CN106569981B (zh) | 一种适用于大规模数据集的统计参量确定方法及系统 | |
CN109583727A (zh) | 一种利用电缆线路移动巡检数据确定电缆状态的方法及系统 | |
KR102288938B1 (ko) | 서로 다른 레이다 반사 면적을 가진 표적을 탐지하는 방법 및 장치 | |
CN114399669A (zh) | 目标检测方法和装置 | |
CN113159640A (zh) | 一种评价指标权重的确定方法、装置、设备及介质 | |
CN108646235B (zh) | 基于点迹位置聚合识别空间散布固定杂波的方法 | |
CN112712852A (zh) | 一种估计基因组育种值的方法、装置及系统 | |
US20240135150A1 (en) | Topology-augmented system for ai-model mismatch | |
CN116151128B (zh) | 一种装备体系贡献率评估方法 |
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 |